Apprentissage profond

L’apprentissage profond (aussi connu sous le nom Deep Learning, ou apprentissage structuré en profondeur ou apprentissage hiérarchique) fait partie d’une famille plus large de méthodes d’apprentissage automatique basées sur l’apprentissage des représentations de données, par opposition aux algorithmes spécifiques aux tâches. L’apprentissage peut être supervisé, semi-supervisé ou non supervisé.

Certaines représentations se basent sur l’interprétation des schémas de traitement et de communication de l’information dans un système nerveux biologique, comme le codage neuronal qui tente de définir une relation entre divers stimuli et les réponses neuronales associées dans le cerveau.

Des architectures d’apprentissage approfondi telles que les réseaux neuronaux profonds, les réseaux de croyances profondes et les réseaux neuronaux récurrents ont été appliqués à des domaines tels que la vision par ordinateur, la reconnaissance vocale, le traitement du langage naturel, la reconnaissance audio, le filtrage des réseaux sociaux, la traduction automatique, la bio-informatique et la conception de médicaments, où ils ont produit des résultats comparables et parfois supérieurs aux experts humains.