L'apprentissage profond (deep learning) est une branche de l'apprentissage automatique où l'on empile de nombreuses couches de neurones artificiels pour transformer progressivement une donnée brute (pixels, sons, mots) en concepts de plus en plus abstraits. L'analogie classique : comme un cerveau qui reconnaît d'abord des contours, puis des formes, puis un visage, le réseau apprend une hiérarchie de représentations, couche après couche.
Le neurone, brique de base
Chaque neurone calcule une somme pondérée de ses entrées, ajoute un biais, puis applique une fonction d'activation non linéaire. C'est cette non-linéarité (comme ReLU) qui permet au réseau de modéliser des relations complexes.
$$ y = \sigma!\left(\sum_{i=1}^{n} w_i x_i + b\right) $$
Les poids $w_i$ et le biais $b$ ne sont pas programmés à la main : ils sont appris automatiquement.
Comment le réseau apprend
L'entraînement répète deux phases :
- Propagation avant : la donnée traverse les couches et produit une prédiction.
- Rétropropagation : on mesure l'erreur via une fonction de perte, puis la descente de gradient ajuste les poids pour réduire cette erreur.
Machine learning « classique » vs profond
| Critère | ML classique | Apprentissage profond |
|---|---|---|
| Caractéristiques | conçues à la main | apprises automatiquement |
| Données requises | modérées | massives |
| Puissance de calcul | faible | élevée (GPU) |
Le deep learning domine aujourd'hui la vision, la parole et le langage naturel, et constitue le socle des grands modèles modernes.
Sa force : apprendre les bonnes représentations directement à partir des données, plutôt que de les dicter.