Glossaire

Réseaux de croyance profonds (DBN)

Qu’est-ce que Réseaux de croyance profonds (DBN) ?

Les réseaux de croyance profonds (Deep Belief Networks, DBN) sont des réseaux de neurones formés de plusieurs couches empilées, pré-entraînées couche par couche de façon non supervisée, généralement sous forme de machines de Boltzmann restreintes. Geoffrey Hinton et ses collègues ont présenté la méthode en 2006 ; elle a montré que des réseaux profonds pouvaient être entraînés efficacement et a ainsi contribué à l'essor du deep learning. En pratique, les DBN ont depuis été largement remplacés par d'autres architectures.

Thèmes

réseaux de neurones
apprentissage profond
histoire de l'IA

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Apprentissage profond

L'apprentissage profond (deep learning) est une branche de l'apprentissage automatique qui utilise des réseaux de neurones artificiels à nombreuses couches. Ces réseaux apprennent eux-mêmes, à partir de grandes quantités de données, quelles caractéristiques comptent – des contours dans les images aux liens de sens dans les textes. Il est à la base des modèles de langage actuels, de la reconnaissance d'images et de la parole ainsi que de la traduction automatique, et exige généralement beaucoup de puissance de calcul et de données.

réseaux de neurones
apprentissage automatique
+1

Réseaux de neurones artificiels (RNA)

Les réseaux de neurones artificiels (RNA) sont des modèles de calcul composés de nombreuses unités connectées (« neurones »), organisées en couches, qui traitent les entrées via des connexions pondérées. Pendant l'entraînement, les poids sont ajustés progressivement à partir d'exemples, le plus souvent par rétropropagation. Les RNA sont à la base de l'apprentissage profond et se retrouvent dans la reconnaissance d'images et de la parole ainsi que dans les grands modèles de langage. Malgré leur inspiration biologique, ils fonctionnent bien plus simplement que le cerveau humain.

Apprentissage profond
Fondamentaux IA
+1

Apprentissage non supervisé

En apprentissage non supervisé, un modèle reçoit des données sans réponses correctes prédéfinies et recherche lui-même des structures. Les méthodes typiques sont le clustering, qui regroupe les enregistrements similaires, et la réduction de dimension, qui condense de nombreuses variables en quelques-unes essentielles. Les entreprises s'en servent pour découvrir des segments de clientèle ou repérer des transactions inhabituelles ; les groupes obtenus doivent ensuite être interprétés par des experts métier.

Machine learning
Clustering
+1