Introduction

Effectué

Deep Learningest une forme avancée de Machine Learning qui tente d'imiter la façon dont le cerveau humain apprend.

Dans votre cerveau, vous avez des cellules nerveuses appelées neurones, qui sont connectées les unes aux autres par des extensions nerveuses qui passent des signaux électrochimiques via le réseau.

Lorsque le premier neurone du réseau est stimulé, le signal d’entrée est traité et, s’il dépasse un seuil particulier, le neurone est activé et transmet le signal aux neurones auxquels il est connecté. Ces neurones peuvent ensuite être activés et transmettre le signal au reste du réseau. Au fil du temps, les connexions entre les neurones sont renforcées par une utilisation fréquente, car vous apprenez à réagir efficacement. Par exemple, si quelqu’un vous lance une balle, vos connexions neurones vous permettent de traiter les informations visuelles et de coordonner vos mouvements pour attraper la balle. Si vous effectuez cette action à plusieurs reprises, le réseau de neurones impliqué dans l’interception d’une balle augmente au fur et à mesure que vous découvrez comment mieux rattraper une balle.

Le Deep Learning émule ce processus biologique à l’aide de réseaux neuronaux artificiels qui traitent des entrées numériques plutôt que des stimulis électrochimiques.

Les connexions de nerfs entrantes sont remplacées par des entrées numériques qui sont généralement identifiées comme x. Quand il existe plusieurs valeurs d’entrée, x est considéré comme un vecteur avec des éléments nommés x₁, x₂, et ainsi de suite.

Une pondération weight (w) est associée à chaque valeur x pour renforcer ou affaiblir l’effet de la valeur x afin de simuler l’apprentissage. En outre, une entrée de biais bias (b) est ajoutée pour permettre un contrôle affiné sur le réseau. Pendant le processus d’apprentissage, les valeurs w et b sont ajustées pour paramétrer le réseau afin qu’il « apprenne » à produire des sorties correctes.

Le neurone lui-même encapsule une fonction qui calcule une somme pondérée de x, w et b. Cette fonction est à son tour placée dans une fonction activation qui limite le résultat (souvent à une valeur comprise entre 0 et 1) pour déterminer si le neurone passe une sortie sur la couche suivante de neurones dans le réseau.