📝 AMELIOREZ VOS COMPETENCES EN Details SCIENCE : https://damienchambon.podia.com/e-mails-prives
Machine Learning vs Deep Discovering : quelle différence ?
Machine Learning ou Deep Discovering ? C’est la concern que de nombreuses personnes se posent après s’être lancé dans ces domaines. Dans cette vidéo en français, je vous détaille la différence entre Machine Learning et Deep Finding out.
00:51 Qu’est-ce que le Machine Learning ?
03:13 Qu’est-ce que le Deep Understanding ?
07:16 Machine Learning vs Deep Learning
09:20 Conseils en Deep Understanding
10:40 Deals Python pour le Machine Learning et le Deep Studying
Le Machine Learning est la self-discipline qui permet de donner aux ordinateurs la capacité d’apprendre à partir de données. Grâce à des principles mathématiques et statistiques, les algorithmes de Machine Learning vont être optimiser pour minimiser leurs erreurs de prédiction. Le Machine Learning est divisé en 2 branches : l’apprentissage supervisé et l’apprentissage supervisé. Le premier correspond aux modèles chargés de prédire une valeur (numérique ou catégorielle) alors que le deuxième représente les modèles qui ont pour but de résumer des données comme avec le clustering par exemple.
Le Deep Finding out fait référence à cette volonté de simuler les réseaux neuronaux humains dans un ordinateur. Chaque neurone va être considéré comme un mini-modèle à optimiser, avec ses propres paramètres et prédictions. Les neurones sont organisés en couches qui communiquent entre elles. Les données sont ainsi transformées et combinées pour arriver à une prédiction finale. Les réseaux neuronaux ont été conceptualisés dans les années 50 mais à lead to du manque de moyens computationnels, ils ont vite été abandonnés. Une fois que des architectures de réseaux neuronaux ont été formalisées selon différents cas d’usage comme les RNN ou CNN, les réseaux neuronaux du Deep Discovering ont suscité un regain d’intérêt. Cependant, leur effectiveness étant moindre que celles des autres algorithmes du Machine Learning, les réseaux neuronaux ont été à nouveaux abandonnés. Plus récemment, grâce à un nombre de données disponibles toujours additionally grand et des ressources quasi illimitées, les réseaux de Deep Learning ont fait l’actualité avec AlphaGo de DeepMind, les assistants comme Siri et les robots sur Mars.
Ainsi, le Machine Learning et le Deep Finding out ne sont pas à différencier. Ils ont tout deux pour but de résoudre des problèmes de prédiction. Le Machine Learning est la discipline qui consiste à créer des systèmes intelligents tandis que le Deep Discovering est un des outils du Machine Learning, aux côtés des arbres de décision, de la régression linéaire, des SVM, and so forth. Contrairement aux autres algorithmes de Machine Learning, le Deep Discovering permet d’avoir des représentations de données de additionally haut niveau et donc de mieux apprendre des données. Cependant, l’aspect « boite noire », les nombreux paramètres à modifier et le temps qu’il faut mettre pour l’entrainer font des réseaux neuronaux des outils complexes.
Avant de vous lancer dans le Deep Discovering, je vous conseille de tester d’abord des algorithmes et modèles plus simples du Machine Learning afin d’obtenir leur functionality. Une fois leur score établi, vous pouvez vous lancer en Deep Mastering pour voir si les réseaux neuronaux permettent réellement d’avoir une meilleure performance, ce qui n’est pas toujours le cas. Ceci vous permet de ne pas vous perdre dans la complexité de ce domaine. Le offer Python à utiliser en Machine Learning est scikit-learn et pour le Deep Mastering, je vous recommande Tensorflow, Keras mais surtout PyTorch.
👋🏼 Qui suis-je ?
Je m’appelle Damien et je suis Info Scientist. Au cours de mes expériences professionnelles, j’ai découvert comment la Facts Science et le Machine Learning peuvent résoudre des problématiques organization et sociétales.
J’ai formé des dizaines d’étudiants à la Data Science et au Machine Learning en français pour leur permettre de découvrir ces domaines fascinants et les appliquer dans leur vie professionnelle.
