Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Les différents algorithmes de Deep Learning Plusieurs types d'algorithmes sont

Les différents algorithmes de Deep Learning Plusieurs types d'algorithmes sont utilisés en apprentissage profond. Chaque algorithme possède ses propres spécificités et applications. Réseaux neuronaux convolutifs (CNN) Également appelés ConvNets, les CNN sont constitués d'une multitude de couches chargées de traiter et d'extraire les caractéristiques des données. De manière spécifique, les réseaux neuronaux convolutifs sont utilisés pour l'analyse et la détection d'objets. Ils peuvent donc servir par exemple à reconnaître des images satellites, traiter des images médicales, détecter des anomalies ou prédire des séries chronologiques. Réseaux neuronaux récurrents (RNN) Les réseaux neuronaux récurrents possèdent des connexions qui constituent des cycles dirigés. Cela permet aux sorties du LSTM d'être exploitées comme entrées au niveau de la phase actuelle. La sortie du LSTM se transforme en une entrée pour la phase actuelle. Elle peut donc mémoriser les entrées précédentes à l'aide de sa mémoire interne. Dans la pratique, les RNN sont utilisés pour le sous-titrage d'images, le traitement du langage naturel et la traduction automatique. Réseaux de fonction de base radiale (RBFN) Ces algorithmes sont des réseaux neuronaux feedforward assez particuliers. Ils exploitent des fonctions de base radiales en tant que fonctions d'activation. Ils sont constitués d'une couche d'entrée, d'une couche cachée et d'une couche de sortie. Généralement, les RBFN sont utilisés dans la classification, la prédiction des séries temporelles et la régression linéaire. Réseaux de mémoire à long et court terme (LSTM) Les LSTM sont des dérivés de RNN. Ils peuvent apprendre et mémoriser des dépendances sur une longue durée. Les LSTM conservent ainsi les informations mémorisées sur le long terme. Ils sont particulièrement utiles pour prédire des séries chronologiques, car ils se rappellent des entrées précédentes. Outre ce cas d'utilisation, les LSTM sont également utilisés pour composer des notes de musique et reconnaître des voix. Réseaux adversariaux génératifs (GAN) Les GAN créent de nouvelles instances de données qui s'apparentent aux données d'apprentissage profond. Ils possèdent deux principaux composants : un générateur et un discriminateur. Si le générateur apprend à produire des informations erronées, le discriminateur, quant à lui, apprend à exploiter ces fausses informations. Les GAN sont généralement utilisés par les créateurs de jeux vidéo pour améliorer les textures 2D. Machines de Boltzmann restreintes (RBM) C'est le professeur Geoffrey Hinton qui a développé cet algorithme. En d'autres termes, les machines de Boltzmann restreintes sont des réseaux neuronaux stochastiques constitués de deux couches : unités visibles et unités cachées. Ces réseaux artificiels sont capables d'apprendre en partant d'une distribution de probabilité sur un ensemble d'entrées. Néanmoins, il est important de souligner que la liste d'algorithmes présentés ci-dessus n'est pas exhaustive. Il en existe en effet d'autres types comme :  les auto-encodeurs,  les réseaux de croyance profonds (DBN),  les perceptrons multicouches (MLP). uploads/Ingenierie_Lourd/ les-differents-algorithmes-de-deep-learning.pdf