Section courante

A propos

Section administrative du site

 Langage  Elément  Bibliothèque  API  SDK  Cadre d'application  Modèle  Projet  Outils  Aide 
ABAP/4
Ada
Assembleur
Assembly & bytecode
ASP (Active Server Pages)
Basic
C
C++
C# (C Sharp)
Cobol
ColdFusion
Fortran
HTML
Java
JavaScript
LISP
Logo
LotusScript
Oberon
Pascal
Perl
PHP
PL/1
Prolog
Python
Rebol
REXX
Ruby
SAS
NoSQL
SQL
Swift
X++ (Axapta)
GNAT
SMALLAda
VHDL
Assembleur 370
Assembleur 1802
Assembleur 4004
Assembleur 6502
Assembleur 6800
Assembleur 68000
Assembleur 8080 et 8085
Assembleur 8089
Assembleur 80x86
Assembleur AGC4
Assembleur ARM
Assembleur DPS 8000
Assembleur i860
Assembleur Itanium
Assembleur MIPS
Assembleur PDP-11
Assembleur PowerPC
Assembleur RISC-V
Assembleur SPARC
Assembleur SuperH
Assembleur UNIVAC I
Assembleur VAX
Assembleur Z80
Assembleur Z8000
Assembleur z/Architecture
ASSEMBLER/MONITOR 64
Micol Assembler
GFA Assembler
A86
MASM (Macro Assembler)
TASM (Turbo Assembler)
CIL
Jasmin
LLVM
MSIL
Parrot
P-Code (PCode)
SWEET16
G-Pascal
ASP 1.0
ASP 2.0
ASP 3.0
ASP.NET
ASP.NET Core
ABasiC (Amiga)
Adam SmartBASIC
Altair BASIC
AmigaBASIC (Amiga)
AMOS Basic (Amiga)
Atari Basic (Atari 400, 600 XL, 800, 800XL)
Basic Apple II (Integer BASIC/APPLESOFT)
Basic Commodore 64 (CBM-BASIC)
Basic Commodore 128 (BASIC 7.0)
Basic Commodore VIC-20 (CBM-BASIC 2.0)
Basic Coco 1 (Color Basic)
Basic Coco 2 (Extended Color Basic)
Basic Coco 3 (Extended Color Basic 2.0)
BASICA (PC DOS)
Basic Pro
BBC BASIC
Blitz BASIC (Amiga)
DarkBASIC
Dartmouth BASIC
GFA-Basic (Atari ST/Amiga)
GWBASIC (MS-DOS)
Liberty BASIC
Locomotive BASIC (Amstrad CPC)
MSX-Basic
Omikron Basic (Atari ST)
Oric Extended Basic
Power Basic
Quick Basic/QBasic (MS-DOS)
Sinclair BASIC (ZX80, ZX81, ZX Spectrum)
ST BASIC (Atari ST)
Turbo Basic
Vintage BASIC
VBScript
Visual Basic (VB)
Visual Basic .NET (VB .NET)
Visual Basic pour DOS
Yabasic
BeckerBASIC
SIMONS' BASIC
Basic09 d'OS-9
Disk Extended Color Basic
Basic09 d'OS-9
Disk Extended Color Basic
Access
Excel
Visual Basic pour Windows
Visual Basic .NET pour Windows
C Shell Unix (csh)
C pour Amiga
C pour Atari ST
C pour DOS
C pour Falcon030
C pour GEMDOS (Atari ST)
C pour Linux
C pour PowerTV OS
C pour OS/2
C pour Unix
C pour Windows
Aztec C
CoCo-C
GNU C
HiSoft C
IBM C/2
Introl-C
Lattice C
Microsoft C
MinGW C
MSX-C
Open Watcom C
OS-9 C Compiler
Pure C
Quick C
Turbo C
HiSoft C for Atari ST
HiSoft C for CP/M (Amstrad CPC)
C++ pour OS/2
C++ pour Windows
Borland C++
C++Builder
IBM VisualAge C++
Intel C++
MinGW C++
Open Watcom C++
Symantec C++
Turbo C++
Visual C++
Visual C++ .NET
Watcom C++
Zortech C++
C# (C Sharp) pour Windows
Apple III Cobol
Microsoft Cobol
BlueDragon
Lucee
OpenBD
Railo
Smith Project
Microsoft Fortran
WATFOR-77
CSS
FBML
Open Graph
SVG
XML
XSL/XSLT
LESS
SASS
GCJ (GNU)
JSP
Jython
Visual J++
Node.js
TypeScript
AutoLISP
ACSLogo
LotusScript pour Windows
Amiga Oberon
Oberon .NET
Apple Pascal
Delphi/Kylix/Lazarus
Free Pascal
GNU Pascal
HighSpeed Pascal
IBM Personal Computer Pascal
Lisa Pascal
Maxon Pascal
MPW Pascal
OS-9 Pascal
OSS Personal Pascal
Pascal-86
Pascal du Cray Research
Pascal/VS
Pascal-XT
PURE Pascal
QuickPascal
RemObjets Chrome
Sun Pascal
THINK Pascal
Tiny Pascal (TRS-80)
Turbo Pascal
UCSD Pascal
VAX Pascal
Virtual Pascal
Turbo Pascal for CP/M-80
Turbo Pascal for DOS
Turbo Pascal for Macintosh
Turbo Pascal for Windows
CodeIgniter (Cadre d'application)
Drupal (Projet)
Joomla! (Projet)
Phalanger (PHP .NET)
phpBB (Projet)
Smarty (balise)
Twig (balise)
Symfony (Cadre d'application)
WordPress (Projet)
Zend (Cadre d'application)
PL360
PL/M-80
PL/M-86
Turbo Prolog
CPython
IronPython
Jython
PyPy
AREXX
Regina REXX
JMP
Btrieve
Cassandra
Clipper
CouchDB
dBASE
Hbase
Hypertable
MongoDB
Redis
Access
BigQuery
DB2
H2
Interbase
MySQL
Oracle
PostgreSQL
SAP HANA
SQL Server
Sybase
U-SQL
Introduction
Apprentissage automatique (ML)
Automatisation des processus robotisés (RPA)
Compréhension linguistique
Système expert
Vision par ordinateur (CV)
Apprentissage profond (Deep Learning)
Réseau de neurones artificiels (ANN)
Agent conversationnel (Chatbot)
Compréhension du langage naturel (NLU)
Traitement de langage naturel (TLN ou NLP)
fastText
LIBSVM
MITIE
Nucleus
Scikit-Learn
spaCy
Theano
CAI NEURAL API
Bot Framework SDK
Accord.NET Framework
Apache Mahout
Encog
Infer.NET
Keras
ML.NET
numl
PyTorch
TensorFlow
BERT
LEGAL-BERT
ProphetNet
Botpress
RASA
ONNX
Préface
Notes légal
Dictionnaire
Recherche

Apprentissage profond (Deep Learning)

L'apprentissage profond, aussi nommé Deep Learning anglais, utilise des réseaux de neurones avec plusieurs couches cachées. Cette approche n'est possible que depuis les années 2010, avec l'augmentation de la puissance de calcul disponible, des unités de traitement graphique (GPU) particulières et des algorithmes améliorés. Des ensembles de données étiquetés de plus en plus massifs et une puissance de calcul GPU toujours croissante, l'apprentissage en profondeur a montré un énorme potentiel dans de nombreux domaines d'application.

Ainsi, l'apprentissage profond est une sous-catégorie de l'apprentissage automatique (Machine Learning) utilisant des réseaux de neurones artificiels avec de nombreuses couches cachées pour modéliser des données complexes.

Réseaux de neurones profonds

Les modèles d'apprentissage profond sont souvent construits sur des architectures de réseaux de neurones comportant plusieurs couches. Chaque couche apprend à extraire des caractéristiques de plus en plus abstraites des données d'entrée. Par exemple, dans le cas de la reconnaissance d'images, les premières couches peuvent identifier des bords et des textures, tandis que les couches supérieures reconnaissent des formes et des objets complexes.

Apprentissage non supervisé

L'apprentissage profond peut fonctionner à la fois en mode supervisé (avec des étiquettes pour les données d'entraînement) et en mode non supervisé. Il est particulièrement efficace pour découvrir des structures cachées dans des ensembles de données volumineux et non étiquetés.

Traitement des données non structurées

L'apprentissage profond excelle dans le traitement de données non structurées, telles que les images, le texte et l'audio. Des modèles comme les réseaux de neurones convolutionnels (CNN) sont souvent utilisés pour le traitement d'images, tandis que les réseaux de neurones récurrents (RNN) sont adaptés pour le traitement de séquences, comme le texte et la parole.

Utilisation de grandes quantités de données

L'apprentissage profond nécessite généralement de grandes quantités de données pour former des modèles performants. Les avancées dans la collecte de données et les techniques de traitement de données ont permis aux chercheurs et aux entreprises d'exploiter cette approche.

Liste des solutions

Voici la liste des solutions pour l'apprentissage profond :

Produits Catégorie
Deeplearning4J Bibliothèque Java
Keras Cadre d'application Python
Microsoft Cognitive Toolkit (CNTK) Boite à outils C++, C#, Python
SINGA Projet C++
spaCy Bibliothèque Python
Theano Bibliothèque Python


PARTAGER CETTE PAGE SUR
Dernière mise à jour : Jeudi, le 10 septembre 2020