L'apprentissage en profondeur

L'apprentissage en profondeur (également connu sous le nom d'apprentissage structuré en profondeur) fait partie d'une famille plus large de méthodes d'apprentissage automatique basées sur des réseaux de neurones artificiels avec apprentissage par représentation. L'apprentissage peut être supervisé, semi-supervisé ou non supervisé.

Des architectures d'apprentissage en profondeur telles que les réseaux de neurones profonds, les réseaux de croyances profondes, l'apprentissage par renforcement en profondeur, les réseaux de neurones récurrents et les réseaux de neurones convolutifs ont été appliquées à des domaines tels que la vision par ordinateur, la reconnaissance de la parole, le traitement du langage naturel, la traduction automatique, la bioinformatique, la conception de médicaments, la médecine l'analyse d'images, la science du climat, l'inspection des matériaux et les programmes de jeux de société, où ils ont produit des résultats comparables et, dans certains cas, dépassant les performances des experts humains.

Les réseaux de neurones artificiels (RNA) ont été inspirés par le traitement de l'information et les nœuds de communication distribués dans les systèmes biologiques. Les ANN présentent diverses différences par rapport aux cerveaux biologiques. Plus précisément, les réseaux de neurones artificiels ont tendance à être statiques et symboliques, tandis que le cerveau biologique de la plupart des organismes vivants est dynamique (plastique) et analogique.

L'adjectif "profond" dans l'apprentissage en profondeur fait référence à l'utilisation de plusieurs couches dans le réseau. Les premiers travaux ont montré qu'un perceptron linéaire ne peut pas être un classificateur universel, mais qu'un réseau avec une fonction d'activation non polynomiale avec une couche cachée de largeur illimitée le peut. L'apprentissage en profondeur est une variante moderne qui concerne un nombre illimité de couches de taille limitée, ce qui permet une application pratique et une mise en œuvre optimisée, tout en conservant l'universalité théorique dans des conditions douces. Dans l'apprentissage profond, les couches sont également autorisées à être hétérogènes et à s'écarter largement des modèles connexionnistes biologiquement informés, dans un souci d'efficacité, d'apprentissage et de compréhensibilité, d'où la partie "structurée".