Le deep learning est un sous-domaine du machine learning qui utilise des réseaux de neurones artificiels pour traiter et analyser des informations. Les réseaux de neurones sont composés de nœuds de calcul superposés à des algorithmes de deep learning. Chaque couche contient une couche d'entrée, une couche de sortie et une couche cachée. Le réseau de neurones reçoit des données d'entraînement qui aident l'algorithme à apprendre et à améliorer la précision. Lorsqu'un réseau de neurones est composé de trois couches ou plus, on dit qu'il est "profond". De là le terme deep learning.

Les algorithmes de deep learning s'inspirent du fonctionnement du cerveau humain et sont utilisés pour analyser des données selon une structure logique. Le deep learning est utilisé dans de nombreuses tâches que nous considérons aujourd'hui comme l'IA, y compris la reconnaissance d'images et vocale, la détection d'objets et le traitement du langage naturel. Le deep learning est capable d'établir des corrélations non linéaires et complexes au sein d'ensembles de données. Toutefois, il nécessite plus de données d'entraînement et de ressources de calcul que le machine learning.

Voici quelques types de réseaux de neurones couramment utilisés pour le deep learning :

Les réseaux de neurones feedforward (FF) sont l'une des plus anciennes formes de réseaux de neurones. Les données circulent dans un sens à travers les couches de neurones artificiels jusqu'à leur sortie.

Les réseaux de neurones récurrents (RNN) sont différents des réseaux de neurones récurrents, car ils utilisent généralement des données de séries temporelles ou impliquant des séquences. Les réseaux de neurones récurrents disposent de la "mémoire" de ce qui s'est produit au niveau de la couche précédente en tant que composant de la sortie de la couche actuelle.

Le réseau de neurones récurrents à mémoire court terme et long terme (LSTM) est une forme avancée de RNN qui peut utiliser la mémoire pour "se souvenir" de ce qui s'est passé aux couches précédentes.

Les réseaux de neurones convolutifs incluent certains des réseaux de neurones les plus courants de l'intelligence artificielle moderne et utilisent plusieurs couches distinctes (une couche convolutive, puis une couche de pooling) qui filtrent différentes parties d'une image avant de la reconstituer (dans la couche entièrement connectée).

Les réseaux antagonistes génératifs (GAN) impliquent deux réseaux de neurones (un "générateur" et un "discriminateur") qui s'affrontent dans un jeu qui, au final, améliore la précision du résultat.

Le machine learning est un sous-domaine de l'intelligence artificielle qui permet à un système d'apprendre et de s'améliorer de manière autonome, sans être explicitement programmé. Les algorithmes de machine learning reconnaissent des modèles et des données, et effectuent des prédictions lorsque de nouvelles données sont entrées dans le système.

Dans les grandes lignes, on distingue trois types de modèles souvent utilisés en machine learning : les modèles supervisés, non supervisés et par renforcement.

L'apprentissage supervisé est un modèle de machine learning qui utilise des données d'entraînement étiquetées (données structurées) pour mapper une entrée spécifique à une sortie. Dans l'apprentissage supervisé, la sortie est connue (par exemple, la reconnaissance de l'image d'une pomme), et le modèle est entraîné sur les données de ces résultats. En d'autres termes, pour entraîner l'algorithme à reconnaître des images de pommes, il faut lui fournir des images étiquetées comme étant des pommes.

Les algorithmes d'apprentissage supervisé les plus couramment utilisés aujourd'hui sont les suivants :

• Régression linéaire
• Régression polynomiale
• K plus proches voisins
• Naive Bayes
• Régression polynomiale
• Arbres de décision

L'apprentissage non supervisé est un modèle de machine learning qui utilise des données non étiquetées (données non structurées) pour apprendre des schémas. Contrairement à l'apprentissage supervisé, la sortie n'est pas connue à l'avance. L'algorithme apprend à partir des données sans intervention humaine (et donc non supervisée) et les classe par groupes en fonction d'attributs. Par exemple, si l'algorithme reçoit des images de pommes et de bananes, il va fonctionner seul pour classer les images correspondant à des pommes et des bananes. L'apprentissage non supervisé est efficace pour la modélisation descriptive et établir une correspondance de modèles.

Les algorithmes d'apprentissage non supervisé les plus couramment utilisés aujourd'hui sont les suivants :

• Moyennes partielles
• Partitionnement en k-moyennes
• Clustering hiérarchique
• Analyse des composants principaux
• Moindres carrés partiels

Nous employons également souvent une approche mixte appelée "apprentissage partiellement supervisé", dans laquelle seule une partie des données est étiquetée. Dans l'apprentissage partiellement supervisé, l'algorithme doit déterminer comment organiser et structurer les données pour obtenir un résultat connu. Par exemple, on dit au modèle de machine learning que le résultat final est une pomme, mais seules certaines des données d'entraînement sont étiquetées en tant que pomme.

L'apprentissage par renforcement est un modèle de machine learning que l'on peut décrire comme un "apprentissage par la pratique" au travers d'une série de tests et d'erreurs. Un "agent" apprend à effectuer une tâche définie via une boucle de rétroaction jusqu'à ce que ses performances soient dans une plage souhaitée. L'agent reçoit un renforcement positif lorsqu'il effectue bien la tâche, et un renforcement négatif lorsqu'il se trompe. Par exemple, les chercheurs Google ont enseigné un algorithme d'apprentissage par renforcement pour jouer au jeu Go. Le modèle n'avait aucune connaissance préalable des règles de Go. Il a simplement déplacé des pièces au hasard et "appris" les meilleurs résultats lors de l'entraînement de l'algorithme, au point que le modèle de machine learning pouvait battre un joueur humain dans le jeu.

L'intelligence artificielle est un domaine scientifique qui vise à créer des ordinateurs et des machines capables de raisonner, d'apprendre et d'agir d'une manière qui nécessiterait normalement l'intelligence humaine ou qui implique des données dont l'échelle dépasse ce que les humains peuvent analyser. L'IA est un vaste domaine qui englobe de nombreuses disciplines, dont l'informatique, les données et l'analyse, l'ingénierie logicielle et même la philosophie.

Au niveau de l'entreprise, l'IA est un ensemble de technologies qui couvre de nombreux cas d'utilisation : analyse de données, prédictions et prévisions, traitement du langage naturel, recommandations, automatisation des machines, récupération intelligente des données, etc.

L'intelligence artificielle, le machine learning et le deep learning sont souvent utilisés de façon synonyme de tout ce qui a trait à l'IA. Bien que les termes soient corrélés, ils ne sont pas interchangeables.

Alors que l'IA est un domaine vaste, le machine learning est une application de l'IA qui permet aux machines d'apprendre sans être spécifiquement programmées. Le machine learning est plus explicitement utilisé pour extraire des connaissances à partir de données par le biais de méthodes plus simples telles que les arbres de décision ou la régression linéaire, tandis que le deep learning s'appuie sur les méthodes plus avancées des réseaux de neurones artificiels.

Le deep learning nécessite moins d'intervention humaine, car les caractéristiques d'un ensemble de données sont extraites automatiquement, contrairement à des techniques de machine learning plus simples qui nécessitent souvent qu'un ingénieur identifie manuellement les caractéristiques et les classificateurs des données, et ajuste l'algorithme en conséquence. En bref, le deep learning peut apprendre de ses propres erreurs, tandis que le machine learning a besoin d'une intervention humaine.

Le deep learning nécessite également beaucoup plus de données que le machine learning, qui à son tour nécessite beaucoup plus de puissance de calcul. Le machine learning peut généralement être réalisé avec des serveurs exécutant des processeurs, tandis que le deep learning nécessite souvent des puces plus robustes, comme des GPU.