Deep learning
Présentation et atouts
Le deep learning est un sous-ensemble du machine learning qui entraîne un ordinateur à effectuer des tâches comme un humain, telles que la reconnaissance vocale, l'identification d'images et la réalisation de prédictions. Il améliore la capacité à classer, à reconnaître, à détecter et à décrire en utilisant des données. A ce jour, l'intérêt pour le deep learning est dû, en partie, à l'effervescence qui entoure l'intelligence artificielle (IA).
Pensez aux systèmes quotidiens tels que Siri, Cortana ou ChatGPT. Ceux-ci sont alimentés, en partie, par l'apprentissage en profondeur.
Comment fonctionne le deep learning
Le deep learning modifie la façon dont vous pensez à la représentation des problèmes que vous résolvez. Avec le deep learning et ses algorithmes profonds, les données entraînent l'ordinateur à apprendre par lui-même en reconnaissant des modèles à l'aide de couches de traitement. Si vous n'avez jamais entendu parler du deep learning, vous vous demandez peut-être comment tout cela fonctionne.
Disons que vous créez un outil qui différencie le persil de la coriandre. Deux herbes totalement différentes. Avec le machine learning, vous devez indiquer à l'outil quelles caractéristiques peuvent être différenciant. Dans notre cas, on pourrait penser au type de feuilles. Mais avec le deep learning, les caractéristiques sont déjà identifiées par des réseaux neuronaux. Tout cela est réalisé par un processus d'apprentissage automatisé et non supervisé.
La promesse du deep learning est de conduire à des systèmes prédictifs qui se généralisent bien, s'adaptent bien, et s'améliorent constamment au fur et à mesure que de nouvelles données arrivent.
Le Deep Learning pour la Préservation des Animaux
Comment un ordinateur peut-il "voir" une image ? Jared Peterson, Manager Senior de la R&D SAS Advanced Analytics, montre comment les réseaux neuronaux du deep learning constituent la science qui sous-tend la vision par ordinateur.
Dans cet exemple de deep learning, le programme informatique apprend à reconnaître les traces d'animaux pour aider à leur préservation.
Évolution du deep learning
Au fil des années, les interfaces homme-machine ont beaucoup évolué. La souris et le clavier sont remplacés par le geste, le glissement, le toucher et la parole, ce qui suscite un regain d'intérêt pour l'IA et le deep learning.
Plusieurs développements font aujourd'hui progresser le deep learning :
- Les améliorations analytiques ont dopé les performances des méthodes de deep learning.
- De nouvelles approches de machine learning ont amélioré la précision des modèles de deep learning.
- De nouvelles classes de réseaux neuronaux ont été développées et conviennent parfaitement à des applications telles que la traduction de textes et la classification d'images.
- Beaucoup plus de données sont disponibles pour construire des réseaux neuronaux comportant de nombreuses couches profondes, notamment les flux de données de l'Internet des objets, les données textuelles des réseaux sociaux, les notes des médecins et les transcriptions d'enquête.
- Les progrès informatiques du cloud computing distribué et des unités de traitement graphique (GPU) ont mis à notre disposition une puissance informatique incroyable. Ce niveau de puissance informatique est nécessaire pour entraîner des algorithmes profonds grâce au deep learning.
Possibilités et applications du deep learning
Il faut une grande puissance informatique pour résoudre les problèmes de deep learning. Cela est dû à la nature itérative des algorithmes d'apprentissage profond, à leur complexité lorsque le nombre de couches augmente et aux grands volumes de données nécessaires pour entraîner les réseaux.
La capacité des méthodes de deep learning à s'améliorer et à s'adapter en permanence aux modifications du modèle d'information sous-jacent offre la possibilité d'introduire un comportement plus dynamique dans l'analyse des données.
L'une de ces possibilités est la personnalisation plus poussée de l'analyse client. Par exemple, votre service de streaming préféré crée une liste personnalisée de contenus que vous pourriez aimer en fonction de votre historique.
Si les techniques de deep learning se concentrent actuellement sur les applications de l'informatique cognitive, elles présentent également un grand potentiel dans les applications plus traditionnelles d'analytique des données. Par exemple, l'analyse des séries chronologiques.
Une autre façon d'appliquer le deep learning consiste simplement à rationaliser les opérations analytiques existantes et les rendre plus efficaces. Récemment, SAS a expérimenté les réseaux neuronaux profonds dans des problèmes de transcription de la parole en texte. Comparé aux techniques standard, le taux d'erreurs de mots a diminué de plus de 10 % lorsque des réseaux neuronaux profonds ont été appliqués. Les réseaux neuronaux ont également éliminé une dizaine d'étapes de prétraitement des données, de feature engineering et de modélisation. L'amélioration impressionnante des performances et les gains de temps indiquent un changement de paradigme.
Le deep learning dans le monde d'aujourd'hui
L'impact du deep learning est considérable – et il ne fait que commencer.
Deep learning et GANs : Comment ils s'articulent
Un réseau accusatoire génératif (GAN) est un type d'algorithme d'apprentissage automatique. Les GAN aident les data scientists à créer des données synthétiques pour les modèles d'apprentissage profond gourmands en données. C'est important car l'utilisation de données synthétiques permet de créer des modèles d'apprentissage profond qui n'étaient pas possibles auparavant.
Découvrez comment SAS utilise le deep learning
Ce guide pas à pas compare plusieurs modèles de réseaux neuronaux et explique comment les utiliser. Vous obtiendrez une introduction aux techniques et applications de deep learning et apprendrez comment SAS prend en charge la création de modèles de réseaux neuronaux profonds.
Comment utiliser le deep learning pour intégrer des images
Les modèles d'intégration réduisent la dimensionnalité des données d'entrée, telles que les images. Avec un modèle d'intégration, les images d'entrée sont converties en vecteurs de faible dimension, ce qui facilite leur utilisation par d'autres tâches de vision par ordinateur. L'essentiel est d'entraîner le modèle de manière à ce que des images similaires soient converties en vecteurs similaires.
Comment fonctionne le deep learning
Le deep learning modifie la façon dont vous pensez à la représentation des problèmes que vous résolvez. Il ne s'agit plus de dire à l'ordinateur comment résoudre un problème, mais de l'entraîner à résoudre lui-même le problème.
Représentation des caractéristiques
Le deep learning est un changement de paradigme dans la modélisation qui passe de l'ingénierie du feature engineering au feature representation.
Couches de deep learning
Au lieu d'utiliser des variables connues pour prédire des inconnues, le deep learning se sert des couches de données pour reconnaître les caractéristiques latentes des données.
Résultats du deep learning
La promesse du deep learning est de conduire à des systèmes prédictifs qui se généralisent bien, s'adaptent bien, et s'améliorent constamment au fur et à mesure que de nouvelles données arrivent. Vous ne rentrez plus dans un modèle. Vous entraînez la tâche.
Une approche analytique traditionnelle consiste à utiliser les données disponibles pour concevoir des caractéristiques permettant de dériver de nouvelles variables, puis à sélectionner un modèle analytique et enfin à estimer les paramètres (ou les inconnues) de ce modèle. Ces techniques peuvent produire des systèmes prédictifs qui ne se généralisent pas bien, car l'exhaustivité et l'exactitude dépendent de la qualité du modèle et de ses caractéristiques. Par exemple, si vous développez un modèle de fraude avec le feature engineering, vous commencez par un ensemble de variables, et vous obtenez très probablement un modèle à partir de ces variables en utilisant des transformations de données. Vous pouvez vous retrouver avec 30 000 variables dont dépend votre modèle, puis vous devez façonner le modèle, déterminer quelles variables sont significatives, lesquelles ne le sont pas, et ainsi de suite. Si vous ajoutez des données supplémentaires, vous devez tout recommencer.
La nouvelle approche du deep learning consiste à remplacer la formulation et la spécification du modèle par des caractérisations hiérarchiques (ou couches) qui apprennent à reconnaître les caractéristiques latentes des données à partir des régularités des couches.
L'Analytique Avancée de SAS
Le deep learning n'est qu'une technique parmi d'autres dans la boîte à outils du data scientist. Découvrez d'autres techniques d'analytique avancée, notamment la prévision, l'analyse textuelle et l'optimisation.
Lecture recommandée
-
ARTICLE
Detect and prevent banking application fraudCredit fraud often starts with a falsified application. That’s why it’s important to use analytics starting at the entrance point. Learn how analytics and machine learning can detect fraud at the point of application by recognizing the biggest challenge – synthetic identities.
-
ARTICLE
5 ways to measure beehive health with analytics and hive-streaming dataThis analytical approach to understanding bee hive health can automatically alert beekeepers to changes in hive weights, temperatures, flight activity and more.
-
ARTICLE
Your personal data scientistImagine pushing a button on your desk and asking for the latest sales forecasts the same way you might ask Siri for the weather forecast. Find out what else is possible with a combination of natural language processing and machine learning.