Différence entre Machine learning et Deep learning
Machine learning et deep learning! Tout le monde en parle – qu’ils comprennent ou non les différences! Que vous suiviez activement la science des données ou non, vous auriez entendu ces termes.
Au cours des dernières années, le terme «Deep learning» a fait son chemin dans tous les domaines lorsqu’il est question d’intelligence artificielle (IA), Big Data et d’analyse. Il s’agit d’une approche de l’IA qui est très prometteuse pour le développement de systèmes d’auto-apprentissage autonomes qui révolutionnent de nombreuses industries.
Si vous êtes souvent demandé quelle est la différence entre Machine learning et Deep learning, poursuivez votre lecture pour découvrir une comparaison détaillée et simple.

Qu’est-ce que le Machine learning:
Machine learning est un domaine qui utilise des techniques statistiques (ou mathématiques) pour construire un modèle (ou un système) à partir de données observées.
Bien que le nom semble sophistiqué, il est parfois aussi simple que la régression linéaire (sous une forme très rudimentaire). Un exemple un peu plus complexe est le détecteur de spam dans votre boîte aux lettres qui « apprend » que les courriers électroniques sont du spam, puisque vous n’avez jamais donné d’instructions pour chaque type de courrier électronique.
Le plus souvent, ces algorithmes fonctionnent avec un ensemble précis d’entités extraites de vos données brutes. Les fonctionnalités peuvent être très simples, telles que les valeurs de pixel pour les images, les valeurs temporelles pour un signal, ou des fonctionnalités complexes telles que la représentation de mots pour le texte. Les algorithmes de Machine learning les plus connus ne fonctionnent que si les fonctionnalités représentent les données. L’identification correcte des caractéristiques est une étape cruciale.
Les sous-domaines de Machine learning sont:
Supervised learning(Apprentissage supervisé): une machine est fournie avec des exemples d’entrées et de sorties. L’objectif est d’apprendre une règle générale mappant les entrées aux sorties. Un algorithme d’apprentissage supervisé analyse les données et produit une fonction inférée qui peut être utilisée pour mapper de nouveaux exemples et fonctions.
Unsupervised learning(Apprentissage non supervisé): aucun étiquette n’est attribué à l’algorithme d’apprentissage, en le laissant seul pour trouver une structure dans son entrée. Il n’y a aucune évaluation de la précision de la structure fournie par l’algorithme approprié.
Qu’est-ce que le Deep learning:
Deep Learning est une famille plus large de Machine Learning qui tente d’apprendre des fonctionnalités de haut niveau à partir des données fournies. Ainsi, le problème qu’il résout est la réduction de tâches consistant à créer de nouvelles fonctions d’extraction pour chaque type de données (speech, image, etc.).
Les modèles de base de machine learning s’améliorent progressivement quelle que soit leur fonction, mais ils offrent quand même quelques indications. Si un algorithme ML retourne une prédiction inexacte, un ingénieur doit alors intervenir et effectuer des ajustements. Mais avec le modèle de deep learning, les algorithmes peuvent déterminer par eux-mêmes si une prédiction est exacte ou non.
Par exemple dans le domaine du traitement des images, l’algorithme de Deep Learning tentera d’apprendre des caractéristiques telles que la distance entre les yeux, la longueur du nez, etc. lorsque la tâche de reconnaissance d’image leur est présentée. Ils peuvent utiliser ces informations pour des tâches de classification, de prédiction, etc.
Conclusion
Alors que ML se concentre sur la résolution de problèmes du monde réel avec des réseaux de neurones conçus pour imiter notre propre processus de décision, Deep Learning se concentre de manière encore plus étroite sur un sous-ensemble d’outils et de techniques de ML, et les applique à la résolution de tout problème « Pensée » – humaine ou artificielle.