Apprentissage profond

Pas encore de compte ?

Inscrivez-vous pour accéder à tous les contenus

Image gratuite et libre de droits fournie par pexel.com

Map of machine learning algorithms knowmap

L'apprentissage profond est basé sur des réseaux de neurones artificiels.

L'apprentissage peut être supervisé, semi-supervisé ou non supervisé.

Quelques exemples d’algorithmes de deep learning :

les réseaux de neurones artificiels (ANN) qui sont les plus simples et le plus souvent utilisés en complément car ils trient bien les informations.

Les réseaux de neurones convolutifs (CNN) qui sont spécialisés dans le traitement de l’image.

Les réseaux de neurones récurrents (RNN) dont les plus connus sont les LSTM, qui ont pour faculté de retenir de l’information et de la réutiliser peu après. Ils servent pour l’analyse de texte (NLP), puisque chaque mot dépend des quelques mots précédents pour que la grammaire soit correcte.

Ainsi que des versions plus avancées, comme les auto-encoders, les machines de Boltzmann, les self-organizing maps (SOM), ...

En conclusion sur le deep learning permet de se passer d’un expert humain pour faire le tri dans les données, puisque l’algorithme trouvera de lui-même ses corrélations.

Qu'est-ce que « CAFFE » ?

Caffe est un framework de Deep Learning tout comme Tensorflow, Keras, PyTorch, ...

CAFFE : Convolutional Architecture for Fast Feature Embedding.

L'objectif de CAFFE est de fournir un outil rapide codé en C++ d’analyse d'image, que ce soit pour de la reconnaissance ou la classification de celles-ci et qui s'utilise avec une interface Python.

Convolutional Neural Network (CNN)

Base de données - Dataset

Classification

Groupe de géométrie visuelle - VGG16 - 19

Couche de mutualisation - Pooling

Convolution

Résoudre XOR avec un réseau de neurones 2x2x1 avec tflearn

Testé sous Anaconda et Python 3.7

from tflearn import DNN
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.estimator import regression
 
#Training examples
X = [[0,0], [0,1], [1,0], [1,1]]
Y = [[0], [1], [1], [0]]
 
input_layer = input_data(shape=[None, 2]) #input layer of size 2
hidden_layer = fully_connected(input_layer , 2, activation='tanh') #hidden layer of size 2
output_layer = fully_connected(hidden_layer, 1, activation='tanh') #output layer of size 1

#use Stohastic Gradient Descent and Binary Crossentropy as loss function
regression = regression(output_layer , optimizer='sgd', loss='binary_crossentropy', learning_rate=5)
model = DNN(regression)
 
#fit the model
model.fit(X, Y, n_epoch=5000, show_metric=True);
 
#predict all examples
print ('Expected:  ', [i[0] > 0 for i in Y])
print ('Predicted: ', [i[0] > 0 for i in model.predict(X)])

pip install tflearn

Tflearn: Solving XOR with a 2x2x1 feed forward neural network in Tensorflow

Solving XOR With a 2x2x1 Neural Network with tflearn

Code - GitHub

Fonctions d'activation

Couche de mutualisation

Mutualisation pyramidale

Couche d'aplatissement

Couche de densification

Descente de gradient

Régression

Naïve Bayes

Markov

Variance et covariance

Regroupement

Regroupement k-means

Regroupement hiérarchique

Regroupement par décalage moyen

Regroupement de maximisation des attentes

RSBDAB Regroupement Spatial Basé sur la Densité d'Applications avec Bruit

MMG Regroupement du Modèle de Mélange Gaussien

Regroupement de propagation d'affinité

OPTIQUE Ordonner les points pour identifier la structure de regroupement

BIRCH Réduction itérative équilibrée et regroupement à l'aide de hiérarchies

Regroupement plat

Regroupement basé sur les centroïdes

Regroupement basé sur la densité

Regroupement basé sur la distribution

Regroupement basé sur la connectivité

Regroupement MiniBatchKMeans

Regroupement hiérarchique de Ward

Groupe de géométrie visuelle

Machine vectorielle de support SVM

Algorithme d'arbre de décision

Forêt d'arbres de décision

Apprentissage par transfert

Algorithme de classification KNN

Apprentissage supervisé

Apprentissage non supervisé

Apprentissage semi supervisé

Apprentissage par renforcement

Règles d'association

Algorithme Apriori

K plus proches voisins

Modèles de distribution

Réduction de la dimensionnalité

Les régularisations

Les descripteurs

Le biais

Analyse en Composantes Principales ACP

Analyse des correspondances multiples ACM

Analyse factorielle des correspondances AFC

Décomposition en valeurs singulières DVS

Analyse en composantes indépendantes ACI

Les chiffres manuscrits

Algorithme génétique

Matrice de confusion

Les hyperparamètres

Contrainte de biais

Validation croisée

Canalisations ML

Exploration de texte

Segmentation d'images

Étiquetage

Algorithmes de boost

Détection de formes dans les images

Mise à l'échelle des fonctionnalités

Analyse prédictive

Recherche opérationnelle

Réseau de neurones

Réseau de neurones récurrents

Réseau de neurones à anticipation

Réseau de neurones à convolution

Réseau de neurones à rétropropagation

Le Réseau de Neurones Artificiels ou Perceptron Multicouche

Réseau de neurones auto-encodeurs

Apprentissage automatique

Bienvenu, je m’appelle Eric Soupet et je suis l'administrateur du site elodees.com. elodees.com est un état de l'art de l'Intelligence Artificielle et se veut collaboratif, vous pouvez dès à présent proposer du contenu tels que des articles, des événements, des tutoriels, ... alors n'hésitez pas !