Les technologies d’Intelligence Artificielle et de « Deep Learning » s’appuient sur divers types d’architectures de réseaux neuronaux, selon le nombre de couches intermédiaires (cachées) et les algorithmes utilisés pour la propagation, voire rétropropagation des données à l’intérieur des réseaux. Parmi celles-ci, les réseaux dits convolutifs occupent une place à part, particulièrement efficaces dans les opérations de classification. Autrement dit reconnaître un objet, à l’aide d’une phase d’apprentissage, parmi N possibilités, grâce à une fonction de convolution, que nous nous garderons bien de présenter, car elle est du domaine des mathématiques pures.
La raison pour laquelle nous avons choisi de nous focaliser sur les réseaux convolutifs, est qu’ils sont relativement faciles à comprendre et qu’ils nous permettront d’introduire des notions un peu « abscons », les fonctions d’activation, les bias, etc.
Parions qu’à l’issue de ce webinaire, le monde des réseaux neuronaux vous semblera moins abstrait.