Présentation

Effectué

Le Deep Learning est une forme avancée de Machine Learning qui tente d’émuler la façon dont le cerveau humain apprend.

Dans votre cerveau, vous avez des cellules nerveuses appelées neurones, qui sont connectés les uns aux autres par des extensions nerveuses qui passent des signaux électrochimiques via le réseau.

Lorsque le premier neurone du réseau est stimulé, le signal d’entrée est traité et, s’il dépasse un seuil particulier, le neurone est activé et transmet le signal aux neurones auxquels il est connecté. Ces neurones à leur tour peuvent être activés et transmettre le signal via le reste du réseau. Au fil du temps, les connexions entre les neurones sont renforcées par une utilisation fréquente, car vous apprenez à répondre efficacement. Par exemple, si quelqu’un lève une balle vers vous, vos connexions neuronales vous permettent de traiter les informations visuelles et de coordonner vos mouvements pour attraper la balle. Si vous effectuez cette action à plusieurs reprises, le réseau de neurones impliqué dans le fait d'attraper une balle se renforcera à mesure que vous apprendrez à mieux attraper une balle.

L’apprentissage profond émule ce processus biologique à l’aide de réseaux neuronaux artificiels qui traitent des entrées numériques plutôt que des stimulations électrochimiques.

Les connexions nerveuses entrantes sont remplacées par des entrées numériques qui sont généralement identifiées comme x. Lorsqu’il existe plusieurs valeurs d’entrée, x est considéré comme un vecteur avec des éléments nommés x₁, x₂, etc.

Associé à chaque valeur x est un poids (w), utilisé pour renforcer ou affaiblir l’effet de la valeur x pour simuler l’apprentissage. En outre, une entrée de biais (b) est ajoutée pour permettre un contrôle affiné sur le réseau. Pendant le processus d’entraînement, les valeurs w et b sont ajustées pour régler le réseau afin qu’il « apprend » pour produire des sorties correctes.

Le neurone lui-même encapsule une fonction qui calcule une somme pondérée de x, w et b. Cette fonction est à son tour entourée d’une fonction d’activation qui limite le résultat (souvent à une valeur comprise entre 0 et 1) pour déterminer si le neurone transmet une sortie à la couche suivante de neurones dans le réseau.