Journal international d'intelligence d'essaim et de calcul évolutif

Abstrait

Importance de l'apprentissage profond dans l'exploration de données et l'apprentissage automatique

Shorabi P

Les algorithmes d'apprentissage profond utilisent une énorme quantité de données non supervisées pour extraire automatiquement des représentations complexes. Ces algorithmes sont largement motivés par le secteur de l'intelligence artificielle (IA), qui a pour objectif général d'imiter la capacité du cerveau humain à observer, analyser, apprendre et prendre des décisions, en particulier pour des problèmes extrêmement complexes. Les travaux concernant ces défis complexes ont été une motivation clé derrière les algorithmes d'apprentissage profond qui s'efforcent d'imiter l'approche d'apprentissage hiérarchique du cerveau humain. Les modèles prenant en charge les architectures d'apprentissage superficiel comme les arbres de décision, les machines à vecteurs de support et le raisonnement basé sur des cas peuvent s'avérer insuffisants lorsqu'il s'agit d'extraire des informations utiles à partir de structures et de relations complexes dans le corpus d'entrée. En revanche, les architectures d'apprentissage profond ont le potentiel de généraliser de manière non locale et globale, générant des modèles d'apprentissage et des relations au-delà des voisins immédiats au sein des données. L'apprentissage profond est en fait une étape cruciale vers l'IA. Il fournit non seulement des représentations complexes de données qui conviennent aux tâches d'IA, mais rend également les machines indépendantes des connaissances humaines, ce qui est le but ultime de l'IA. Il extrait des représentations directement à partir de données non supervisées sans intervention humaine.