3c Le deep learning c'est quoi?

Source: https://youtu.be/fSjg_060BfI

VITE FAIT : Le deep learning, chaîne Defakator Vite Fait, juin 2023

Transcription:

🧪 VITE FAIT : Le deep learning - YouTube
https://www.youtube.com/watch?v=fSjg_060BfI

Transcript:
(00:00) [Musique] on a vu le fonctionnement des réseaux de neurones à présent comment ces réseaux peuvent t'ils à prendre ce qu'on a dit qu'on faisait les diplômes et donc de l'apprentissage en vue de faire une tâche précise bien puisqu'on parle de tâches une supposons qu'on cherche à entrer dans notre réseau à reconnaître la vision en tant qu'humain on a développé une compétence qui nous permet de le reconnaître facilement on regarde une photo et instantanément en sait si c'est lui ou pas il ya dans notre
(00:29) cerveau une zone chargée de traiter les signaux de notre vision pour analyser les formes et a pris l'habitude de le reconnaître alors comment accès d'action réfléchissant on pourrait retrouver un certain nombre de règles qu'elle doit suivre déjà l'ami du bon goût il a une forme humaine enfin mène à evian gros bide ans c'est là qu'on voit que c'est calorifique il fallait faire dit pas besoin de savants calculs finalement coren retrouvez donc là ni c'est une forme humaine avec un gros bide mais
(00:54) sans visage il est tout d'orange évidemment il est un vêtement dont il a avec l'entraînement une copie intégrale et une cabane en gros c'est ça mais tout ça on n'a pas forcément besoin d'y avoir réfléchi notre reconnaissance de formes elle a appris tout seul à le retrouver pour vous il ya peu figure et vous que le réseau de neurones il va fonctionner un peu de la même manière il va développer une compétence s'entendait forcément besoin de lui détailler toutes ces règles possible on va simplement
(01:20) l'entraîné à faire cette tâche particulière jusqu'à ce qu'il y a donc puisqu'on vous qu'ils apprennent à reconnaître la mesure où on va se munir d'un certain nombre de photos alors plutôt un grand nombre nous falloir beaucoup beaucoup de photos des photos de l'année et puis les photos qui reprennent ses caractéristiques mais qui ne sont pas dans la vie par exemple la citrouille c'est gros c'est orange n'a pas dix âge mais ça n'a pas de forme humaine on va présenter chaque photo au réseau
(01:46) ayant valu à prendre tiens ça c'est une photo de bon goût et ça c'est pas le bon bout ça oui mais celui là non là c'est clairement un usurpateur parce qu'il n'a pas 70 donc ont fourni à notre réseau de neurones attaqué de pixels en entrée un gros paquet biarrots depuis sa longue mais à l'autre bout il va nous dire si c'est la vie du bon donc il va sortir une réponse est par exemple au début quand il n'a encore rien appris ni dit ça pour moi c'est la vie du bourg où un 50 50
(02:14) c'est vrai que là ça nous avance pas bien donc sa réponse affirmative avec une certitude de 50% ça nous donne 0.5 et avons là lui dire mon petit oui parce qu' on est loin d'être un peu paternaliste avec notre réseau neuronal tant que lien n'a pas dépassé humains dans tous les domaines ont peur d'en se le permettre un histoire qu'ils comprennent bien que si kiev donc on le dit mon petit ça c'est bien l'avis du monde j'aurais dû répond oui à 100% donc en termes de probation raid
(02:40) nous répondre a alors évidemment si on est ronde finale on va dire ça puisque c'est lui qui nous a fourni le résultat est là le noeud rose final il va devoir se remettre en question bon là je vais me remettre en question oui je vois bien j'aurais dû sortir un à ce niveau donc je vais devoir modifier mon fonctionnement j'aurais dû donner plus de poids à certaines entrées comme celle ci à qui ma vie où l'info pour motiver et du coup j'aurais dû donner moins de points à d'autres entrées qui m'ont
(03:05) amené d'initiatives qui cherchait une idée oui et plus nettement au sirop niveau dans la fonction là j'aurais dû rajouter quelque chose au passage et là on aurait été bon alors que là je le vois bien mais j'ai pas été bon et combine le neurone modifier ces paramètres il revoit à tous les points qu'ils donnent aux valeurs qui reçoit il ajuste sa propre fonction et ensuite il va y avoir rétro propagation de l'information c'est à dire que le neurone va propager ça aux autres drones qui précède que
(03:32) premier par exemple me dis tiens toi tu aurais dit m'envoyer une valeur plus forte et du coup le drone précédents va devoir mais aussi se remettre en question nous remettre en question le chantier sera modifié au fonctionnement élite olivier au caire avec lui on entend le terroir qui chantent il est le moteur du dos de ski labour dont il a juste un accent plus prononcée parce que il est dans une couche plus profondes mais on a compris à part l'accent l'hydre on sait tous les deux donc voilà celui là aussi il se dit je vais
(04:01) modifier ce paramètre là comme si celui là comme ça et ainsi de suite ça va se propager et donc tous les neurones d'autres horizons vont s'adapter après qu on pourra passer à une seconde photo mais attention là il ya un piège c'est orange est ridicule mais cette fois c'est pas l'ami du monde donc là le réseau va tenter de faire une nouvelle prédiction on le dira s'il a fait juste ou pas et de live à un gros adapter son fonctionnement et bien après une certaine phase d'apprentissage qui peut être plus ou
(04:27) moins longue ça dépend de la complexité de la tâche on lui demande de la profondeur du réseau etc mais au bout d'un certain temps je raison va être assez entraînés pour être capable de répondre à la question avec une grande fiabilité [Musique]

Résumé en 5 points :

1. La vidéo présente le fonctionnement des réseaux de neurones et comment ils peuvent apprendre à effectuer des tâches spécifiques, comme la reconnaissance visuelle.
2. La reconnaissance de formes est un exemple où le réseau de neurones est entraîné à reconnaître des caractéristiques spécifiques, comme la forme humaine, le gros bide et la couleur orange.
3. Les réseaux de neurones sont entraînés en leur présentant un grand nombre de photos avec des caractéristiques similaires à celles que l'on souhaite reconnaître.
4. Le réseau de neurones donne des réponses initiales incertaines, mais il ajuste ses paramètres en fonction des rétroactions reçues pour améliorer sa précision.
5. Après une phase d'apprentissage, le réseau de neurones devient capable de répondre avec fiabilité aux questions posées en se basant sur les connaissances acquises.