Deep Learning
Deep Learning = l'apprentissage par couches successives
Le deep learning (apprentissage profond) est une branche du machine learning qui utilise des réseaux de neurones artificiels à nombreuses couches pour apprendre directement à partir de données brutes : images, sons, textes, signaux. Chaque couche extrait des caractéristiques de plus en plus abstraites, des contours d'une image jusqu'à l'objet entier.
Ces réseaux s'inspirent très librement du cerveau, mais restent des fonctions mathématiques dont les paramètres sont ajustés pendant l'entraînement, à partir de grandes quantités d'exemples et d'une forte puissance de calcul, généralement des GPU.
L'essor date du début des années 2010, quand ces méthodes ont nettement dépassé les approches classiques en reconnaissance d'images. On lui doit la vision par ordinateur, la reconnaissance vocale, la traduction automatique et, avec l'architecture Transformer, les grands modèles de langage. Les frameworks de référence sont PyTorch et, dans une moindre mesure, TensorFlow et JAX.
Pourquoi ça compte quand on recrute
Le deep learning recouvre la recherche (nouvelles architectures), l'entraînement à grande échelle et l'intégration de modèles existants : trois profils différents. Sur un CV, cherchez des modèles entraînés sur de vraies données, avec les contraintes associées (volumétrie, GPU, déploiement), ou des publications pour un poste de recherche. En entretien, demandez comment le candidat a diagnostiqué un modèle qui n'apprenait pas.