{"id":4648,"date":"2018-06-06T11:52:37","date_gmt":"2018-06-06T10:52:37","guid":{"rendered":"https:\/\/blog.fabianpiau.com\/?p=4648"},"modified":"2023-08-09T16:08:02","modified_gmt":"2023-08-09T15:08:02","slug":"devoxx-uk-day-2","status":"publish","type":"post","link":"https:\/\/blog.fabianpiau.com\/fr\/2018\/06\/06\/devoxx-uk-day-2\/","title":{"rendered":"Devoxx UK 2018 – Jour 2"},"content":{"rendered":"

 <\/span>English version available<\/strong><\/a><\/p>\n

Cette ann\u00e9e, j’ai assist\u00e9 aux 2 jours de la conf\u00e9rence Devoxx UK<\/a> \u00e0 Londres les 10 et 11 mai. Cet article est un r\u00e9sum\u00e9 des notes que j’ai prises pendant le deuxi\u00e8me jour. Vous pouvez lire l’article pr\u00e9c\u00e9dent \u00e0 propos du premier jour<\/a>. Et si vous souhaitez obtenir plus de d\u00e9tails sur un talk, vous pouvez regarder la vid\u00e9o associ\u00e9e.<\/p>\n

\"Devoxx<\/a>

Devoxx UK a eu lieu au Business Design Centre \u00e0 Londres<\/p><\/div>\n


<\/p>\n

Deep Learning: The Future of Artificial Intelligence, avec Matthew Renze<\/h4>\n

Par le pass\u00e9, nous devions programmer un ordinateur de mani\u00e8re explicite, \u00e9tape par \u00e9tape, pour r\u00e9soudre un probl\u00e8me (impliquant des instructions if-then, des boucles et d’autres op\u00e9rations logiques). A l’avenir, les machines vont apprendre \u00e0 r\u00e9soudre un probl\u00e8me par elles-m\u00eames, nous devons juste leur fournir les donn\u00e9es.<\/p>\n


<\/p>\n

Qu’est ce que le Deep Learning?<\/strong><\/p>\n

Deep Learning (apprentissage en profondeur en bon fran\u00e7ais) est une forme d’Intelligence Artificielle (IA) qui utilise un type de Machine Learning (ML) appel\u00e9 R\u00e9seau Neuronal Artificiel constitu\u00e9 de plusieurs couches cach\u00e9es pour tenter d’apprendre les repr\u00e9sentations hi\u00e9rarchiques des donn\u00e9es sous-jacentes afin de faire des pr\u00e9dictions sur des donn\u00e9es nouvelles.<\/p>\n

L’apprentissage automatique (ou Machine Learning) est essentiellement l’utilisation des statistiques appliqu\u00e9es aux probl\u00e8mes de l’intelligence artificielle. Nous enseignons aux machines la r\u00e9solution de probl\u00e8mes en identifiant des mod\u00e8les statistiques \u00e0 partir des donn\u00e9es.<\/p>\n

Utilisation de Donn\u00e9es<\/strong> (existantes) -> pour apprendre une Fonction<\/strong> -> afin d’effectuer une Pr\u00e9diction<\/strong> (sur des nouvelles donn\u00e9es)<\/p>\n

Un r\u00e9seau de neurones est un algorithme ML bas\u00e9 sur une approximation tr\u00e8s grossi\u00e8re de la fa\u00e7on dont nous pensons que le cerveau et les neurones fonctionnent (le cerveau est toujours une bo\u00eete noire pour les scientifiques).<\/p>\n

Un neurone artificiel prend un ensemble d’entr\u00e9es, applique une fonction pour produire un ensemble de sorties. Nous repr\u00e9sentons ce neurone math\u00e9matiquement (c’est-\u00e0-dire que les entr\u00e9es et les sorties sont des nombres) dans le but de l’utiliser dans un mod\u00e8le de calcul.<\/p>\n

Un r\u00e9seau de neurones est compos\u00e9 de plusieurs neurones organis\u00e9s en diff\u00e9rentes couches: la couche d’entr\u00e9e (les donn\u00e9es que nous fournissons), 1 ou plusieurs couches cach\u00e9es et la couche de sortie (la pr\u00e9diction). Un r\u00e9seau neuronal profond (deep neural network) a plus d’une couche cach\u00e9e. L’utilisation de plus d’une couche cach\u00e9e permet principalement de mod\u00e9liser une fonction beaucoup plus complexe qu’avec une simple couche.<\/p>\n


<\/p>\n

Un exemple de Deep Learning<\/strong><\/p>\n

Un exemple de r\u00e9seau neuronal profond est un mod\u00e8le de reconnaissance de personne bas\u00e9 sur une image. Les couches cach\u00e9es inf\u00e9rieures repr\u00e9sentent des formes abstraites comme les primitives g\u00e9om\u00e9triques (par exemple, les lignes horizontales et verticales) tandis que les couches interm\u00e9diaires repr\u00e9sentent des entit\u00e9s plus complexes comme des parties sp\u00e9cifiques du corps (bouche, nez, oeil, etc.), le visage est repr\u00e9sent\u00e9 dans les couches cach\u00e9es les plus hautes, pour \u00eatre en mesure d’identifier la personne. La pr\u00e9cision augmente lorsque nous approchons de la derni\u00e8re couche pour finalement \u00eatre en mesure de faire une pr\u00e9diction.<\/p>\n


<\/p>\n

Pourquoi parlons-nous de Deep Learning seulement maintenant?<\/strong><\/p>\n

Apr\u00e8s tout, le premier algorithme ML Perceptron<\/a> a \u00e9t\u00e9 cr\u00e9\u00e9 en 1957, il y a plus de 60 ans!<\/p>\n