Scribd
Importer
19 vues3 pages

Différences entre Machine Learning et Deep Learning

Le document compare le Machine Learning et le Deep Learning, soulignant que le premier utilise des algorithmes pour apprendre à partir de données structurées, tandis que le second repose sur des réseaux de neurones pour traiter des données complexes. Le Machine Learning est efficace avec des ensembles de données de taille modérée et est plus interprétable, alors que le Deep Learning nécessite de grandes quantités de données et de puissance de calcul, mais excelle dans des tâches complexes comme la reconnaissance d'images. Les applications concrètes incluent le filtrage de spam pour le Machine Learning et la conduite autonome pour le Deep Learning.

Transféré par

Adama Laye Mbaye
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PPTX, PDF, TXT ou lisez en ligne sur Scribd
19 vues3 pages

Différences entre Machine Learning et Deep Learning

Le document compare le Machine Learning et le Deep Learning, soulignant que le premier utilise des algorithmes pour apprendre à partir de données structurées, tandis que le second repose sur des réseaux de neurones pour traiter des données complexes. Le Machine Learning est efficace avec des ensembles de données de taille modérée et est plus interprétable, alors que le Deep Learning nécessite de grandes quantités de données et de puissance de calcul, mais excelle dans des tâches complexes comme la reconnaissance d'images. Les applications concrètes incluent le filtrage de spam pour le Machine Learning et la conduite autonome pour le Deep Learning.

Transféré par

Adama Laye Mbaye
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PPTX, PDF, TXT ou lisez en ligne sur Scribd

Machine Learning vs.

Deep Learning
Deux approches de l'apprentissage automatique.

par Adama Mbaye


Différences Clés
Critères Machine Learning Deep Learning

Domaine de l'IA qui utilise des algorithmes pour permettre aux Est définie comme un Sous-domaine du ML basé sur des réseaux de
Définition
systèmes d'apprendre à partir des données. neurones artificiels profonds.

Fonctionne bien avec des données structurées et de petite taille. Adapté aux données complexes et de grande taille.

Complexité des données Performant avec des ensembles de données de taille modérée. Nécessite de grandes quantités de données pour être efficace.

L'ingénierie des caractéristiques est essentielle pour améliorer les Automatisation de l'extraction des caractéristiques via les couches de
performances. neurones.

Exigence en matière de données

Relativement rapide pour l'entraînement sur des ensembles de Exige beaucoup de puissance de calcul et plus de temps d'entraînement.
données simples.

Réseaux neuronaux profonds : CNN, RNN, LSTM, GAN, etc.


Prérequis pour l'ingénierie des caractéristiques
Régression linéaire, arbres de décision, SVM, k-means, etc.

Moins interprétable en raison de la complexité des modèles (boîte noire).


Plus facile à interpréter (importance des variables dans une régression).

Temps de calcul
Nécessite des GPU/TPU pour accélérer les calculs.
Peut fonctionner sur des ordinateurs standard.

Reconnaissance d’images, traitement du langage naturel, traduction, etc.


Analyse de données, prédiction, reconnaissance de tendances.
Modèles typiques

Très performant pour les tâches complexes grâce aux multiples couches.
Moins performant pour des tâches complexes comme la vision ou le
langage naturel.

Interprétabilité
Applications Concrètes

Filtrage de Spam Conduite Autonome


Machine Learning Deep Learning

Reconnaissance Vocale
Deep Learning

Vous aimerez peut-être aussi