À propos de l'apprentissage profond en tant que sous-ensemble de l'apprentissage automatique et de l'IA

Dans son billet de blogue About Deep learning as subset of machine learning and AI, Ryan Potter considères que l'apprentissage profond est un sous-ensemble de l'apprentissage machine et de l'intelligence artificielle.

Il dresse le portrait de 10 différents méthodes de l'apprentissage profond couramment utilisées.  En voici un résumé:

1. Réseaux de neurones convolutifs : les réseaux de neurones convolutifs sont des réseaux de neurones multicouches principalement utilisés pour le traitement d'images et la détection d'objets.

2. Réseaux longs de mémoire à court terme:  des dépendances à long terme peuvent être apprises et mémorisées grâce à ce type de réseau, lequel est une sorte de réseau neuronal récurrent. La reconnaissance vocale, la création musicale et le développement pharmaceutique sont tous des utilisations courantes ce type de réseau.

3. Réseaux de neurones récurrents : le sous-titrage d'images, l'analyse de séries chronologiques, le traitement du langage naturel, l'identification de l'écriture manuscrite et la traduction automatique sont tous des utilisations typiques des réseaux de neurones récurrents.

4. Réseaux antagonistes génératifs : les réseaux antagonistes génératifs utilisent des algorithmes génératifs d'apprentissage profond qui génèrent de nouvelles instances de données similaires aux données d'entraînement. Les réseaux antagonistes génératifs aident à la création d'images réalistes et de personnages de dessins animés, ainsi qu'à la création de photos de visages humains et au rendu d'objets en trois dimensions.

5. Réseaux de fonction de base radiale : ces réseaux sont utilisés pour la classification, la régression et la prédiction de séries chronologiques et ont une couche d'entrée, une couche cachée et une couche de sortie.

6. Perceptrons multicouches : les perceptrons multicouches sont un type de réseau de neurones à action anticipée qui se compose de plusieurs couches de perceptrons avec des fonctions d'activation.

7. Cartes auto-organisatrices : les cartes auto-organisatrices permettent la visualisation des données en utilisant des réseaux de neurones artificiels auto organisés pour réduire la dimensionnalité des données. Les cartes auto-organisatrices sont conçus pour aider les consommateurs à comprendre ces données multidimensionnelles.

8. Réseaux de croyances profondes : les réseaux de croyances profondes sont des modèles génératifs avec plusieurs couches de variables stochastiques et latentes. Ces réseaux sont utilisés pour l'identification d'images, la reconnaissance vidéo et les données de capture de mouvement.

9. Machines de Boltzmann restreintes : les machines de Boltzmann restreintes sont des réseaux de neurones stochastiques qui peuvent apprendre d'une distribution de probabilité sur un ensemble d'entrées.

10. Auto encodeurs : Il s'agit d'une sorte de réseau de neurones à action directe où l'entrée et la sortie sont les mêmes. Les auto-encodeurs sont utilisés dans une variété d'applications, y compris la découverte de médicaments, la prédiction de popularité et le traitement d'images.

Donc voila un résumé des 10 techniques d'apprentissage profond couramment utilisées.  À mon avis, les réseaux de neurones convolutifs sont certainement très utilisés de nos jours, ainsi que les réseaux de neurones récurrents.

Quels méthodes d'apprentissage profond avez-vous utilisé dans le passé et pour accomplir quelle tâche?

Pour en savoir plus sur la science de données, vous pouvez consulter la page Science de données, laquelle est entièrement consacrée à ce fascinant domaine.