#techno

La théorie de l’apprentissage profond

5 mars 2021

La théorie de l’apprentissage profond :

 

L’apprentissage profond (ou deep learning) est un apprentissage automatique qui permet à l’ordinateur d’apprendre par l’expérience et de comprendre le monde en termes de hiérarchie de concepts. Parce que l’ordinateur recueille des connaissances à partir de l’expérience, il n’est pas nécessaire qu’un opérateur humain spécifie formellement toutes les connaissances dont l’ordinateur a besoin.

 

Plus les données sont alimentées et plus la qualité de ces données est élevée, plus la machine apprendra. Et lorsque l’apprentissage est terminé, les données peuvent être introduites et les décisions prises par la machine.

 

Le deep learning est un sous-ensemble du machine learning. Il est basé sur des données, mais il utilise un type d’algorithme particulier, qui agit de manière similaire aux neurones dans un cerveau humain.

 

Présentation : Les réseaux neuronaux profonds, qui imitent le cerveau humain, ont démontré leur capacité à « apprendre » à partir d’images, de sons et de textes. Bien qu’il existe depuis plus d’une décennie, l’apprentissage profond demeure pour l’essentiel un mystère, notamment en ce qui concerne les modes d’apprentissage des réseaux de neurones ou la raison pour laquelle ils obtiennent de si bons résultats. Cela pourrait, cependant changer, grâce à une nouvelle théorie qui applique le principe du goulot d’information à l’apprentissage profond. Cette théorie se caractérise de la façon suivante : après une phase initiale d’ajustement, le réseau neuronal profond « oublie » et compresse les données « superflues » – c’est-à-dire celles qui contiennent un grand nombre d’informations inutiles – tout en préservant l’information relative à ce qu’elles représentent.

 

Intérêt : La compréhension précise du fonctionnement de l’apprentissage profond en permet le développement et l’utilisation à plus large échelle. Par exemple, elle peut lever un pan du voile sur la conception optimale du réseau et les choix en matière d’architecture, tout en offrant une transparence accrue pour les applications réglementaires ou dans lesquelles la sécurité prime. Appliquée à d’autres types de réseaux neuronaux profonds et à leur conception, cette théorie produira de nombreux résultats.

 

Lire l’étude dans son intégralité :

https://www.pwc.fr/fr/decryptages/data/decouvrez-les-avancees-incontournables-en-matiere-dintelligence-artificielle.html

 

Vous devriez aimer

#métiers
La maintenance multitechnique et multiservice
#actu
Partenariat stratégique entre SamFM et Datapole
#actu
Industrie et maintenance prédictive
#actu
Le non entretien des équipements : impacts et coûts
#actu
DATAPOLE PARTICIPE AU SALON GLOBAL INDUSTRIE
#actu
5 avantages compétitifs de l’industrie 4.0