L'apprentissage profond : les réseaux de neurones profonds (M1 Data économie)

L'apprentissage profond (deep learning) est une branche du machine learning fondée sur les réseaux de neurones artificiels à plusieurs couches. En M1 du parcours data pour économistes, dans le cours de big data, les QCM CampusQCM testent ces méthodes devenues incontournables. Un réseau de…

L'apprentissage profond (deep learning) est une branche du machine learning fondée sur les réseaux de neurones artificiels à plusieurs couches. En M1 du parcours data pour économistes, dans le cours de big data, les QCM CampusQCM testent ces méthodes devenues incontournables. Un réseau de neurones est inspiré du cerveau : des unités (neurones) organisées en couches transmettent et transforment l'information. Chaque neurone calcule une combinaison linéaire pondérée de ses entrées, puis applique une fonction d'activation non linéaire (ReLU, sigmoïde). L'empilement de nombreuses couches cachées (d'où le terme « profond ») permet d'apprendre des représentations hiérarchiques de plus en plus abstraites. L'apprentissage consiste à ajuster les poids par rétropropagation du gradient (backpropagation) et descente de gradient, en minimisant une fonction de perte. Les architectures spécialisées excellent dans des domaines précis : réseaux convolutifs (CNN) pour les images, réseaux récurrents et transformeurs pour le texte et les séquences. Le deep learning exige beaucoup de données et de puissance de calcul (GPU). En économie, il sert au traitement d'images satellitaires, à l'analyse de texte et à la prévision. Puissant mais peu interprétable (boîte noire), il complète les méthodes économétriques classiques. L'apprentissage profond est à la frontière de la data science.