Deep Learning (Apprentissage Profond)
Sous-domaine du machine learning utilisant des réseaux de neurones à plusieurs couches pour modéliser des concepts complexes.
Sous-domaine du machine learning utilisant des réseaux de neurones à plusieurs couches pour modéliser des concepts complexes.
Définition détaillée
Le deep learning (apprentissage profond) est une classe d'algorithmes de machine learning qui s'inspire de la structure du cerveau humain. Il utilise des réseaux de neurones artificiels comportant de nombreuses couches cachées (d'où le terme 'profond'). Chaque couche extrait des caractéristiques de plus en plus abstraites : des pixels aux formes, puis aux objets, puis aux concepts. Les architectures principales sont les CNN (images), RNN/LSTM (séquences), Transformers (texte), et modèles de diffusion (génération d'images). Le deep learning est à l'origine des avancées récentes en IA.
Cas d'usage
Système de détection de fraudes documentaires : un réseau de neurones profond analyse les motifs, les métadonnées et le contenu des documents pour identifier les anomalies et les tentatives de fraude en temps réel.
Termes associés
En savoir plus
Questions fréquentes
Quelle est la différence entre deep learning et machine learning ?
Le machine learning regroupe toutes les techniques d'apprentissage statistique. Le deep learning est un sous-ensemble utilisant des réseaux de neurones profonds, particulièrement efficace pour les données non structurées (images, texte, son).
Le deep learning nécessite-t-il beaucoup de données ?
Généralement oui, mais le transfer learning (réutilisation de modèles pré-entraînés) permet d'obtenir de bons résultats avec seulement quelques centaines d'exemples.