Deep learning : réseaux de neurones et différence avec le ML

Le deep learning (apprentissage profond) est une branche du machine learning qui utilise des réseaux de neurones artificiels à plusieurs couches pour apprendre directement à partir de données brutes comme des images, du son ou du texte. Là où le machine learning classique a besoin qu'on lui prépare les bonnes caractéristiques, le deep learning les découvre lui-même.

Cette leçon, facultative, définit le deep learning, explique comment fonctionne un réseau de neurones (perceptron, couches, fonction d'activation, rétropropagation), le distingue du machine learning classique, présente les grandes familles de réseaux et les frameworks. Elle prolonge l'accueil Machine learning et prépare la leçon PyTorch, où l'on entraîne un premier réseau.

Ce que vous allez apprendre

• Définir le deep learning et l'apprentissage profond.
• Comprendre le fonctionnement d'un réseau de neurones.
• Distinguer machine learning et deep learning, et savoir quand choisir l'un ou l'autre.
• Reconnaître les familles CNN, RNN et transformers.
• Situer les frameworks PyTorch, TensorFlow et Keras.

Quels sont les prérequis ?

Il faut avoir lu l'accueil de la formation et la leçon Types d'apprentissage : les notions de modèle, d'entraînement et de données étiquetées y sont définies. Aucune mathématique avancée n'est requise ; la seule opération utilisée ici est la somme pondérée, expliquée au fil du texte. Les modules « Apprentissage supervisé » et « Apprentissage non supervisé » ne sont pas un prérequis strict, mais la régression linéaire sert de point de comparaison.

Qu'est-ce que le deep learning ?

Le deep learning est un machine learning fondé sur des réseaux de neurones profonds, c'est-à-dire empilant de nombreuses couches. Chaque couche apprend une représentation de plus en plus abstraite : sur une image, les premières couches détectent des contours, les suivantes des formes, puis des objets entiers.

Sa force est de se passer du feature engineering manuel, c'est-à-dire du travail qui consiste à choisir et fabriquer à la main les caractéristiques que le modèle va lire. Sur les données non structurées, images, audio et langage, il a pris une avance nette sur le machine learning classique. Le critère est le type de données, pas seulement leur volume : sur des tableaux, même très gros, les modèles classiques restent souvent aussi précis, moins coûteux et plus faciles à justifier. Sa contrepartie : il demande beaucoup de données, beaucoup de calcul (souvent des GPU, des processeurs graphiques) et reste difficile à expliquer.

Le deep learning est un sous-ensemble du ML

Tout deep learning est du machine learning, mais l'inverse est faux. Le deep learning se distingue par l'usage de réseaux de neurones profonds ; le reste du machine learning (régression, arbres, clustering) n'en utilise pas.

Comment fonctionne un réseau de neurones

Un réseau de neurones artificiel s'inspire de loin du cerveau. Son unité de base est le neurone (ou perceptron) : il reçoit des entrées, les multiplie par des poids (des coefficients que l'entraînement ajuste), les additionne, puis passe le résultat dans une fonction d'activation qui décide de ce qui est transmis.

Ces neurones sont organisés en couches :

• La couche d'entrée reçoit les données.
• Les couches cachées transforment l'information, de plus en plus abstraite.
• La couche de sortie produit la prédiction.

L'apprentissage suit toujours la même boucle, et la retenir suffit à lire n'importe quel code d'entraînement : les données entrent, traversent les couches, produisent une prédiction ; une fonction de perte chiffre l'écart avec la bonne réponse ; la rétropropagation remonte cet écart de la sortie vers l'entrée pour corriger les poids de chaque neurone, en calculant pour chacun son gradient, c'est-à-dire de combien et dans quel sens le modifier pour réduire l'écart ; l'optimiseur met ensuite à jour les poids à partir de ces gradients. Répétée des milliers de fois, cette boucle fait converger le réseau vers un modèle performant. Le schéma suivant montre une itération de cette boucle (appelée epoch lorsqu'elle parcourt l'ensemble des données) : la boîte en couleur est la perte, ce que l'on cherche à réduire, et la flèche pointillée ramène les poids corrigés vers la prédiction suivante.

Source · SVG

Échap pour fermer, + et − pour zoomer, défilement pour se déplacer. 100 % − Ajuster + Fermer

Le rôle de la fonction d'activation

Sans fonction d'activation non linéaire (comme ReLU, qui remplace les valeurs négatives par zéro), un réseau, même profond, ne saurait modéliser que des relations linéaires. C'est elle qui donne au réseau sa capacité à apprendre des motifs complexes.

Machine learning ou deep learning ?

Le deep learning n'est pas toujours le bon choix. Le tableau résume quand préférer l'un ou l'autre :

Critère	Machine learning classique	Deep learning
Données	Fonctionne avec peu de données	Exige de grands volumes
Type de données	Tabulaires (fichiers, bases)	Images, son, texte
Caractéristiques	À préparer à la main	Apprises automatiquement
Calcul	CPU suffisant	GPU souvent nécessaire
Explicabilité	Plus facile	Difficile (boîte noire)

Glissez pour voir

En pratique : pour des données tabulaires, un modèle classique comme une régression ou une forêt aléatoire est souvent aussi bon et bien plus simple. Le deep learning s'impose sur les données non structurées (vision, langage, audio).

Trois familles de réseaux à connaître d'abord

Chaque type de données a ses architectures de prédilection. Les trois qui suivent sont des repères pour commencer, et elles se comprennent mieux dans l'ordre, la troisième répondant à une limite de la deuxième :

• CNN (réseaux convolutifs) : spécialisés dans les images, ils détectent des motifs visuels locaux. Base de la vision par ordinateur.
• RNN et LSTM : conçus pour les séquences (texte, séries temporelles, audio). Ils entretiennent un état caché, une mémoire transmise d'un pas de temps au suivant, qui se dilue à mesure que la séquence s'allonge : les dépendances longues finissent par leur échapper.
• Transformers : plutôt que de transmettre un état de proche en proche, ils regardent la séquence entière d'un coup grâce au mécanisme d'attention, ce qui traite précisément le problème précédent. C'est l'architecture qui domine aujourd'hui le langage, socle des grands modèles de langage (LLM), dont le fonctionnement est expliqué dans le guide Comment fonctionnent les LLM.

Ces trois familles ne forment pas une classification complète. Le domaine en compte beaucoup d'autres, chacune née d'un besoin particulier : les autoencodeurs pour compresser et débruiter, les réseaux de graphes pour des données reliées entre elles comme un réseau social, les modèles de diffusion derrière la génération d'images, ou les architectures à espace d'état pour les très longues séquences. Les trois ci-dessus suffisent à lire la littérature courante, pas à en faire le tour.

Les frameworks du deep learning

On ne code pas un réseau de neurones à la main : des frameworks gèrent les calculs et la rétropropagation.

• PyTorch : très répandu en recherche et de plus en plus en production, réputé pour sa souplesse. Voir le guide pratique pour entraîner un premier réseau de neurones.
• TensorFlow : la solution de Google, robuste pour le déploiement à grande échelle.
• Keras : une surcouche de haut niveau qui simplifie la construction de réseaux. Depuis Keras 3, elle s'exécute au choix sur JAX, TensorFlow ou PyTorch (variable KERAS_BACKEND).

Pour débuter, l'essentiel est de bien maîtriser le machine learning classique et Python avant de plonger dans ces frameworks. Côté exploitation, un modèle classique comme la régression suffit pour prévoir une latence à partir de métriques en tableau ; le deep learning se justifie quand les données sont des journaux en texte libre, des images ou du son.

À retenir

1. Le deep learning est un ML fondé sur des réseaux de neurones profonds, qui apprennent les caractéristiques tout seuls.
2. Un réseau de neurones combine des entrées pondérées via des couches et une fonction d'activation, et apprend par rétropropagation.
3. ML classique pour les données tabulaires, deep learning pour images, son et texte.
4. Trois familles parmi d'autres : CNN (images), RNN (séquences), transformers (langage), à côté des autoencodeurs, réseaux de graphes et modèles de diffusion.
5. PyTorch et TensorFlow sont les frameworks de référence.

Contrôle de connaissances

Validez vos connaissances avec ce quiz interactif

6 questions

6 min.

70% requis

Informations

• Le chronomètre démarre au clic sur Démarrer
• Questions à choix multiples, vrai/faux et réponses courtes
• Vous pouvez naviguer entre les questions
• Les résultats détaillés sont affichés à la fin

Démarrer le quiz

Lance le quiz et démarre le chronomètre

FAQ : questions fréquentes

Le deep learning, c'est quoi ?

Quelle différence entre machine learning et deep learning ?

Qu'est-ce qu'un réseau de neurones ?

PyTorch ou TensorFlow ?

×

📖 Voir la documentation →