Les NNs sont utilisés pour la reconnaissance vocale pour transformer le son de ta voix en mots compréhensibles.
SL est la technique utilisée pour la détection de spam. L'ordinateur apprend à partir d'e-mails étiquetés comme "spam" ou "non-spam".
USL permet de recommander des produits en regroupant des produits similaires pour faire des suggestions personnalisées.
RL est la technique utilisée pour entraîner des robots. Le robot reçoit des récompenses pour des actions qui l'aident à atteindre son objectif.
Les CNNs sont utilisés pour la reconnaissance d'images. Ils identifient les détails dans l'image pour déterminer ce qu'elle représente.
6. Les réseaux de neurones récurrents, ou RNNs, sont comme lire un livre en se rappelant les pages précédentes.
Les RNNs sont utilisés pour la traduction automatique en utilisant le contexte des mots précédents pour traduire correctement le texte.
7. Les autoencodeurs, ou AEs, sont comme dessiner un paysage avec moins de détails, mais toujours reconnaissable.
Les AEs sont utilisés pour la réduction de dimension. Ils simplifient les données en conservant les informations les plus importantes.
8. Le transfert d'apprentissage, ou TL, est comme utiliser tes connaissances de la guitare pour apprendre le ukulélé.
TL est utilisé dans le traitement de l'image médicale où un modèle formé sur des images générales est adapté pour reconnaître des anomalies spécifiques.
Le dropout est utilisé pour prévenir le surapprentissage, en permettant au modèle de ne pas dépendre trop fortement d'un seul neurone.
10. Le gradient descendant, ou GD, est comme descendre d'une montagne en faisant toujours le pas qui descend le plus.
GD est utilisé pour optimiser presque tous les modèles d'apprentissage profond en ajustant les poids des neurones pour minimiser l'erreur de prédiction.
BP est utilisée dans l'entraînement des réseaux de neurones pour ajuster les poids et minimiser l'erreur entre la prédiction et la vérité.
Bias est utilisé dans tous les neurones des réseaux de neurones pour décaler la sortie du neurone, améliorant la flexibilité du modèle.
13. Le surapprentissage, ou overfitting, est comme réviser seulement les questions d'un vieux test pour un nouvel examen.
Overfitting est un problème évité en séparant les données en ensembles d'entraînement et de test. Si le modèle est trop précis sur l'entraînement, il peut échouer sur le test.
14. La régularisation, ou reg, est comme mettre des limites à un enfant pour l'aider à grandir de manière équilibrée.
Reg est utilisée pour prévenir le surapprentissage en ajoutant une pénalité aux poids élevés pour garder le modèle simple.
15. Les réseaux génératifs adverses, ou GANs, sont comme deux artistes qui travaillent ensemble, l'un créant, l'autre critiquant.
Les GANs sont utilisés pour créer des images réalistes, comme de nouvelles images de visages, d'objets, etc.
16. Les réseaux de neurones profonds, ou DNNs, sont comme des cerveaux très complexes dans l'ordinateur.
Les DNNs sont utilisés pour la reconnaissance vocale. Ils peuvent extraire des fonctionnalités complexes du son pour comprendre le discours.
17. Les réseaux résiduels, ou ResNets, sont comme un système de raccourcis pour un trajet long et complexe.
Les ResNets sont utilisés pour la reconnaissance d'images. Ils permettent d'entraîner des modèles très profonds sans perdre d'informations.
18. Les réseaux de neurones à longue mémoire à court terme, ou LSTMs, sont comme se souvenir des détails importants d'une histoire longue.
Les LSTMs sont utilisés pour la prédiction de séries temporelles. Ils peuvent se souvenir d'informations passées pour prévoir l'avenir.
19. La normalisation par lots, ou batch norm, est comme s'assurer que tous les joueurs dans une équipe ont une chance de jouer.
Batch norm est utilisé dans l'entraînement des réseaux de neurones. Il aide à stabiliser l'apprentissage et réduit le temps d'entraînement.
20. Les réseaux attentionnels, ou attention nets, sont comme lire un livre en soulignant les parties importantes.
Les attention nets sont utilisés pour la compréhension du langage naturel. Ils permettent au modèle de se concentrer sur les parties importantes du texte.
21. Les Word Embeddings, ou w2v, transforment les mots en nombres pour que l'ordinateur puisse les comprendre.
W2v est utilisé dans la compréhension du langage naturel pour convertir les mots en vecteurs numériques pour une meilleure analyse.
Siamese nets sont utilisés pour la vérification de l'identité. Ils peuvent comparer deux images pour déterminer si elles représentent la même personne.
23. La validation croisée, ou CV, est comme faire des répétitions pour un spectacle pour s'assurer qu'il sera bon.
CV est utilisée pour estimer la performance d'un modèle. Elle permet d'évaluer le modèle sur différentes parties des données pour assurer sa robustesse.
CapsNets sont utilisés pour la reconnaissance d'objets en 3D. Ils peuvent comprendre la structure spatiale d'un objet à partir d'images 2D.
Transformer est utilisé pour comprendre et générer du texte. Il peut répondre à des questions, résumer des textes et même écrire des histoires.
26. L'augmentation de données, ou data aug, est comme créer de nouvelles images à partir d'images existantes.
Data aug est utilisée pour augmenter la taille des ensembles de données. Elle peut créer de nouvelles images par rotation, zoom ou inversion pour améliorer l'apprentissage.
Les SNNs sont utilisés dans la recherche pour comprendre comment les neurones dans le cerveau interagissent.
28. La distance euclidienne dans les espaces de features est comme mesurer la similarité entre deux objets.
MSE est utilisée pour mesurer l'erreur d'un modèle. Elle est utilisée pour ajuster les poids des neurones pendant l'entraînement.
30. La fonction d'activation ReLU, ou ReLU, est comme une porte qui ne s'ouvre que lorsque quelqu'un frappe assez fort.
ReLU est utilisée dans la plupart des réseaux de neurones. Elle aide à décider combien d'information doit passer à travers le neurone.
Deep Learning
|-- Réseaux de Neurones (NNs)
| |-- Réseaux de Neurones Profonds (DNNs)
| |-- Réseaux de Neurones Convolutionnels (CNNs)
| |-- Réseaux de Neurones Récurrents (RNNs)
| | |-- Réseaux de Neurones à Longue Mémoire à Court Terme (LSTMs)
| |-- Auto-Encodeurs (AEs)
| |-- Réseaux Génératifs Adverses (GANs)
| |-- Réseaux de Capsules (CapsNets)
| |-- Réseaux Neuronaux Spiking (SNNs)
|
|-- Apprentissage
| |-- Apprentissage Supervisé (SL)
| |-- Apprentissage Non Supervisé (USL)
| |-- Apprentissage par Renforcement (RL)
| |-- Transfert d'Apprentissage (TL)
|
|-- Techniques d'Optimisation
| |-- Rétropropagation (BP)
| |-- Gradient Descendant (GD)
| |-- Dropout
| |-- Normalisation par Lots (Batch Norm)
| |-- Régularisation (Reg)
| |-- Validation Croisée (CV)
| |-- Augmentation de Données (Data Aug)
|
|-- Autres concepts
| |-- Biais (Bias)
| |-- Surapprentissage (Overfitting)
| |-- Réseaux Siamois (Siamese Nets)
| |-- Transformateurs (Transformers)
| |-- Word Embeddings (W2V)
| |-- Distance Euclidienne dans les Espaces de Features
| |-- Erreur Quadratique Moyenne (MSE)
| |-- Fonction d'Activation ReLU (ReLU)