Quelles sont les différences entre le Machine Learning et le Deep Learning ?

Vous vous passionnez pour les technologies de l’Intelligence Artificielle ? Nous vous expliquons ici la différence entre le Machine Learning et le Deep Learning. 

Les technologies de l’Intelligence Artificielle 

Les technologies de l’Intelligence Artificielles développées ces dernières décennies ont pour objectif de mimer les capacités intellectuelles du cerveau humain. 

Au sein de ce domaine  innovant, nous entendons de plus en plus parler de Machine Learning et Deep Learning. Tous deux sont des techniques basées sur des algorithmes complexes qui permettent à des machines d’apprendre à traiter des données en entrée, à les structurer, à les catégoriser et à répondre à des questions comme réaliser des prédictions. Cependant, les procédés et les méthodes mis au point dans le Machine Learning diffèrent de ceux mis en place dans le Deep Learning. 

Une première différence réside dans le fait que dans le Machine Learning, nous utilisons des algorithmes, des arbres de décisions, etc. Alors que dans le Deep Learning, nous avons recours à des réseaux de neurones. Des réseaux de neurones convolutionnels dans le traitement d’image et récursif dans l’analyse de texte. 

Les Features Extraction : Machine Learning vs Deep learning 

Une deuxième différence concerne les Features Extractions. Ils représentent la véritable distinction entre le Machine Learning et le Deep Learning.  

Qu’est-ce qu’une Feature Extraction ? 

Imaginons que votre mission est de prédire si une personne achètera ou pas votre produit. Dans le Machine Learning, c’est au Data Scientist de chercher dans la masse informe et sans structure des données, celles qui seront pertinentes à mettre en entrée dans les algorithmes afin de répondre à la question. Des données comme l’âge de la personne, son sexe et sa provenance par exemple. Il revient donc à l’humain de choisir les données structurées et adaptées pour que la machine apprennent à résoudre un problème.  

Dans le Deep Learning, cela n’est pas nécessaire. Dans ce cas, la machine reçoit des données brutes comme des images, des textes ou encore des sons, et c’est à elle seule de résoudre un problème. Par exemple, déterminer si une image est celle d’un chat ou d’un chien. L’algorithme est entraîné pour pouvoir recevoir une donnée et de lui-même l’analyser pour répondre à une question. Il doit être capable de sortir l’élément important dans le jeu de données de manière autonome pour la prédiction que l’on veut faire.  

Une dernière différence à prendre en considération est la puissance de calcul requise. Le Deep Learning repose sur des réseaux de neurones, qui sont composés de plusieurs couches. Plus les couches sont nombreuses et plus l’algorithme est puissant. Des algorithmes très profonds sont dans la plupart des cas nécessaires pour obtenir des résultats intéressants. Facebook a des réseaux de neurones comprenant plus de 2 500 couches dans la reconnaissance faciale. Cela implique des puissances de calcul colossales pour que les algorithmes soient vraiment efficaces. C’est une limite importante du Deep Learning.