Le machine learning est un sous-domaine de l’intelligence artificielle. Il porte plus spécifiquement sur des algorithmes informatiques capables de s’améliorer d’eux-mêmes grâce à des données d’entraînement, sans programmation spécifique. Il est largement perçu comme le moyen le plus prometteur de parvenir à une intelligence artificielle qui se rapproche véritablement de l’intelligence humaine.
Les algorithmes du machine learning peuvent être globalement classés en trois catégories :
Cet article présente brièvement les concepts d’apprentissage machine (ou machine learning) et de deep learning, et en explique les différences.
Le deep learning est une branche du machine learning qui utilise des réseaux neuronaux artificiels pour se rapprocher de l’intelligence humaine. Inspiré des neurones humains, le deep learning utilise la théorie des graphes pour organiser les algorithmes de pondération en couches de nœuds et d’arêtes. Les algorithmes de deep learning sont extrêmement performants pour traiter des données non structurées (par exemple, des images ou langages).
Techniquement, pour être considéré comme « profond » (« deep » en anglais), un réseau neuronal doit contenir des couches cachées entre les couches d’entrée et de sortie d’un perceptron, c’est-à-dire la structure de base d’un réseau neuronal. Ces couches sont considérées comme « cachées » car elles n’ont aucun lien avec le monde extérieur. Exemples d’architectures de deep learning :
Essayez une instance de Pure1® en libre-service pour gérer Pure FlashBlade™, la solution native scale-out la plus avancée du secteur pour le stockage de fichiers et d’objets.
Le deep learning est assimilé à un sous-ensemble du machine learnng. La principale différence entre les algorithmes de deep learning et les autres algorithmes du machine learning tient à leur utilisation de réseaux de neurones artificiels. Par ailleurs, la présence de couches cachées entre les couches d’entrée et de sortie (qui forment un perceptron élémentaire) est ce qui permet de qualifier un réseau neuronal de « profond ».
Les algorithmes de deep learning permettent de traiter des données non structurées, à condition cependant de disposer d’une puissance de traitement suffisante. Dans les domaines de l’apprentissage non supervisé et de l’apprentissage par renforcement, cela confère au deep learning un avantage indéniable sur les autres algorithmes du machine learning. Les réseaux neuronaux de deep learning ont considérablement gagné en viabilité grâce à l’amélioration de la puissance de traitement et du stockage de données, ce qui a considérablement contribué aux récents progrès observés dans le domaine de l’IA.
Pure Storage® bénéficie d’une position idéale pour tirer parti du monde de l’IA tout en y contribuant. Les réseaux neuronaux de deep learning nécessitent des données à la fois volumineuses et rapides. Pure propose des solutions de stockage 100 % flash qui associent les performances d’une mémoire flash 100 % NVMe à la puissance d’une analytique prédictive alimentée par l’IA afin d’offrir une Modern Data Experience™. Avec Pure, vous pouvez :
Vous avez des questions ou des commentaires concernant des produits ou certifications Pure ? Nous sommes là pour vous aider.
Planifiez une démo en direct et découvrez comment Pure peut vous aider à transformer vos données.
Tél. : +33 1 89 96 04 00
Services Médias : pr@purestorage.com
Pure Storage France
32 rue Guersant
75017 Paris