Un algorithme de deep learning est essentiel pour entraîner les machines dans le but d’exécuter des calculs complexes sur de grandes quantités de données. Il s’agit d’une catégorie de machine learning qui se base sur le fonctionnement d’un cerveau humain.
Certains décrivent le deep learning comme un réseau de neurones multicouche. Mais pour être plus exact, il utilise différentes couches de réseaux pour traiter des données en fonction de leurs différents niveaux de caractéristiques. Autrement dit, les données sont transmises d’une couche à une autre pour affiner leur traitement et leur compréhension.
En effet, un algorithme de deep learning est constitué de différentes couches de réseaux neuronaux. Ils servent à traiter des informations spécifiques à partir d’un ensemble de données.
Les réseaux neuronaux convolutifs (CNN)
Les premiers réseaux neuronaux convolutifs, appelés LeNet, ont été développés en 1988 par Yann LeCun. Il s’agit d’un type de réseau utilisé pour le traitement d’images dont la plupart est de nature satellite ou médicale, et la détection d’objets. entre autres, l’utilisation des CNN permet de prévoir des séries temporelles ou de détecter les différentes anomalies dans les données.
Les réseaux neuronaux récurrents (RNN)
La connexion entre les couches de réseaux dans le RNN forme des cycles dirigés. Autrement dit, cet algorithme de deep learning utilise la sortie d’une couche en tant que nouvelle entrée pour une autre couche. Généralement, les réseaux neuronaux récurrents sont conçus pour sous-titrer des images, traiter le langage naturel ou pour la traduction automatique. De plus, ils servent à interpréter les informations temporelles ou séquentielles.
Les réseaux de mémoire à long terme et à court terme (LSTM)
Les LSTM sont des types de réseaux neuronaux récurrents capables d’apprendre et de mémoriser des dépendances à long terme. Ce sont les sorties de ces réseaux que les RNN mémorisent et dont ils se servent comme nouvelles entrées. En plus des utilisations communes aux RNN, les réseaux de mémoire à long terme et à court terme sont utilisés dans la reconnaissance vocale, la composition musicale ou le développement de nouveaux médicaments.
Les réseaux antagonistes génératifs (GAN)
Il s’agit de l’algorithme de deep learning derrière la Generative AI. Entre autres, les GAN permettent de créer de nouvelles instances de données qui ressemblent aux données sur lesquelles ils ont été formés. Les réseaux antagonistes génératifs sont composés d’un générateur et d’un discriminateur. Ils servent à différentes fins tels que la création ou l’amélioration d’images, la génération de texte, etc.
Les réseaux à fonctions de base radiale (RBFN)
Les RBFN sont des types de réseaux neuronaux à propagation avant qui utilisent des fonctions de bases radiales comme activation. Ces réseaux comportent une couche d’entrée et de sortie, ainsi que d’une couche cachée. Les réseaux à fonctions de base radiale servent également à la prédiction de séries chronologiques, en plus de la classification et de la régression.
Machines de Boltzmann restreintes (RBM)
Les machines de Boltzmann restreinte sont des réseaux neuronaux stochastiques formés à partir d’un calcul de probabilité sur un ensemble d’entrées. Ils permettent de réduire la dimensionnalité. De plus, ils s’appliquent également au filtrage collaboratif, à l’apprentissage de fonctionnalités ou à la modélisation de sujets.
Les réseaux de croyance profonds (DBN)
Il s’agit d’un modèle génératif constitué de couches de variables stochastiques et latentes. Les DBN sont constitués de RBM qui communiquent à la fois avec les couches qui les précèdent et celles qui les succèdent. Cet algorithme de deep learning se déploie dans la reconnaissance d’images et de vidéos ainsi que les données de capture de mouvement.
Les perceptrons multicouches (MLP)
Pour les programmeurs qui débutent dans le deep learning, les MLP présentent un excellent point de départ. Il s’agit aussi de réseaux neuronaux à propagation avant, avec plusieurs couches de perceptrons qui disposent de fonctions d’activation. Entièrement connectées, le nombre de couches d’entrées et de sorties est le même. D’autre part, les couches cachées peuvent être plus ou moins nombreuses. Leurs domaines d’application sont la reconnaissance de voix et d’images et les logiciels de traduction automatique.
Les cartes auto-organisées (SOM)
Avec des réseaux de neurones qui s’organisent eux-mêmes, les SOM permettent de visualiser les données afin de réduire leur dimension. Par ailleurs, ils sont essentiels à la compréhension des données de grande dimension.
Les auto-encodeurs
Tout comme les RBFN et les MLP, ce sont des types de réseaux neuronaux à propagation avant. Ils ont été conçus pour l’apprentissage non supervisé dans la découverte de nouveaux traitements médicaux, le traitement d’images et la prédiction de popularité.
- Partager l'article :
