PRO+ Contenu Premium/Applications & Données
Accédez au contenu Pro+ ci-dessous.
Deep learning : réseaux neuronaux RNN et CNN quelles différences ?
Cet article fait partie de l’ezine Applications & Données : N°10 - Automne 2020
Cela fait plus de cinquante ans que nous cherchons à reproduire artificiellement l’intelligence humaine. Chaque percée en matière d’IA nous rappelle à quel point nous comprenons mal la merveilleuse machine qui se trouve entre nos deux oreilles. Dans sa quête, le milieu de la recherche a néanmoins fait des progrès remarquables ces dernières années. Trois facteurs expliquent ces succès : l’amélioration des algorithmes – plus particulièrement des réseaux de neurones –, l’explosion des données pouvant être utilisées pour leur entraînement et l’augmentation de la puissance de calcul. Afin de déterminer des attentes réalistes en matière d’IA – sans pour autant manquer des opportunités –, il est important de bien comprendre les algorithmes, leurs capacités et leurs limites. Dans cet article, nous explorons deux algorithmes qui ont permis de réaliser un bond considérable dans le domaine du Deep Learning : les réseaux neuronaux convolutifs (CNN) et les réseaux neuronaux récurrents (RNN). Nous aborderons leur nature, leurs différences, ...
A lire Dans ce numéro
-
Applications & Données n° 10 : le Machine Learning est en action
Le numéro d’automne de notre revue dédiée aux applications métiers et à la gestion des données est entièrement consacré au Machine Learning et à la Data Science. Au menu : des conseils d’experts pour mener à bien vos projets de bout en bout, et deux retours d’expérience qui les ont appliqués à la SNCF et dans le secteur de la logistique.
-
Quand choisir un moteur de règles ou le machine learning
Le choix entre un moteur de règles et un algorithme de machine learning dépend de la complexité de la tâche décisionnelle à accomplir et du niveau d'expertise des équipes en interne.
-
SNCF Réseau optimise les entraînements de ses algorithmes avec le cloud
SNCF Réseau, filiale de la SNCF a choisi le cloud AWS pour déployer son environnement de traitement de données décisionnel et analytique. Son architecture très spécifique facilite l’entraînement d’algorithmes, dont ceux de computer vision pour détecter les anomalies sur les rails.
-
IA Frugale : comment entraîner des modèles avec peu de données ?
Entraîner des modèles de machine learning avec peu de données, est-ce possible ? Oui, mais les spécialistes considèrent que les techniques d’enrichissement sont suffisamment performantes pour généraliser les apprentissages de leurs modèles.
-
Feature engineering : cinq conseils essentiels pour améliorer vos modèles IA
De la compréhension de l'objectif escompté d'un modèle algorithmique à la prise en compte des spécificités du domaine d'application, des experts partagent les méthodes pour faciliter la phase de feature engineering.
-
Deep learning : réseaux neuronaux RNN et CNN quelles différences ?
Les réseaux de neurones convolutifs et récurrents sont à la base de nombreuses applications d’intelligence artificielle. Découvrez les différences entre ces deux types de réseau de neurones artificiels.