Les réseaux de neurones^{(Neural Networks)} et l'apprentissage en profondeur^{(Deep Learning)} sont actuellement les deux mots à la mode qui sont utilisés de nos jours avec l'intelligence artificielle^{(Artificial Intelligence)} . Les développements récents dans le monde de l'intelligence artificielle peuvent être attribués à ces deux car ils ont joué un rôle important dans l'amélioration de l'intelligence de l'IA.

Regardez autour de vous et vous trouverez de plus en plus de machines intelligentes. Grâce aux réseaux de neurones^{(Neural Networks)} et à l'apprentissage en profondeur^{(Deep Learning)} , des tâches et des capacités qui étaient autrefois considérées comme le point fort des humains sont désormais exécutées par des machines. Aujourd'hui, les machines ne sont plus faites pour manger des algorithmes plus complexes, mais à la place, elles sont nourries pour se développer en un système autonome et autodidacte capable de révolutionner de nombreuses industries tout autour.

Les réseaux de neurones^{(Neural Networks)} et l'apprentissage en profondeur^{(Deep Learning )} ont donné un énorme succès aux chercheurs dans des tâches telles que la reconnaissance d'images, la reconnaissance de la parole, la recherche de relations plus profondes dans des ensembles de données. Grâce à la disponibilité d'énormes quantités de données et de puissance de calcul, les machines peuvent reconnaître des objets, traduire la parole, s'entraîner à identifier des modèles complexes, apprendre à concevoir des stratégies et à élaborer des plans d'urgence en temps réel.

Alors, comment cela fonctionne-t-il exactement ? Savez-vous que les réseaux ^(Networks)neutres^(Neutral) et le Deep-Learning^{(Deep-Learning)} sont liés, en fait, pour comprendre le Deep Learning, vous devez d'abord comprendre les réseaux de neurones^{(Neural Networks)} ? Lisez la suite pour en savoir plus.

Qu'est-ce qu'un réseau de neurones

Un réseau de neurones^(Neural) est essentiellement un modèle de programmation ou un ensemble d'algorithmes qui permet à un ordinateur d'apprendre à partir des données d'observation. Un réseau de neurones^(Neural) est similaire à un cerveau humain, qui fonctionne en reconnaissant les modèles. Les données sensorielles sont interprétées à l'aide d'une perception machine, d'un étiquetage ou d'un regroupement d'entrées brutes. Les motifs reconnus sont numériques, enfermés dans des vecteurs, dans lesquels les données telles que les images, le son, le texte, etc. sont traduites.

Think Neural Network! Think how a human brain function

Comme mentionné ci-dessus, un réseau de neurones fonctionne exactement comme un cerveau humain ; il acquiert toutes les connaissances à travers un processus d'apprentissage. Après cela, les poids synaptiques stockent les connaissances acquises. Au cours du processus d'apprentissage, les poids synaptiques du réseau sont reformés pour atteindre l'objectif souhaité.

Tout comme le cerveau humain, les réseaux de neurones^{(Neural Networks)} fonctionnent comme des systèmes de traitement d'informations parallèles non linéaires qui effectuent rapidement des calculs tels que la reconnaissance de formes et la perception. En conséquence, ces réseaux fonctionnent très bien dans des domaines tels que la reconnaissance vocale, audio et d'image où les entrées/signaux sont intrinsèquement non linéaires.

En termes simples, vous pouvez vous souvenir de Neural Network comme quelque chose qui est capable de stocker des connaissances comme un cerveau humain et de les utiliser pour faire des prédictions.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

Structure des réseaux de neurones

(Crédit image : Mathworks)

Les réseaux^(Networks) de neurones comprennent trois couches,

1. Couche d'entrée,
2. Couche cachée, et
3. Couche de sortie.

Chaque couche se compose d'un ou plusieurs nœuds, comme indiqué dans le schéma ci-dessous par de petits cercles. Les lignes entre les nœuds indiquent le flux d'informations d'un nœud à l'autre. Les informations circulent de l'entrée vers la sortie, c'est-à-dire de gauche à droite (dans certains cas, cela peut être de droite à gauche ou dans les deux sens).

Les nœuds de la couche d'entrée sont passifs, c'est-à-dire qu'ils ne modifient pas les données. Ils reçoivent une seule valeur sur leur entrée et dupliquent la valeur sur leurs multiples sorties. Alors que^(Whereas) , les nœuds de la couche cachée et de sortie sont actifs. Ainsi que peuvent-ils modifier les données.

Dans une structure interconnectée, chaque valeur de la couche d'entrée est dupliquée et envoyée à tous les nœuds cachés. Les valeurs entrant dans un nœud caché sont multipliées par des poids, un ensemble de nombres prédéterminés stockés dans le programme. Les entrées pondérées sont ensuite additionnées pour produire un nombre unique. Les réseaux de neurones peuvent avoir n'importe quel nombre de couches et n'importe quel nombre de nœuds par couche. La plupart des applications utilisent la structure à trois couches avec un maximum de quelques centaines de nœuds d'entrée

Exemple de réseau de neurones^{(Example of Neural Network)}

Considérez un réseau neuronal reconnaissant des objets dans un signal sonar, et il y a 5000 échantillons de signal stockés dans le PC. Le PJ doit déterminer si ces échantillons représentent un sous-marin, une baleine, un iceberg, des rochers marins ou rien du tout ? Les méthodes DSP conventionnelles^{(Conventional DSP)} aborderaient ce problème avec des mathématiques et des algorithmes, tels que la corrélation et l'analyse du spectre de fréquences.

Alors qu'avec un réseau de neurones, les 5000 échantillons seraient envoyés à la couche d'entrée, ce qui entraînerait des valeurs sortant de la couche de sortie. En sélectionnant les pondérations appropriées, la sortie peut être configurée pour rapporter une large gamme d'informations. Par exemple, il peut y avoir des sorties pour : sous-marin (oui/non), roche marine (oui/non), baleine (oui/non), etc.

Avec d'autres pondérations, les sorties peuvent classer les objets comme métalliques ou non métalliques, biologiques ou non biologiques, ennemis ou alliés, etc. Pas d'algorithmes, pas de règles, pas de procédures ; seulement une relation entre l'entrée et la sortie dictée par les valeurs des poids sélectionnés.

Maintenant, comprenons le concept de Deep Learning.^{(Now, let’s understand the concept of Deep Learning.)}

Qu'est-ce qu'un apprentissage en profondeur

L'apprentissage en profondeur est essentiellement un sous-ensemble des réseaux de neurones^{(Neural Networks)} ; peut-être pouvez-vous dire un réseau de neurones^{(Neural Network)} complexe avec de nombreuses couches cachées.

Techniquement parlant, l'apprentissage en profondeur^(Deep) peut également être défini comme un ensemble puissant de techniques d'apprentissage dans les réseaux de neurones. Il fait référence aux réseaux de neurones artificiels ( ANN ) qui sont composés de nombreuses couches, d'ensembles de données volumineux et d'un matériel informatique puissant pour rendre possible un modèle de formation complexe. Il contient la classe de méthodes et de techniques qui utilisent des réseaux de neurones artificiels avec plusieurs couches de fonctionnalités de plus en plus riches.

Structure du réseau d'apprentissage en profondeur^{(Structure of Deep learning network)}

Les réseaux d'apprentissage en profondeur^(Deep) utilisent principalement des architectures de réseaux de neurones et sont donc souvent appelés réseaux de neurones profonds. L'utilisation du travail "profond" fait référence au nombre de couches cachées dans le réseau de neurones. Un réseau neuronal conventionnel contient trois couches cachées, tandis que les réseaux profonds peuvent en avoir jusqu'à 120-150.

^(Deep) L' apprentissage en ^(Learning)profondeur consiste à alimenter un système informatique avec de nombreuses données, qu'il peut utiliser pour prendre des décisions concernant d'autres données. Ces données sont alimentées par des réseaux de neurones, comme c'est le cas dans l'apprentissage automatique. Les réseaux d'apprentissage en profondeur^(Deep) peuvent apprendre des fonctionnalités directement à partir des données sans avoir besoin d'extraction manuelle de fonctionnalités.

Exemples d'apprentissage en profondeur^{(Examples of Deep Learning)}

L'apprentissage en profondeur est actuellement utilisé dans presque tous les secteurs, de l' automobile , de l' aérospatiale^(Aerospace) et de l' automatisation^(Automation) au médical^(Medical) . Voici quelques exemples.

• Google , Netflix et Amazon : Google l'utilise dans ses algorithmes de reconnaissance vocale et d'image. Netflix et Amazon utilisent également l'apprentissage en profondeur pour décider ce que vous voulez regarder ou acheter ensuite
• Conduire sans conducteur : les chercheurs utilisent des réseaux d'apprentissage en profondeur pour détecter automatiquement des objets tels que les panneaux d'arrêt et les feux de circulation. L'apprentissage en profondeur^(Deep) est également utilisé pour détecter les piétons, ce qui contribue à réduire les accidents.
• Aérospatiale et défense : l'apprentissage en profondeur est utilisé pour identifier des objets à partir de satellites qui localisent des zones d'intérêt et pour identifier des zones sûres ou dangereuses pour les troupes.
• Grâce au Deep Learning , Facebook trouve et tague automatiquement des amis sur vos photos. Skype peut traduire les communications parlées en temps réel et assez précisément.
• Recherche médicale : les chercheurs médicaux utilisent l'apprentissage en profondeur pour détecter automatiquement les cellules cancéreuses
• Automatisation industrielle^{(Industrial Automation)} : l'apprentissage en profondeur contribue à améliorer la sécurité des travailleurs autour des machines lourdes en détectant automatiquement lorsque des personnes ou des objets se trouvent à une distance dangereuse des machines.
• Électronique : L' apprentissage en profondeur est utilisé dans l'audition automatisée et la traduction de la parole.^(Deep)

Lire^(Read) : Qu'est-ce que le Machine Learning et le Deep Learning^{(Machine Learning and Deep Learning)} ?

Conclusion

Le concept de réseaux de neurones^{(Neural Networks)} n'est pas nouveau et les chercheurs ont rencontré un succès modéré au cours de la dernière décennie. Mais le vrai changeur de jeu a été l'évolution des réseaux de neurones profonds .^(Deep)

En surpassant les approches traditionnelles d'apprentissage automatique, il a montré que les réseaux de neurones profonds peuvent être formés et testés non seulement par quelques chercheurs, mais qu'ils ont la possibilité d'être adoptés par des entreprises technologiques multinationales pour proposer de meilleures innovations dans un avenir proche.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• SMS Organizer: SMS Application Powered par Machine Learning

• Quels sont Machine Learning and Deep Learning dans Artificial Intelligence

• Comment installer Drupal en utilisant WAMP sur Windows

• Best Software & Hardware Bitcoin Wallets pour Windows, iOS, Android

• Setup Internet Radio Station gratuit sur Windows PC

• Qu'est-ce que Data Analytics et ​​qu'est-ce qu'il est utilisé pour

• Comment créer auto-signé SSL Certificates à Windows 10

• Fix Partner n'a pas connecté à l'erreur de routeur dans TeamViewer sur Windows 10

• Quels sont Credit Cards virtuel et comment et où les obtenez-vous?

• Qu'est-ce qu'un Magnet link et comment Magnet link s ouvrir dans un navigateur

• Comment faire Invitation Card dans Windows PC

• Comment supprimer Your LastPass Account

• Zip file est une erreur trop grande lorsque vous téléchargez des fichiers de DropBox

• Automate.io est une alternative GRATUITE automation tool and IFTTT

• Comment utiliser un Template pour créer un document avec LibreOffice

• Ce qui est Silly Window Syndrome - Explanation and Prevention

• Online Reputation Management Tips, Tools & Services

• étiquette conferencing Video, des conseils et des règles que vous devez suivre

• Apportez votre propre Device (BYOD) Advantages, Best Practices, etc

• Comment faire du mot de passe et sécuriser les documents PDf avec LibreOffice