THEME
DEEP LEARNING
Les nouveautés sur le Deep Learning
Data science 4 2024 - 2025
N NOMS ET PRÉNOMS MATRICULES
EYAGA TABI JEAN FRANCOIS REGIS 20C0216EP
1
NGABIKOE EBANDA ROGER ALEX 23ENSPM0483
2
Enseignant : M. WARDA
Plan de Présentation
1 Introduction 2 Fondamentaux du Deep
Learning
Transition vers les 4 Avancées récentes
3
nouveautés
Applications Défis et limites
5 6
révolutionnaires
7 Perspectives futures 8 Conclusion
Le Deep Learning
01
Une technique avancée d’apprentissage
automatique qui utilise des réseaux de neurones
artificiels profonds pour résoudre des problèmes
complexes.
Capable d’apprendre à partir de grandes quantités
de données, sans règles explicites codées par
l’humain.
Initiation du fonctionnement du cerveau humain
dans le traitement de l’information.
Pourquoi est il si important ?
A Moteur des grandes avancées de
B Permet des performances
l’IA moderne(reconnaissance surpassant souvent l’humain
vocale) dans les taches spécifiques
C Utilisé dans des domaines
critiques : santé, finance,
industrie, cybersécurité
DEUXI ÈME PA RTI E
02
Fondamentaux du
Deep Learning
Pourquoi revenir aux bases ?
Notion de imput ; valeur d entrée
Notion de output: valeur de sortis
Notion hidden: Couche profond
Historique et evolution du deep learning
HISTORIQUES DES RN
PER
CEP
LST
1943 date de creation du premier neuron TRO M Creer en 1997
artificial par N
Et le perceptron Lui fut cree par FRANCK
ROSENBLATT
1 9 8 6 c e f u t l a c r e a t i o n d u MLP RNN Recursive Neural
p e r c e p t r o n m u l t i C o u c h e p a r
Network
G E O F F R E Y H i n t o n
hybri
CNN d
Convolutional Neural Pour resource des
Network fut creer par LeNet
problemes plus complex
N O T I O N D E O U T P U T , I M P U T , H I D D E N L AY E R
N O T I O N D E F O N C T I O N D A C T I V AT I O N
T R O I S I È M E PA RT I E
03
Tr a n s i s t i o n
vers la
nouveaute
Pourquoi innover ?
Limitations des modèles classiques : temps de calcul, interprétabilité.
Besoins émergents : multimodalité, éthique.
Phrase clé : 'Le deep learning évolue pour répondre à des défis complexes.'
Q UAT R I È M E PA RT I E
04
AVANCEE
REVOLUTIONNAI
RE
01 Transformers :
• Origine (Attention is All
You Need, 2017)
• Applications : GPT-4,
BERT, modèles
multimodaux (ex. : DALL-
E)
02 Modèles génératifs :
• Diffusion Models
(ex. : Stable
Diffusion)
• GANs évolués (ex. :
StyleGAN3)
03 Optimisation des coûts :
• Quantification, pruning,
knowledge distillation
• Exemples : TinyML,
MobileNet
04 Apprentissage auto-
supervisé :
• Réduction du
besoin en données
étiquetées (ex. :
SimCLR)
05 Fusion de modalités :
texte, image, son.
Modèles comme :
• CLIP (OpenAI)
• Flamingo (DeepMind)
Elevenlabs
06 Applications :
• Chatbots visuels
• Assistants IA
Exemple d'application
: génération d'images
à partir de texte.
05 Applications révolutionnaires
Robot chirugie &
Nanito cure
IRM CNN Assisted
Recommend System
IA ASSITANT
IA CONVERSATIONNEL POUR SUIVIE DES
PATIENT Optimization de la productivite et gain en temps
OPTIMISATION DE LA MEDICINE (MEDECINE DE PRECISION
SIXI ÈME PA RTIE
Défis et limites
06
LIMITE DU DEEP LEARNING
Q UN
SYSTEME EN BOITE NECESSITE DE GROS
NOIR VOLUME DE DONNE
SOUVENT TRES COMPLEX
TRES VORACE EN
ET PAS TRES
MATIERE DE MÉMOIRE DE
INTERPRETABLE
CALCUL
LIMITE DU DEEP LEARNING
Q UN
S Y S T E M E E N N E C E S S I T E
B O I T E N O I R D E G R O S
V O L U M E D E
D O N N E
SOUVENT TRES
TRES VORACE EN
COMPLEXE ET PAS TRES
MATIERE DE MÉMOIRE DE
INTERPRETABLE
CALCUL
07 PERSPECTIVE FUTURE
Merci d'avoir regardé
