Le document explique le deep learning, une sous-section de l'apprentissage automatique, qui utilise des architectures de réseaux de neurones pour traiter des données complexes. Il présente des applications dans des domaines variés comme la reconnaissance faciale et la détection d'objets, tout en soulignant ses défis, tels que la transparence des algorithmes et le coût computationnel. La conclusion indique que l'apprentissage profond est en plein essor, soutenu par l'augmentation des données et des ressources informatiques.

2. Plan
• Introduction
• Deep learning
• Deep learning vs machine learning
• Architecture de base
• Architecture avancée
• Caractéristiques
• Motivation
• Applications de domaine
• Défis
• Conclusion

3. Introduction
L'apprentissage automatique (Machine
Learning) est une sous-section de l'intelligence
artificielle (AI) qui confère au système les
avantages d’apprendre des concepts et des
connaissances sans être explicitement
programmé.

4. Introduction
De nos jours, l'apprentissage profond (Deep
Learning) est un domaine actuel et stimulant
de l'apprentissage automatique ( mahine
learning). Le deep learning est l'approche
d'apprentissage automatique la plus efficace,
la plus rapide et la plus rentable.

5. Deep Learning
• Le deep learning est une technique
d'apprentissage permettant à un programme,
par exemple, de reconnaître le contenu d'une
image ou de comprendre le langage parlé …,
des défis complexes, sur lesquels la
communauté de chercheurs en intelligence
artificielle se sont bloqués.

6. Deep Learning
Le processus d’apprentissage
est appelé « deep » →
représente l’idée de couches
successives qui participent
dans un modèle , le nombre
de couches qui contribuent à
un modèle de données
s’appelle la profondeur de
données .
Il existe 2 phases dans le
deep learning.
1-Phase d’apprentissage :
2- Phase d’application
(deduction)

7. Deep Learning
• Pour comprendre le deep learning, il faut
revenir sur l'apprentissage supervisé, une
technique courante en IA, permettant aux
machines d'apprendre.
• Utilisation de plusieurs images dans la phase
d’entrainement.

8. Deep Learning

9. Deep Learning
Le deep learning utilise lui aussi
l'apprentissage supervisé, mais
c'est l'architecture interne de la
machine qui est différente : il
s'agit d'un « réseau de
neurones », une machine
virtuelle composée de milliers
d'unités (les neurones) qui
effectuent chacune de petits
calculs simples.
« La particularité, c'est que les résultats
de la première couche de neurones vont
servir d'entrée au calcul des autres », Ce
fonctionnement par « couches » est ce
qui rend ce type d'apprentissage
« profond ».

10. Deep learning vs Machine
learning
D’abord , le deep learning est une sous section de la machine learning , qui est
elle-même une sous section de la IA.
IA est la section globale.

11. Deep learning vs Machine
learning
Le Deep Learning construit des
algorithmes dans différentes
couches pour faire un réseau
neuronal artificiel, qui peut
apprendre et prendre seul des
décisions intelligentes
alors que la machine learning
a besoin d'algorithmes pour
interpréter les données, puis
prendre les décisions.

12. Deep learning vs Machine
learning
Deep learning exige
un matériel de calcul
avec une grande
performance et il
utilise des données
massives .
Contrairement au
machine learning qui
utilise Moins de
données afin
d’obtenir un résultat.
Deep learning
résout le problème
de bout en bout
alors que
l'apprentissage
automatique le résout
en décomposant une
tâche plus grande en
tâches plus petites,
puis en combinant le
résultats.

13. Architecture de base
Il existe une grande variété d'architectures et des algorithmes utiles à la mise en
œuvre du concept d'apprentissage approfondi :
Auto-Encoder (AE)
est un type de réseau neuronal qui est basé sur une
technique d'apprentissage non supervisée et utilise
l’algorithme de rétropropagation.
Le réseau fixe d'abord les valeurs de résultats cibles
pour qu'elles soient égales aux valeurs d'entrée.
Le réseau essaie de comprendre une approximation qui
est équivalente à la fonction d'identité
-utilise 3 couches : couche d’entrée , couche cachée
et une couche de sortie des resltats

14. Architecture de base
Convolutional Neural Network (CNN):
•Basée sur cortex visuel animal .
•2 couches :
-première couche : identifier les
fonctionnalités
-Deuxième couche : combiner les
fonctionnalités, suivie par une classification
• Les réseaux neuronaux CNN
ont de larges applications dans
la reconnaissance d'image et vidéo
les systèmes de recommandation
et le traitement du langage naturel

15. Architecture avancée
RCNN (Régions avec réseau neuronal
convolutif)
Il s’agit de construire une vue globale
sur les objets d’une image et ensuite
identifier ces objets dans l’image.
Le GAN Generative Adversarial
Networks : est une architecture de
réseau unique, qui crée un réseau
entièrement nouveau et différentes
images, qui ne sont pas déjà présentes
dans le
l'ensemble des données disponibles
pour l’apprentissage.
GoogleNet :
 L'architecture a été introduite
par des chercheurs de Google
sous le nom du Net.
 Il implique 22 couches.
Google Net est basé sur une
nouvelle ,une seule couche
transporte plusieurs types
d'extracteurs de
caractéristiques qui aident le
réseau à être plus performant.
Le modèle converge plus
rapidement en raison de
l’apprentissage ( entrainement)
parallèle

16. Caractéristiques
L'apprentissage profond est un terme général utilisé pour l'apprentissage
machine et pour l'intelligence artificielle. En raison des caractéristiques
suivantes, les techniques d'apprentissage profond ont atteint les sommets de
la réussite dans les divers domaines d'application
Grâce à une abstraction de haut niveau, ces réseaux peuvent
extraire des fonctionnalités compliquées.
Il est purement basé sur les réseaux de neurones avec l'ajout
de plus de deux couches « deep ».
 posséde une forte capacité d'apprentissage.
Grande efficacité dans l’utilisation de données
Les performances de prédiction peuvent être améliorées..
Fusionner les avantages de plusieurs fonctions pour la
détection de l'activité vocale.

17. Motivations
La technologie de l'apprentissage approfondi a une conception selon laquelle aucun
défi peut bloquer les applications visant à améliorer les performances, par exemple la
reconnaissance de l'écriture manuscrite des machines atteint un niveau de
performance humain, comme pour la reconnaissance des visages et les mesures de
reconnaissance des objets
Les réseaux neuronaux profonds peuvent être disciplinés et
analysés
par de nombreux chercheurs et universitaires.
Les techniques et les méthodologies d'apprentissage approfondi
sont plus précis lorsqu'il est accompagné avec une grande quantité
de données.
L'apprentissage renforcé ne fera que renforcer la créativité.
Les designeurs vont utiliser le deep learning pour construire des
modéles plus réels et vivants.

18. Applications
la reconnaissance faciale
Les yeux, le nez, la bouche,
tout autant de
caractéristiques qu’un
algorithme de Deep Learning
va apprendre à détecter sur
une photo. Il va s’agir en
premier lieu de donner un
certain nombre d’images à
l’algorithme, puis à force
d’entraînement, l’algorithme
va être en mesure de détecter
un visage sur une image.

19. Applications
La détection d’objets
Sur une image complexe où il y a plusieurs
éléments, les algorithmes de détection
d’objets vont être maintenant capables
d’identifier et de localiser au pixel près un
élément ou une personne. 800 millions
d’images sont uploadées chaque jour sur
Facebook : son algorithme Deep Learning est
effectivement capable d’identifier telle ou
telle personne sur une photo dès lors qu’elle
est uploadée.

20. Applications
La classification d'images est
un problème fondamental en
vision par ordinateur, qui a de
nombreuses applications
concrètes. Le but est de
construire un système capable
d'assigner correctement une
catégorie à n'importe quelle
image en entrée. Un tel
système exploite des
algorithmes de Deep Learning
issus de l'apprentissage
supervisé.
Classification d’images

21. Les Défis
х Les algorithmes doivent garantir la
transparence de la conclusion.
х Coûteux pour les problèmes et les calculs
complexes.
х Aucune base théorique solide.
х Difficile de trouver la topologie, les
paramètres d’apprentissage pour le deep
learning .

22. Conclusion
• Enfin, nous concluons ici que si nous suivons la
vague de succès, nous constaterons qu'avec la
disponibilité accrue de données et de ressources
informatiques, l'utilisation de l'apprentissage
approfondi dans de nombreuses applications est
en train de prendre un véritable essor vers
l'acceptation.
• La technologie est vraiment jeune et spécifique
et dans les prochaines années, on s'attend à ce
que le progrès rapide de l'apprentissage
approfondi dans de plusieurs.

25. References
• https://www.lemonde.fr/pixels/article/2015/0
7/24/comment-le-deep-learning-
revolutionne-l-intelligence-
artificielle_4695929_4408996.html