NOMBRES - Curiosités, théorie et usages Accueil DicoNombre Rubriques Nouveautés Édition du: 13/04/2023 Orientation générale  DicoMot Math Atlas Actualités M'écrire Barre de recherche DicoCulture Index alphabétique Références Brèves de Maths
	LOGIQUE
Débutants Algorithme	Intelligence artificielle			Glossaire Algorithme
INDEX Logique Multimédia	Introduction	Algorithmes	Jeux	Théorie
	Programmation	Machine de Turing	Systèmes experts	Rx neuronaux
		Automate	Lambda-calcul
		Machine learning & Deep learning
		Sommaire de cette page >>> Machine ou deep learning >>> Apprentissage profond >>> Limitations

MACHINE LEARNING

& DEEP LEARNING

Quelle est la différence entre ces deux types d'intelligence artificielle ?

Voir Traitement automatique de l'information / Réseaux de neurones

Voir Dilemme de Sita – Amusement, sérieux.

Machine ou deep learning		haut
Le machine learning, ou apprentissage automatique, est défini par la CNIL comme: un champ d’étude de l’intelligence artificielle qui vise à donner aux machines la capacité d’apprendre à partir de données, via des modèles mathématiques. Autrement dit, il s’agit d’apprendre automatiquement de nombreuses règles à des outils technologiques, sur la base de nombreuses autres données. Ce concept s’oppose à la programmation, qui est un ensemble de règles prédéfinies à appliquer.	La CNIL définit le deep learning, ou apprentissage profond, sous-domaine du machine learning, comme: un procédé d’apprentissage automatique utilisant des réseaux de neurones possédants plusieurs couches de neurones cachées. il Il tente d'imiter le comportement du cerveau humain. Ce procédé demandent un nombre très important de données afin d’être entraînés.

Apprentissage profond
Pour réaliser un logiciel de Deep Learning, il faut: de nombreuses couches de neurones, et donc, une grande capacité de traitement; et de longues séances d'entrainement à partir de quantités d'exemples et donc, une grande masse de données (Big Data).	Les algorithmes de FaceBook ou Google comptent entre 1000 et 2 500 couches. Un logiciel de reconnaissance faciale, par exemple, va utiliser entre 100 000 à un millions d'images de référence.
Du fait de la méthode employée – organisation progressive des paramètres de traitement – il est difficile de suivre ce qui se passe en interne du processus.	Certaines applications critiques imposent le contrôle du processus – légal, finance, santé … – dans ces cas, il faut absolument maîtriser toute la chaine de traitement.

Limitation du Deep Learning

On peut rencontrer des difficultés de réalisation du Deep Learning si:

Insuffisance de capacité de calcul,

Pas assez d'échantillons proposés à l'apprentissage, et

Difficulté à remonter et à expliquer la chaine des traitements.

Suite	Réseaux de neurones Affichage de l'heure – Exemple Algorithme – Glossaire Algorithmes – Les avancées modernes Programmation – Index SAT (Satisfaction booléenne) Apprentissage et jeu de Go Algorithme et humanité – Le Théorème d'hypocrite
Voir	Algorithmes fourmis Automate Cerveau Dualité Énigmes et paradoxes Incomplétude Intelligence Logique – Index	Multimédia et informatique – Index Outils de la logique Puissance de calcul Puzzles et énigmes – Index Raisonnement Réseaux Systèmes experts
Histoire	Événement des années 1900 Événements chronologiques Grands Hommes – Index Histoire de l'informatique Histoire de l'intelligence artificielle Histoire des mathématiques et des sciences Histoire des ordinateurs
Site	Demain, un ordinateur inspiré de notre cerveau? – Hugo Leroux – 12.01.2018 – CNRS, le journal Intelligence artificielle : La différence entre Machine Learning & Deep Learning – Myriam Emilion – afjv Neural Networks – 3Blue1Brown – YouTube
Cette page	http://villemin.gerard.free.fr/Wwwgvmm/Logique/DeepLear.htm