Scribd
Importer
39 vues2 pages

Introduction au Deep Learning et DANN

Le Deep Learning, sous-domaine du Machine Learning, utilise des réseaux de neurones pour permettre aux machines d'apprendre à partir des données sans règles programmées. Popularisé par Geoffrey Hinton en 2006, il a connu un tournant en 2012 avec des succès en reconnaissance d'images. Les applications incluent la reconnaissance faciale, la détection de fraudes et la reconnaissance vocale.

Transféré par

ikbel.dhaouadi1
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats TXT, PDF, TXT ou lisez en ligne sur Scribd
39 vues2 pages

Introduction au Deep Learning et DANN

Le Deep Learning, sous-domaine du Machine Learning, utilise des réseaux de neurones pour permettre aux machines d'apprendre à partir des données sans règles programmées. Popularisé par Geoffrey Hinton en 2006, il a connu un tournant en 2012 avec des succès en reconnaissance d'images. Les applications incluent la reconnaissance faciale, la détection de fraudes et la reconnaissance vocale.

Transféré par

ikbel.dhaouadi1
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats TXT, PDF, TXT ou lisez en ligne sur Scribd

### Résumé détaillé du chapitre 3 : *Deep Learning*

#### 1. **Introduction**
- **Positionnement** :
- Le *Deep Learning* (apprentissage profond) est un sous-domaine du *Machine
Learning*, lui-même inclus dans l'Intelligence Artificielle (IA).
- Il est aujourd'hui l'un des outils les plus performants pour l'apprentissage
automatique grâce à l'utilisation de réseaux de neurones.
- **Historique** :
- Les concepts de réseaux de neurones remontent aux débuts de l'informatique.
- L'approche moderne du Deep Learning a été popularisée par Geoffrey Hinton
dès 2006, après une période où d'autres méthodes avaient dominé.
- Un tournant majeur s'est produit en 2012 avec des résultats impressionnants
sur le concours ImageNet en reconnaissance d’images.

---

#### 2. **Définition**
- Le *Deep Learning* est une méthode d'intelligence artificielle où les machines
apprennent elles-mêmes à partir des données, sans se limiter à des règles
programmées.
- Contrairement au *Machine Learning* classique, le Deep Learning repose sur des
représentations apprises grâce aux *Deep Neural Networks* (DNN), réduisant le
besoin d’ingénierie manuelle des caractéristiques.

---

#### 3. **Réseaux de Neurones (DANN)**


- **Domain Adaptation (DA)** :
- Vise à améliorer la performance des modèles lorsque les distributions des
ensembles de données (source et cible) diffèrent.
- Objectifs :
- *Discrimination* : distinguer entre différentes classes.
- *Invariance de domaine* : mesurer la similarité entre classes dans des
domaines distincts.
- **Domain Adversarial Neural Network (DANN)** :
- Combine données étiquetées (source) et non étiquetées (cible).
- Objectif : prédire des données cibles en entraînant un modèle de manière
contradictoire pour réduire l'erreur sur la source tout en maximisant l’invariance
de domaine.

---

#### 4. **Perceptron Multicouche (Multilayer Perceptron - MLP)**


- **Historique** :
- Le perceptron, créé par Frank Rosenblatt en 1957, est le fondement des
premiers réseaux de neurones artificiels.
- **Caractéristiques** :
- Réseau constitué de couches entièrement connectées.
- Chaque neurone d'une couche est connecté à tous les neurones de la couche
suivante.
- Modèle populaire utilisé dans des bibliothèques comme TensorFlow, Scikit-
Learn, etc.
- **Architecture** :
- Comprend des couches d’entrée, cachées, et de sortie.
- Chaque connexion entre neurones est associée à un poids ajusté pendant
l’entraînement.

---
#### 5. **Exemples et Applications**
- Reconnaissance faciale (e.g., Facebook pour taguer des amis).
- Reconnaissance d’images, détection de fraudes, reconnaissance vocale, etc.

Vous aimerez peut-être aussi