10. Le deep learning, Quand l'élève peut dépasser le maître ?

Un réseau pour les réaliser toutes :

Ces algorithmes très particulier dont l'origine viens de la volonté de reproduire le fonctionnement de la communication entre des neurones bien vivant ce démarque aussi bien par la complexité d'interprétation des modèles prédictif que par leur capacité à résoudre tout type de problématique. Vous avez envie d'un robot qui fait le ménage tout seul ? Deep learning, vous avez envie de trier et augmenter la résolution de vos photos de vacances ? Deep learning. Créer des nouveaux tableau unique au monde ? Trouver de nouveaux médicament ? battre les meilleurs joueur du monde aux échec sans savoir jouer ou comprendre le jeux ?

DEEP LEARNING. 

C'est bien souvent de cette technologie dont on parle lorsque l'on met en avant les prouesses de l'intelligence artificiel. Mais quand est t'il des fait ? Comment est ce que cela fonctionne et quel sont les limites ? Nous allons tenter d'explorer cela ensemble dans le monde du Gradient. 

Qu'est ce qu'un neurone :

Un neurone pour commencer en terme biologique n'est finalement qu'une boite qui reçoit un signal et le répète après l'avoir traité. Hé bien dans notre cas c'est très similaire. Cette information traité nous est alors renvoyé sous la forme de réponse à notre tâche, notre demande.

Le langage des neurones :

Seulement un seul neurone seul ne peut pas réellement achevé de grande choses. Mais quand est t'il lorsque nous en connectons plusieurs ? Hé bien le premier neurone traite de l'information et renvoie l'information traité aux autres qui profite alors de son expérience pour compléter l'analyse. Ainsi deux neurones valent toujours mieux qu'un (enfin en théorie). C'est finalement un peut comme des interactions entre les employés d'une entreprise chacun possédant ses propre connaissance et tentant de l'apporter aux suivants. Ainsi petit à petit même la plus ardu des tâches devient facile. Car tout ses employés compétant travaillent main dans la main pour l'achever. Mais comment rendre ces employés compétant. Car même pour un large réseau de neurones, si aucun ne sait résoudre la tâche alors leur nombre importe peut finalement, comment les former ?

Apprendre de ses erreurs :

En fait pour ce faire, il faut commencer par raisonner ainsi, comment notre taux d'erreur varie selon les variations des paramètres du modèle. Ces paramètres étant représentés comme des poids et des biais, deux valeurs à ajuster aux fur et à mesure des calculs. Nous obtenons une large chaine de montagne ou plutôt de vague, qui nous indique à quel point notre erreur augmente ou baisse selon notre modèle. Dés lors nous nageons littéralement dans le courant en cherchant le point le plus bas.

Ainsi les choses se simplifie beaucoup, en effet il nous suffit de calculer aux niveau de chaque neurone la variation et le sens de variation du neurone selon notre erreur, et notre paramètre. Puis nous n'avons plus qu'as finaliser cette étape en surfant notre vague, cela s'appelle la Back Propagation ce qui est l'action de parcourir le modèle dans le sens inverse afin d'obtenir tout les sens de variations des neurones puis de les mettre à jour. avec la simple fonction suivante :

Valeur du paramètre future  =  Valeur du paramètre actuel - le taux d'apprentissage * le sens de variation