{"id":2269,"date":"2016-03-01T09:59:23","date_gmt":"2016-03-01T07:59:23","guid":{"rendered":"http:\/\/nicotupe.fr\/Blog\/?p=2269"},"modified":"2016-03-01T10:13:11","modified_gmt":"2016-03-01T08:13:11","slug":"podcast-science-228-deep-learning","status":"publish","type":"post","link":"http:\/\/nicotupe.fr\/Blog\/2016\/03\/podcast-science-228-deep-learning\/","title":{"rendered":"Podcast Science 228 : Deep learning"},"content":{"rendered":"

17 juin 2015, Google publie sur son blog de recherche un article aux images \u00e9tranges<\/a> : on y d\u00e9couvre les “r\u00eaves” psych\u00e9d\u00e9liques “imagin\u00e9s” par des ordinateurs.<\/p>\n

\"\"<\/p>\n

Derri\u00e8re ces images, une famille d’algorithmes au nom \u00e9vocateur\u00a0:\u00a0le deep learning. Depuis, a peu pr\u00e8s tous les journaux, m\u00eame g\u00e9n\u00e9ralistes, en ont parl\u00e9, du Monde<\/a> \u00e0 Wired<\/a> en passant par la d\u00e9p\u00eache du midi<\/a>, tous s’interrogent sur ce myst\u00e9rieux “apprentissage profond”.<\/p>\n

Certains et pas des moindres tel Hawkins ou Musk y voient m\u00eame les pr\u00e9misses de l’intelligence artificielle et donc un danger pour l’homme!<\/p>\n

Il \u00e9tait donc temps pour Podcast Science de faire le point. Commen\u00e7ons d’abord par le deep learning avant de se poser la question de l’avenir de l’humain dans un prochain dossier.<\/p>\n

Apprendre<\/h3>\n

Le deep learning est un nouveau nom pour des algorithmes d’apprentissage ou encore “Machine Learning<\/a>” en anglais. Le machine learning est une mani\u00e8re bien particuli\u00e8re de r\u00e9soudre des probl\u00e8mes. Alors que la plupart des scientifiques cherchent \u00e0 mod\u00e9liser un ph\u00e9nom\u00e8ne pour pr\u00e9dire des effets, ceux qui font de l’apprentissage cherchent \u00e0 cr\u00e9er la machine la plus \u00e0 m\u00eame \u00e0 r\u00e9soudre le probl\u00e8me toute seule. Ils con\u00e7oivent leur machine de mani\u00e8re \u00e0 ce qu’elle ait tout un tas\u00a0de param\u00e8tre \u00e0 r\u00e9gler pour s’adapter au probl\u00e8me, c’est ce qui lui permet d'”apprendre”.<\/p>\n

Cette formulation est trompeuse car pour la plupart des algorithmes d’apprentissage et en particulier pour le deep learning, la machine n’apprend pas vraiment au sens o\u00f9 l’on l’entend dans le langage courant, c’est beaucoup plus brutal et tristement math\u00e9matique. Imaginez que vous vouliez que votre machine “apprenne” \u00e0 reconnaitre les membres de Podcast Science sur des photos. Vous allez devoir cr\u00e9er un ensemble d’images d’exemple, sur lesquelles vous savez qui est pr\u00e9sent pour lui permettre de s’entrainer.<\/p>\n

Pour apprendre sur ce type d’algorithme, il va d’abord falloir quantifier ce qu’est un bon ou mauvais r\u00e9sultat sur l’ensemble d’apprentissage.\u00a0Par exemple on pourra compter le nombre d’erreurs de jugement : Non ce n’est pas Robin, c’est Julie! L’apprentissage de la machine va alors consister \u00e0 trouver les r\u00e9glages de la machine qui va minimiser ce nombre d’erreur. Une fois que c’est fait, l’algorithme est fig\u00e9 et ne bougera plus. A chaque fois que vous lui pr\u00e9senterez la m\u00eame photo, il pr\u00e9sentera la m\u00eame r\u00e9ponse, si un nouveau membre arrive dans le podcast, il n’apprendra jamais \u00e0 le reconnaitre tout seul, il faudra reprendre la phase d’apprentissage.<\/p>\n

Apprendre pour une machine, c’est donc r\u00e9soudre un probl\u00e8me d’optimisation. C’est \u00e0 dire trouver la meilleure solution \u00e0 un probl\u00e8me donn\u00e9 sous certaines contraintes. Il existe deux grandes familles d’apprentissage :<\/p>\n