Deep Learning

Learning Theory and Optimization for Deep Learning
Mai 2015

Deep Learning

Mai 2015

L’apprentissage en profondeur permet aux modèles informatiques composés de plusieurs couches de traitement d’apprendre des représentations de données avec plusieurs niveaux d’abstraction. Ces méthodes ont considérablement amélioré l’état de l’art en matière de reconnaissance de la parole, de reconnaissance visuelle d’objets, de détection d’objets et de nombreux autres domaines tels que la découverte de médicaments et la génomique. L’apprentissage en profondeur découvre la structure complexe dans de grands ensembles de données en utilisant l’algorithme de rétropropagmentation pour indiquer comment une machine doit modifier ses paramètres internes utilisés pour calculer la représentation de chaque couche à partir de la représentation de la couche précédente. Les réseaux convolutionnels profonds ont apporté des percées dans le traitement des images, de la vidéo, de la parole et de l’audio, tandis que les réseaux récurrents ont éclairé des données séquentielles telles que le texte et la parole.

Nature-DeepLearning

Reference

Y. LeCun, Y. Bengio and G. Hinton, Deep Learning, Nature, 521(7553), pp.436-444, 2015.

PDF

Linked Profiles

array(1) { ["wp-wpml_current_language"]=> string(2) "fr" }

Mila passe en mode virtuel

À partir du 16 mars 2020, Mila redirige ses activités vers des plateformes virtuelles afin de minimiser la diffusion de COVID-19.

En savoir plus