Glossaire

Apprentissage profond

Qu’est-ce que 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.

Thèmes

réseaux de neurones
apprentissage automatique
bases 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

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 automatique

L’apprentissage automatique (machine learning) est une branche de l’intelligence artificielle dans laquelle les ordinateurs déduisent des régularités à partir de données au lieu de recevoir chaque règle explicitement programmée. Selon la tâche, les modèles apprennent à partir d’exemples étiquetés (supervisé), de données non étiquetées (non supervisé) ou par récompense (par renforcement). Les applications vont des filtres anti-spam aux prévisions de demande et aux recommandations de produits. La qualité dépend fortement du volume et de la qualité des données d’entraînement.

fondamentaux
IA
+1

Réseau de neurones convolutif (CNN)

Un réseau de neurones convolutif (CNN, Convolutional Neural Network) est une architecture de réseau de neurones particulièrement adaptée aux images. Il parcourt l'entrée avec de petits filtres : les premières couches repèrent des caractéristiques simples comme les contours, les couches plus profondes des formes plus complexes. Les CNN ont marqué la reconnaissance d'images pendant des années et servent par exemple à détecter des défauts sur des photos de produits ou à analyser des images médicales.

réseau de neurones
reconnaissance d'images
+1

Transformer

Le Transformer est une architecture de réseau de neurones présentée en 2017 dans l'article de recherche « Attention Is All You Need ». Son cœur est le mécanisme d'attention : chaque mot est pondéré par rapport à tous les autres mots du texte, et le calcul se parallélise efficacement. Les Transformers sont à la base des modèles de langage actuels comme GPT, Claude ou BERT et servent aussi pour l'image et l'audio.

Architecture
Deep learning
+1