Quelle Est La Différence Entre Machine Learning Et Deep Learning ? [PDF]

Zitiervorschau

Quelle est la différence entre Machine learning et Deep learning ?

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.

Deep Learning vs Machine Learning : quelles sont leurs différences ?

Le Machine learning (apprentissage automatique) est la technologie la plus ancienne et la plus simple. Elle s’appuie sur un algorithme qui adapte lui-même le système à partir des retours faits par l’humain. La mise en place de cette technologie implique l’existence de données organisées. Le système est ensuite alimenté par des données structurées et catégorisées lui permettant de comprendre comment classer de nouvelles données similaires. En fonction de ce classement, le système exécute ensuite les actions programmées. Il sait par exemple identifier si une photo montre un chien ou un chat et classer le document dans le dossier correspondant. 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 luimême 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. Chaque couche a sa propre fonctionnalité et effectue des extractions de caractéristiques et découvre des modèles cachés. Il existe 4 types de RNN, à savoir: un à un, un à plusieurs, plusieurs à un et plusieurs à plusieurs. 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, Prédiction de séries chronologiques, traduction automatique, etc. 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. *un corps cellulaire, appelé péricaryon

Le réseau de neurones convolutifs (CNN) est une classe de réseaux de neurones profonds. Ce qui est le plus couramment appliqué à l'analyse des images visuelles. Contrairement aux réseaux de neurones, où l'entrée est un vecteur, ici l'entrée est une image multicanal. Les CNN utilisent une variante de perceptrons multicouches conçue pour nécessiter un pré-traitement minimal. Les réseaux neuronaux récurrents (RNN) sont un type de réseau neuronal artificiel conçu pour reconnaître des modèles dans des séquences de données, telles que le texte, les génomes, l'écriture manuscrite, le mot parlé, les données de séries chronologiques numériques. Les réseaux de neurones récurrents utilisent un algorithme de rétropropagation pour l'entraînement En raison de leur mémoire interne, la mémoire interne, les RNN sont capables de se souvenir de choses importantes sur les entrées qu'ils ont reçues, ce qui leur permet d'être très précis pour prédire ce qui va suivre . 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 microcontrollers, large networked or workstation-based systems.



Also, it can be implemented in hardware, software or a combination of both.