L'essentiel pour avoir l'idée sur l'Apprentissage Profond (Deep Learning)

1. APPRENTISSAGE PROFOND
« DEEP LEARNING (DL)»
APPRENTISSAGE AUTOMATIQUE
« MACHINE LEARNING (ML) »
STANY BAKAJIKA

2. MACHINE LEARNING (ML)
• Machine Learning : En Français « Apprentissage Automatique »,le ML est souvent
confondu à l’IA. Dans son sein, le ML est simplement un ensemble de techniques
permettant la réalisation d’une IA. C’est une manière d’ « entrainer » un algorithme qui
apprend dès comment et/ou quoi faire. Cet entrainement nécessite une immense quantité
de données en entrée pour l’algorithme, lui permettant de s’ajuster et de s’améliorer.
Ce fait serait une des raisons d’accroissement des données (le Big Data) et des bases de
données en ligne comme ImageNet ou Mnist.
• Problèmes des ML : il n’existe pas encore à ce jour un moyen pour calculer la taille de
données en entrée (dimension VC); pour un ML choisi, une quantité de données trop faible
crée un sous-apprentissage et une quantité trop élevée crée un sur-
apprentissage (overfitting) ; Ce ne sont pas souvent les données brutes qui sont
l’entrée du ML, mais des caractéristiques de ces données qu’il faudrait extraire (feature
extraction). En cas de surabondance des données extraites tout comme des données en
entrée, il est préférable de sélectionner des attributs pertinents (feature selection) pour
une réduction en entrée tout en maintenant bonne qualité en sortie.

3. MACHINE LEARNING (ML)
• Origine du Formalisme: Concept émis pour la première fois par Arthur Samuel en
1959. Le ML prend son fondement dans la théorie de l’apprentissage statistique
(aussi dit théorie de Vapnik-Chervonenkis) de Vladimir Vapnik et Alexander
Chervonenkis ouvrant la porte à une grande quantité distincte des MLs, tout en
levant relativement les précédents problèmes évoqués.
• La type de ML:
1. L’apprentissage supervisé (supervised learning) ;
2. L’apprentissage non-supervisé (unsupervised learning) ;
3. L’apprentissage semi-supervisé (half-supervised learning) ;
4. L’apprentissage par renforcement (reinforcement learning) ;
5. L’apprentissage par transfert (transfert learning).

4. MACHINE LEARNING (ML)

5. DEEP LEARNING (DL)
ARTIFICIAL
INTELLIGENCE
MACHINE
LEARNING
DEEP
LEARNING
Le premier réseau de neurones
artificiels a été mis au point en
1951 par M. Minsky et D
Edmonds (Université Harvard)

6. DEEP LEARNING (DL)
• DEEP LEARNING : En français « Apprentissage Profond », est une approche de
Machine Learning caractérisé par un réseau de neurones profond.
• Types de Réseaux de neurones Profond:
1. Perceptron multicouche
2. Réseaux de neurones convolutifs (Convolutionnal Neural Network :CNN)
3. Réseaux de neurones récurrents (Recurrent Neural Network :RNN)
4. Auto-encodeur
5. Réseaux de neurones Hybrides :
Réseaux de Neurones Evolutifs: (RNA) + Algorithmes d’Evolution (AE)
Réseaux de Neurones Flou : Réseaux Neuro-Flous (Fuzzy Neural Network).

7. ALGORITHME ET ÉQUATIONS DE BASE
Sortie de chaque couche
Calcul du gradient de l’erreur
Fonction
d’activation
Calcul de l’erreur par descente du gradient
Fonction d’optimisation généralement utilisée dans RNA

8. ALGORITHME ET ÉQUATIONS DE BASE
Réseau de neurones Convolutifs:
Insertion des filtres
Réduction de largeurRéduction de hauteur

9. ALGORITHME ET ÉQUATIONS DE BASE
RNN

10. ALGORITHME ET ÉQUATIONS DE BASE
Fonctionnement d’un
algorithme génétique

13. DEEP LEARNING (DL)
Framework :
Dopamine
DL Toolsbox

14. DEEP LEARNING (DL)
Applications :
• Self driving
• Détection d’objets
• Reconnaissance de forme
• Reconnaissance vocale
• Natural Language Processing (NLP)
• Réseaux & Sécurité Informatique
• Prediction
• Robotique, etc …

15. FIN