Apprentissage profond (Deep Learning - DL)

Le Deep Learning (DL) est un sous-ensemble transformateur du Machine Learning (ML). Machine Learning (ML) qui permet aux ordinateurs d'apprendre d'apprendre par l'expérience et de comprendre le monde en fonction d'une hiérarchie de concepts. Inspiré par la structure biologique biologique du cerveau humain, l'apprentissage profond utilise des architectures complexes et multicouches appelées réseaux neuronaux (NN) pour traiter de grandes quantités de données. données. Contrairement aux algorithmes traditionnels qui nécessitent souvent une intervention humaine pour définir les règles, les modèles DL automatiquement l'extraction de caractéristiques, identifiant des modèles complexes allant des simples bords d'une image aux significations sémantiques complexes d'un texte. Cette capacité fait de la DL le moteur de nombreuses percées modernes dans les domaines de l'intelligence artificielle (IA), de l'analyse des données et de la gestion de l'information. l'intelligence artificielle (IA), en particulier dans des domaines tels que la vision artificielle (CV) et le traitement du langage naturel (NLP).

Comment fonctionne l'apprentissage profond

Le terme "profond" dans l'apprentissage profond fait référence au nombre de couches cachées dans le réseau neuronal. Alors qu'un réseau simple peut avoir une ou deux couches, les modèles profonds peuvent en avoir des dizaines, voire des centaines. Chaque couche se compose de nœuds, ou neurones, qui traitent les données d'entrée à l'aide des les poids du modèle et une fonction d'activation, telle que ReLU ou Sigmoïde. Au cours de la phase d'apprentissage, le modèle est exposé à des ensembles de données étiquetés. données étiquetées et il ajuste ses ajuste ses paramètres internes afin de minimiser les erreurs.

Cet ajustement est réalisé par un processus appelé rétro-propagation, qui calcule le gradient de la fonction de perte. la fonction de perte. Un algorithme d'optimisation, généralement descente de gradient, met ensuite à jour les poids pour améliorer la précision. Au cours de nombreuses itérations, ou époques, le réseau apprend à mettre en correspondance les entrées et les sorties avec une grande précision. réseau apprend à mettre en correspondance les entrées et les sorties avec une grande précision, en "apprenant" effectivement à partir des données d'apprentissage. données d'apprentissage.

Apprentissage profond et apprentissage automatique

Bien que la DL fasse partie de la ML, les deux diffèrent considérablement dans leur approche des données. Les méthodes traditionnelles de ML reposent souvent sur l'ingénierie manuelle des caractéristiques, où les experts du domaine doivent explicitement sélectionner et formater les caractéristiques que le modèle doit analyser. les experts du domaine doivent explicitement sélectionner et mettre en forme les caractéristiques que le modèle doit analyser. Par exemple, dans la reconnaissance d'images, un expert peut écrire un code pour detect bords ou les coins.

En revanche, les modèles de Deep Learning apprennent ces caractéristiques automatiquement. A réseau neuronal convolutif (CNN), une architecture courante d'apprentissage profond, peut apprendre à detect bords dans la première couche, les formes dans la deuxième et les objets reconnaissables comme les voitures ou les visages dans les couches plus profondes. des objets reconnaissables comme des voitures ou des visages dans les couches plus profondes. Cela élimine la nécessité d'une extraction manuelle des caractéristiques et permet au DL de s'adapter efficacement au Big Data.

Applications concrètes

La polyvalence du Deep Learning a conduit à son adoption dans de nombreuses industries.

1. Véhicules autonomes: Les voitures autonomes s'appuient sur la DL pour la perception en temps réel. Des modèles tels que Ultralytics YOLO11 sont utilisés pour détection d'objets pour identifier les piétons, les les véhicules et les feux de signalisation. Cette application aide à prendre des décisions critiques pour une navigation sûre, un élément central de l'IA dans l'automobile. un élément essentiel de l'IA dans l'automobile.
2. Analyse d'images médicales: Dans le domaine des soins de santé, DL aide les médecins en analysant les scanners médicaux avec une grande sensibilité. Les algorithmes peuvent faciliter détection des tumeurs dans les IRM ou identifier la rétinopathie diabétique dans les scanners oculaires, souvent en égalant ou en dépassant les performances humaines. Pour plus de détails, voir comment DL transforme l'IA l'IA dans les soins de santé.

Mise en œuvre avec Ultralytics

L'implémentation d'un modèle de Deep Learning pour l'inférence est simple avec les bibliothèques modernes. Voici un exemple d'utilisation d'un modèle l'utilisation d'un modèle YOLO11 pré-entraîné pour detect objets dans une image.

from ultralytics import YOLO

# Load a pretrained YOLO11 model (a deep learning architecture)
model = YOLO("yolo11n.pt")

# Run inference on a source image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results
results[0].show()

Outils et écosystème

Le développement de modèles de DL nécessite des cadres logiciels et du matériel robustes.

• Les cadres: Les bibliothèques open-source les plus populaires sont PyTorchdéveloppée par Meta, et TensorFlowcréé par Google. Ces plateformes fournissent les éléments de base pour la conception et l'entraînement des réseaux neuronaux.
• Matériel: La formation de réseaux profonds implique de lourds calculs matriciels, qui sont accélérés à l'aide de GPU. Le matériel de fabricants comme NVIDIA est la norme pour un traitement efficace.
• Plateformes: La future plateforme Ultralytics offrira un environnement complet pour gérer l'ensemble du cycle de vie de la DL. l'ensemble du cycle de vie de la DL, de l'annotation l'annotation des données au déploiement du modèle, rationalisant ainsi le flux de travail développeurs et les entreprises.

Pour une compréhension plus large du domaine, des ressources telles que la documentation du MIT Deep Learning documentation et le guide de l'IA d'IBM constituent d'excellentes d'excellentes lectures.