Le Deep Learning est un type de Machine Learning qui traite les données pour détecter des objets, reconnaître des conversations, traduire des langues et prendre des décisions.

La différence entre Deep Learning et Machine Learning est que ce dernier nécessite des ensembles de données d'entraînement pour apprendre, tandis que le Deep Learning est plus autonome. Le processus de Machine Learning commence avec des données qui ont été préalablement traitées par un humain. Ce travail comprend la préparation des données, le nettoyage, le traitement des données manquantes, le feature engineering, l'étiquetage et la séparation des jeu de données et de test. Dans le cas du Deep Learning, le modèle nécessite une personne pour configurer la bonne couche neuronale et d'autres paramètres tels que le nombre de couches cachées, le taux d'apprentissage, la fonction d'activation, la taille du minibatch et le nombre d'époques. En raison de cette différence, les systèmes utilisant le Deep Learning devront être équipés de GPU (processeurs graphiques) très avancés d'une grande capacité de stockage.

Afin d'effectuer ces analyses, le système de Deep Learning s'appuie sur ses réseaux de neuron artificiels, qui sont une structure algorithmique à plusieurs couches. Les différentes couches des réseaux neuronaux servent de filtres, allant des éléments les plus généraux aux plus subtils, augmentant ainsi la probabilité de détecter et de générer un résultat correct.

Le Deep Learning repose sur l'utilisation de réseaux neuronaux artificiels. Voici les trois types les plus utilisés :

• Les réseaux de neuron convolutifs, dont les applications comprennent la vision par ordinateur et le traitement du langage naturel (NLP).
• Les réseaux de neuron récurrents, dont les applications comprennent le traitement du langage naturel (NLP), la reconnaissance de la parole, etc.
• Les Generative Adversarial Networks, dont les applications incluent l'analyse d'images, de voix et de vidéos.