WEBVTT 00:00.420 --> 00:07.320 Allison devrait savoir ce que vous dites. Je ne sais pas ce qu'est Internet, cet énorme ordinateur. 00:07.380 --> 00:10.870 Est-ce celui qui devient vraiment gros maintenant. 00:11.010 --> 00:11.400 Que voulez-vous dire. 00:11.440 --> 00:16.350 C'est ce que vous savez ce que vous écrivez à ce que je ne sais pas, beaucoup de gens l'utilisent et communiquent. 00:16.410 --> 00:18.960 Je suppose qu'ils peuvent communiquer avec les auteurs et les producteurs de NBC. 00:18.960 --> 00:21.180 Allison, pouvez-vous expliquer à quel point 00:29.140 --> 00:30.590 Internet est incroyable? 00:30.670 --> 00:34.470 Il y a un peu plus de 20 ans, les gens ne savaient même pas ce qu'était Internet. 00:34.510 --> 00:37.260 Et aujourd'hui, nous ne pouvons même pas imaginer que nos vies sont pour elle. 00:37.300 --> 00:39.560 Bienvenue aux personnes qui gagnent des ETA de ce cours. 00:39.580 --> 00:44.800 Je m'appelle Cora Menko et, avec l'entrepreneur, Lunda Pontmercy était ravie de vous 00:44.800 --> 00:45.570 accueillir. 00:45.610 --> 00:51.670 Et aujourd’hui, nous allons vous donner un bref aperçu de ce qu’il est déploré et des raisons pour lesquelles il 00:51.670 --> 00:52.300 s’aggrave actuellement. 00:52.300 --> 00:53.590 Alors, commençons. 00:53.590 --> 00:57.640 Pourquoi avons-nous regardé ce clip et quelle est cette photo ici. 00:57.670 --> 01:00.310 Eh bien ce clip était de 1994. 01:00.310 --> 01:03.110 Ceci est une photo d'ordinateur de 1980. 01:03.220 --> 01:09.490 Et la raison pour laquelle nous sommes en quelque sorte plongés dans l'histoire est un peu parce que les réseaux de neurones et 01:09.490 --> 01:15.670 l'apprentissage en profondeur existent depuis un certain temps et qu'ils ne font que commencer à prendre de l'ampleur et à avoir une incidence 01:15.670 --> 01:16.640 sur le monde. 01:16.750 --> 01:22.510 Mais si vous regardez les années 80, vous verrez que, même si elles ont été inventées dans les 01:22.510 --> 01:30.760 années 60 et 70, elles ont vraiment adopté une tendance ou ont appelé le vent froid dans les années 80, alors les gens en parlent beaucoup. 01:30.760 --> 01:35.890 Il y avait beaucoup de recherche dans ce domaine et tout le monde pensait que l'apprentissage en profondeur ou les réseaux 01:35.890 --> 01:41.830 de neurones étaient cette nouvelle chose qui va avoir un impact sur le monde va changer tout ce qui va résoudre tous les problèmes du 01:41.860 --> 01:46.060 monde et ils ont été un peu lents à mourir au cours de la prochaine décennie. 01:46.080 --> 01:51.210 Et alors, que s'est-il passé? Pourquoi les réseaux de neurones n'ont-ils pas survécu et n'ont-ils pas changé le 01:51.200 --> 01:51.750 monde? 01:51.940 --> 01:57.220 La raison en est qu'ils ne sont tout simplement pas assez bons pour être prédictifs, qu'ils ne prédisent pas les 01:57.270 --> 02:02.320 choses, qu'ils ne sont pas très bons pour la modélisation et que ce n'est vraiment pas une bonne invention. 02:02.350 --> 02:03.400 Ou y a-t-il une autre raison? 02:03.400 --> 02:08.410 En fait, il y a une autre raison. La raison en est que la technologie 02:08.410 --> 02:15.640 à l'époque n'était pas à la hauteur pour faciliter les réseaux de neurones afin que les réseaux de neurones et l'apprentissage en 02:15.700 --> 02:17.130 profondeur fonctionnent correctement. 02:17.140 --> 02:21.880 Vous avez besoin de deux choses, vous avez besoin de données et vous avez besoin de beaucoup de données et vous avez besoin d'une 02:21.880 --> 02:25.960 puissance de traitement, vous avez besoin d'ordinateurs puissants pour traiter ces données et faciliter, et vous savez que cela fonctionne. 02:25.990 --> 02:32.900 Examinons maintenant l'évolution des données ou du stockage de données au fil des ans, 02:32.900 --> 02:34.880 puis la technologie. 02:34.880 --> 02:39.350 Nous y voilà donc en trois ans 1956 1980 2017. 02:39.830 --> 02:43.220 À quel point le stockage a-t-il été examiné en 1956? 02:43.280 --> 02:47.600 Eh bien, il y a un disque dur et ce disque dur est seulement un cinq. 02:47.750 --> 02:54.980 Attendez un disque dur en mégabits C'est cinq mégaoctets sur le chariot élévateur, de la taille d'une petite 02:54.980 --> 03:01.040 pièce, où un disque dur est transporté à un autre endroit dans un avion. 03:01.370 --> 03:04.670 Et c’est ce à quoi ressemblait le stockage dans le. 03:04.700 --> 03:11.360 En 1956, vous deviez payer une entreprise qui devait payer deux mille dollars et demi de dollars de ce jour-là pour louer 03:11.390 --> 03:16.400 ce disque dur, pour le louer, ne pas l'acheter ou le louer pour un mois. 03:16.400 --> 03:18.760 En 1980, la situation s'est un peu améliorée. 03:18.800 --> 03:24.290 Nous avons donc ici un disque dur de 10 mégaoctets pour trois mille cinq cent dollars, ce 03:24.290 --> 03:27.260 qui coûte encore très cher et seulement 10 mégaoctets. 03:27.260 --> 03:36.840 Et aujourd'hui, en 2017, nous avons une carte SD de 256 gigaoctets pour 150 dollars qui peut tenir sur votre doigt. 03:37.100 --> 03:43.790 Et si vous regardez cette vidéo un an plus tard ou comme en 2019 ou 2025, vous vous moquez probablement de nous tous parce 03:43.790 --> 03:47.240 qu’à ce moment-là, votre capacité de stockage est encore plus grande. 03:47.240 --> 03:52.910 Néanmoins, le problème demeure si nous les comparons d'un bout à l'autre du marché et que nous prenons même en 03:52.910 --> 03:58.370 compte le prix et la taille uniquement la capacité de ce qui était à la mode à l'époque. 03:58.370 --> 04:04.090 Ainsi, de 1956 à 1980, la capacité a augmenté du double environ. 04:04.250 --> 04:12.380 Et puis il a augmenté environ vingt cinq mille six cents fois et la durée 04:12.380 --> 04:20.210 de la période n'est pas si différente de 1956 à 1980 24 années de 04:20.210 --> 04:24.610 1980 à 2013 trente sept progrès technologique. 04:24.890 --> 04:28.220 Et cela montre que ce n’est pas une tendance linéaire. 04:28.220 --> 04:33.830 Il s’agit d’une croissance exponentielle de la technologie et si nous y ajoutons le prix et 04:33.910 --> 04:37.090 la taille, vous ferez des millions de plus. 04:37.280 --> 04:40.540 Et ici, nous avons en fait un graphique à l'échelle logarithmique. 04:40.640 --> 04:46.290 Donc, si nous calculons le coût du disque dur par gigaoctet, vous verrez que cela ressemble à ceci. 04:46.430 --> 04:49.880 Nous approchons très vite de zéro. 04:49.910 --> 04:54.200 À l'heure actuelle, vous pouvez obtenir de l'espace de stockage sur Dropbox et Google Drive, ce qui ne vous coûte rien. 04:54.200 --> 05:01.280 Le stockage en nuage va continuer et, au fil des années, il ira encore plus loin. 05:01.280 --> 05:05.860 À l'heure actuelle, les scientifiques étudient la possibilité d'utiliser l'ADN pour le stockage. 05:05.960 --> 05:13.720 Et pour le moment, la synthèse de deux mégaoctets de données coûte 7 000 $, puis une autre pensée en 2004 est 05:13.730 --> 05:15.210 celle de le lire. 05:15.230 --> 05:19.670 Mais cela vous rappelle toute la situation du disque dur et de l'avion. Vous savez que 05:19.670 --> 05:24.590 cela va être atténué très rapidement avec cette courbe exponentielle dans 10 à 10 ans à partir de 05:24.590 --> 05:28.590 maintenant, tout le monde utilisera le stockage d'ADN si nous allons dans cette direction. 05:28.660 --> 05:33.770 Et voici quelques statistiques à ce sujet afin que vous puissiez l'explorer davantage, peut-être mettre en pause la vidéo si vous voulez 05:33.770 --> 05:35.360 en savoir plus à ce sujet. 05:35.360 --> 05:36.890 C'est de nature dot com. 05:37.040 --> 05:44.990 Et fondamentalement, vous pouvez stocker toutes les données du monde dans seulement un kilo d'un kilo de stockage d'ADN ou environ 1 05:44.990 --> 05:49.350 milliard de téraoctets de données dans un gramme de stockage d'ADN. 05:49.350 --> 05:56.150 C’est donc un moyen de montrer la rapidité avec laquelle nous progressons et c’est la raison pour laquelle l’apprentissage en profondeur commence à 05:56.150 --> 06:02.840 prendre de l’ampleur maintenant que nous sommes enfin au stade où nous disposons de suffisamment de données pour former des modèles super 06:02.840 --> 06:04.280 sophistiqués et super sophistiqués. 06:04.280 --> 06:08.350 À l'époque, dans les années 80, lorsque j'ai inventé le jus, ce n'était tout simplement pas le cas. 06:08.690 --> 06:15.740 Et la deuxième chose dont nous avons parlé est la capacité de traitement. Nous avons donc ici une courbe exponentielle 06:16.460 --> 06:17.850 à l’échelle logarithmique. 06:17.850 --> 06:23.840 C'est une représentation idéale ici mais à droite parce que c'est une échelle logarithmique et que les ordinateurs ont 06:23.840 --> 06:24.410 évolué. 06:24.410 --> 06:30.530 Alors encore une fois, sentez-vous libre d'afficher la diapositive intitulée Loi de Moore. Vous avez probablement entendu parler de la 06:30.530 --> 06:34.120 rapidité avec laquelle la capacité de traitement des ordinateurs a évolué. 06:34.310 --> 06:39.920 À l'heure actuelle, nous sommes quelque part ici où un ordinateur moyen peut 06:39.920 --> 06:47.960 acheter pour mille dollars, pense à la vitesse du cerveau d'un rat et entre deux et cinq sera la vitesse 06:48.470 --> 06:54.740 d'un humain ou 20:23 et ensuite d'ici 2050 ou 2045 il surpassera tous les humains combinés. 06:54.740 --> 07:01.610 Nous entrons donc dans l’ère des ordinateurs extrêmement puissants capables de traiter les choses 07:01.610 --> 07:05.670 BEAUCOUP plus rapidement que nous ne le pensons. 07:05.720 --> 07:08.490 Et c'est ce qui facilite l'apprentissage. 07:08.600 --> 07:14.510 Tout cela nous amène donc à la question «Qu'est-ce que l'apprentissage en profondeur? Qu'est-ce que toute cette 07:14.510 --> 07:18.390 situation de réseau de neurones? Que se passe-t-il même ici? 07:18.410 --> 07:20.490 Et vous avez probablement déjà vu une image ou quelque chose comme ça. 07:20.570 --> 07:21.590 Alors plongeons dedans. 07:21.590 --> 07:29.140 Qu'est-ce qui est profond pour apprendre ce monsieur d'ici Jeffrey Hinton est connu pour être le parrain de deep thing. 07:29.350 --> 07:37.030 Et il a fait des recherches sur l’apprentissage en profondeur dans les années 80 et il a fait beaucoup de travaux, beaucoup de rapports 07:37.030 --> 07:41.370 de recherche qu’il a publiés sur l’apprentissage en profondeur en ce moment. 07:41.370 --> 07:42.920 Il travaille chez Google. 07:43.030 --> 07:47.770 Donc, beaucoup de choses dont nous allons parler viennent de Jeffrey Hinton et vous pouvez en voir 07:47.770 --> 07:48.260 beaucoup. 07:48.300 --> 07:49.840 Il a pas mal de vidéos sur YouTube. 07:49.840 --> 07:53.930 Il explique très bien les choses, alors je vous recommande vivement de les vérifier. 07:54.130 --> 07:59.140 Et l’idée derrière l’apprentissage en profondeur est donc de regarder le cerveau humain. 07:59.140 --> 08:01.710 Et ce type va faire pas mal de neurosciences. 08:01.750 --> 08:09.370 Et dans ces tutoriels et ce que nous essayons de faire ici, c'est d'imiter le fonctionnement du cerveau humain. 08:09.400 --> 08:13.300 Et vous savez que nous ne savons pas grand chose que vous ne savez pas tout sur le cerveau humain, 08:13.300 --> 08:16.730 mais sur ce petit homme que nous savons tous que nous voulons l'imiter et le recréer. 08:16.730 --> 08:17.230 Et pourquoi est-ce que. 08:17.230 --> 08:21.970 Eh bien, parce que le cerveau humain semble être l’un des outils les plus puissants au 08:22.300 --> 08:28.690 monde pour apprendre à apprendre à adapter des compétences, puis à les appliquer. Si les ordinateurs pouvaient le copier, nous pourrions simplement 08:28.990 --> 08:32.980 tirer parti de ce que la sélection naturelle a déjà décidé pour nous. 08:32.980 --> 08:37.840 Tous les types d'algorithmes qu'il a décidés sont les meilleurs pour tirer parti de cela. 08:37.840 --> 08:39.750 Pourquoi réinventer le vélo 08:39.880 --> 08:41.700 Voyons donc comment cela fonctionne. 08:41.710 --> 08:50.260 Nous avons ici quelques neurones donc ces neurones qui ont été barbouillés sur du verre et ont ensuite été examinés sous un 08:50.260 --> 08:52.210 microscope avec une certaine coloration. 08:52.270 --> 08:57.310 Et vous pouvez voir à quoi ils ressemblent, ils ont donc un corps, ils ont ces branches 08:57.310 --> 09:02.700 et ils ont des queues, et ainsi de suite, vous pouvez les voir, ils ont un noyau au 09:02.710 --> 09:06.940 centre, et c’est à quoi ressemble un neurone comme dans le cerveau humain. 09:06.970 --> 09:12.310 Il y a environ 100 milliards de neurones ensemble, donc ce sont des neurones individuels. Ce sont 09:12.310 --> 09:17.380 en fait des neurones moteurs. Ils sont plus gros, plus faciles à voir, mais le cerveau 09:17.470 --> 09:19.740 humain compte cent milliards de neurones. 09:20.000 --> 09:23.920 Et il est connecté à environ un millier de ses voisins. 09:23.920 --> 09:26.590 Donc, pour vous donner une image, voici à quoi cela ressemble. 09:26.590 --> 09:32.140 Ceci est une section de données réelles du cerveau humain. 09:32.140 --> 09:38.950 Et ceci est le cervelet qui est cette partie de votre cerveau à l'arrière. 09:38.950 --> 09:47.140 Il est responsable, comme beaucoup plus, de Torex et, pour vous, sait garder un équilibre et des capacités linguistiques, entre 09:47.140 --> 09:47.680 autres. 09:47.680 --> 09:57.460 C’est donc simplement pour montrer combien il ya de neurones comme des milliards, des milliards et des milliards de neurones qui se 09:57.460 --> 10:02.770 connectent. C’est comme si on parlait de cinq, cinq cents, mille ou 10:02.770 --> 10:04.780 de milliards de neurones. 10:04.910 --> 10:08.350 Et c'est donc ce que nous allons essayer de recréer. 10:08.350 --> 10:11.700 Alors, comment pouvons-nous recréer cela dans un ordinateur. 10:11.890 --> 10:20.200 Eh bien, nous créons une structure artificielle appelée réseau de neurones artificiels dans laquelle nous avons des nœuds ou des neurones et nous allons 10:20.590 --> 10:26.500 avoir des neurones comme valeur d'entrée. Ce sont donc des valeurs que vous connaissez concernant une 10:26.500 --> 10:27.340 situation donnée. 10:27.340 --> 10:32.080 Ainsi, par exemple, vous modélisez quelque chose que vous voulez prédire, vous pouvez toujours avoir quelque 10:32.080 --> 10:33.310 chose à commencer. 10:33.310 --> 10:36.740 Votre prédiction est éteinte alors c'est ce qu'on appelle la couche d'entrée. 10:36.820 --> 10:38.100 Ensuite, vous avez la sortie. 10:38.140 --> 10:43.780 Vous voulez donc prédire une valeur ou une surprise si vous voulez que quelqu'un quitte la banque 10:43.930 --> 10:45.980 ou reste à la banque. 10:46.260 --> 10:50.530 Est-ce une transaction frauduleuse? C’est une vraie transaction, etc. 10:50.890 --> 10:52.420 Donc, ça va être sortie inférieure. 10:52.540 --> 10:55.330 Et entre les deux, nous allons avoir une couche cachée. 10:55.330 --> 11:01.600 Donc, comme vous avez pu le voir dans votre cerveau, vous avez tellement de neurones que certaines informations arrivent 11:01.600 --> 11:04.990 par vos yeux, vos oreilles, votre nez, vos sens. 11:05.140 --> 11:10.210 Et puis c'est que nous n'allons pas directement à la sortie où le résultat passe par tous ces milliards 11:10.240 --> 11:15.130 et milliards de milliards de neurones avant de deviner la sortie et c'est tout le concept qui sous-tend 11:15.130 --> 11:17.050 que nous allons modeler le cerveau . 11:17.050 --> 11:23.170 Nous avons donc besoin de ces couches cachées qui se trouvent avant la sortie afin que les neurones Lares en entrée soient connectés à 11:23.170 --> 11:26.580 une couche de neurones cachés que les neurones sont connectés à la sortie. 11:26.880 --> 11:29.280 Et c'est donc c'est assez cool. 11:29.290 --> 11:30.550 Mais de quoi s'agit-il? 11:30.550 --> 11:34.040 Où est l'apprentissage profond ici ou pourquoi est-il appelé plus profond rien plus profond ici. 11:34.090 --> 11:41.090 Bien que ce soit un peu comme une option que l’on pourrait appeler un apprentissage superficiel où il n’ya vraiment pas grand chose 11:41.110 --> 11:41.890 à faire. 11:41.890 --> 11:43.400 Mais pourquoi s'appelle-t-on déplorer? 11:43.420 --> 11:50.020 Eh bien parce que nous prenons cela au niveau suivant, nous le séparons encore plus loin 11:50.020 --> 11:58.180 et nous n’avons pas seulement un hit, nous avons beaucoup, beaucoup de couches cachées et ensuite nous connectons tout comme 11:58.180 --> 12:01.930 dans le cerveau humain connectent tout interconnecté tout. 12:01.930 --> 12:08.290 Et c’est ainsi que les valeurs d’entrée sont traitées à travers toutes ces couches cachées, comme dans le cerveau 12:08.290 --> 12:08.660 humain. 12:08.770 --> 12:12.380 Ensuite, nous avons une valeur de sortie et maintenant nous parlons d’apprentissage en profondeur. 12:12.460 --> 12:15.910 C'est donc ce qu'est l'apprentissage sur un niveau très abstrait. 12:15.940 --> 12:21.180 Et les autres tutoriels que nous allons disséquer et plonger profondément dans l’apprentissage en profondeur et 12:21.180 --> 12:26.480 à la fin de celui-ci, vous saurez ce qu’est la planification et comment l’appliquer dans vos projets. 12:26.500 --> 12:31.910 Super excité par cette attente pour commencer et j'ai hâte de voir le prochain tutoriel. 12:31.950 --> 12:33.700 Jusque-là, profitez d'un apprentissage en profondeur.