Qu'est ce que le deep Learning ?

Définition du Deep Learning

Le Deep Learning est un sous-domaine du Machine Learning dans lequel au lieu de développer un modèle traditionnel comme l’Arbre de décision, le SVM etc… utilise à la place des réseaux de neurone artificiels.

Le deep learning ou apprentissage profond possède plusieurs couches de réseau neuronal ainsi que de nombreuses données non triés et sans étiquettes.A titre d’exemple, un algorithme de deep learning à qui on fournirait des images d’animaux, si on lui demande de détecter un zèbre, il commencera à la première couche à détecter un mammifère, puis en continuant dans les couches suivantes il identifiera un cheval, et enfin un zèbre.

Le deep learning, IBM l’explique très bien repose sur un réseau de neurones artificiels, il s’agit en réalité d’un programme où chaque neurone représente un chiffre compris en 0 et 1. Chaque neurone étant interconnecté avec les autres neurones.

 

Si le neurone a une valeur de 1 il s’active sinon il ne fait rien. Et si le neurone artificiel s’active ( donc a une valeur de 1) alors il va avoir un impact sur le prochain neurone etc…

 

L’activation d’une couche détermine l’activation de la couche suivante, c’est pour cela qu’on fait un parallèle avec notre connexion neuronale biologique, où un vrai neurone via les synapses active un autre neurone.

 

Donc en fait il s’agit simplement de milliers voire millions de combinaisons qui sont réalisés dans les couches cachées pour qu’à la sortie, le système donne la bonne réponse. Les différentes combinaisons possibles d’activation des neurones vont permettre à la machine de trouver la bonne réponse.

 

De la même manière que le machine learning, le processus d’apprentissage est basé sur l’analyse d’une grande quantité de datas et également basé sur un processus d’essais et d’erreurs. Pour être opérationnelle l’intelligence artificielle doit tout d’abord être entraînée. On propose pour cela à la machine des données brutes dont on connaît la réponse.

Ce réseau de neurones prend en entrée les données que nous souhaitons traiter. Les équations servent dans ce cas à extraire les informations importantes de ces données et d’inférer une possible relation avec les sorties attendues.

 

L’intelligence artificielle doit tout d’abord être entraînée. Cette phase d’entraînement consiste à trouver par tâtonnement les valeurs idéales pour les paramètres variables de ces équations. On propose pour cela à l’intelligence artificielle des données dont le résultat attendu est connu. Dans le cas de loyers de biens immobiliers, on peut par exemple communiquer à l’IA une liste d’appartements, incluant le nombre de pièces, la superficie, l’exposition, l’étage ainsi que leur prix.

 

 

L’IA parcourra alors la liste d’appartements, un par un, et tentera de faire varier les paramètres des équations de façon à obtenir un résultat qui soit le plus proche possible du prix de l’appartement. Lorsque la liste aura été parcourue plusieurs fois et que le coût (c’est à dire la différence entre le prix réel et le résultat trouvé par les équations) sera jugé convenable, nous pourrons considérer l’apprentissage terminé.