Académique Documents
Professionnel Documents
Culture Documents
Le Machine Learning est un sous domaine de l’Intelligence Artificielle et le Deep Learning est un sous
domaine du Machine Learning.
Dans le Machine Learning, vous allez utiliser des algorithmes qui vont vous permettre de prédire
quelque chose. Cela peut être prédire le salaire de quelqu’un en fonction de son nombre d’années
d’expérience ou alors prédire si quelqu’un va acheter un produit en fonction de son niveau de
salaire, son age, son sexe etc.
En fonction des prédictions que vous voulez construire, vous allez utiliser un certain type
d’algorithme. Il y a ce qu’on appelle des modèles de régressions, de classifications, de reinforcement
learning. Chacun de ces modèles vont vous permettre de résoudre un problème différent.
Le Deep Learning est un sous domaine très utilisé du Machine Learning. Par exemple, Facebook
utilise le Deep Learning pour reconnaître un visage sur photo lorsque vous essayez de taguer
quelqu’un. Parmi les modèles du Deep Learning, vous avez par exemple L’Artificial Neural Network
(ANN) qui mimique en fait ce qu’il se passe dans notre cerveau pour pouvoir prendre des décisions.
Le Machine learning et le Deep learning font partie de l’intelligence artificielle. Ces approches ont
toutes deux pour résultat de donner aux ordinateurs la capacité de prendre des décisions
intelligentes. Cependant, le Deep learning est une sous-catégorie du Machine learning, car il s’appuie
sur un apprentissage sans surveillance.
Après une première phase d’utilisation, l’algorithme est optimisé à partir des feedbacks du
développeur, qui informent le système des classifications erronées et lui indiquent les bonnes
catégories.
Le Deep learning (apprentissage profond) n’a pas besoin de données structurées. Le système
fonctionne à partir de plusieurs couches de réseaux neuronaux, qui combinent différents algorithmes
en s’inspirant du cerveau humain. Ainsi, le système est capable de travailler à partir de données non
structurées.
Cette approche est particulièrement adaptée pour les tâches complexes, lorsque tous les aspects des
objets à traiter ne peuvent pas être catégorisés en amont. Le système du Deep learning identifie lui-
même les caractéristiques discriminantes. Dans chaque couche, il recherche un nouveau critère
spécifique de l’objet, qui sert de base pour décider de la classification retenue pour l’objet à la fin du
processus.
Important : avec le Deep learning, le système identifie lui-même les caractéristiques discriminantes
des données, sans avoir besoin d’une catégorisation préalable. Le système n’a pas besoin d’être
entraîné par un développeur. Il évalue lui-même le besoin de modifier le classement ou de créer des
catégories inédites en fonction des nouvelles données.
Tandis que le Machine learning fonctionne à partir d’une base de données contrôlable, le Deep
learning a besoin d’un volume de données bien plus considérable. Le système doit disposer de plus
de 100 millions d’entrées pour donner des résultats fiables.
Par ailleurs, la technologie nécessaire pour le Deep learning est plus sophistiquée. Elle exige plus de
ressources IT et s’avère nettement plus coûteuse que le Machine learning : elle n’est donc pas
intéressante, du moins à l’heure actuelle, pour une utilisation de masse par les entreprises.
CNN vs RNN :
CNN est un réseau de neurones à feed forward généralement utilisé pour la reconnaissance d'images
et la classification d'objets. Tandis que RNN fonctionne sur le principe de sauvegarder la sortie d’une
couche et de la restituer à l’entrée afin de prédire la sortie de la couche.
CNN considère uniquement l'entrée actuelle, tandis que RNN considère l'entrée actuelle ainsi que les
entrées précédemment reçues. Il peut mémoriser les entrées précédentes en raison de sa mémoire
interne.
CNN a 4 couches, à savoir: couche de convolution, couche ReLU, pooling et couche entièrement
connectée.
RNN peut gérer des données séquentielles alors que CNN ne le peut pas.
Dans RNN, les états précédents sont alimentés en entrée de l'état actuel du réseau. RNN peut être
utilisé en PNL,
Les réseaux de neurones artificiels ou RNN sont des modèles mathématiques inspirés de la biologie
Les dendrites sont les capteurs du neurone. Elles transmettent l'influx nerveux (l'information) généré
par des stimuli de leur extrémité au péricaryon. On dit que le flux est centripète.
FUZZY LOGIC
Fuzzy Logic (FL) is a method of reasoning that resembles human reasoning. This approach is similar
to how humans perform decision making. And it involves all intermediate possibilities between YES
and NO.
The Fuzzy logic works on the levels of possibilities of input to achieve a definite output.
Now, talking about the implementation of this logic:
It can be implemented in systems with different sizes and capabilities such as micro-
controllers, large networked or workstation-based systems.