Machine learning traditionnel : Utilise des algorithmes comme les arbres de décision, les SVM, et les k-means. Nécessite souvent une ingénierie des caractéristiques manuelle.
Deep learning : Automatique dans l’extraction des caractéristiques, grâce à ses multiples couches de neurones qui apprennent des représentations de plus en plus abstraites et complexes des données.

Performance supérieure : Le deep learning a surpassé les autres techniques de machine learning dans des tâches telles que la reconnaissance d’images, la reconnaissance vocale et la traduction automatique.
Traitement de grandes quantités de données : Capable de traiter et d’apprendre à partir de vastes ensembles de données.
Calcul intensif : Profite des avancées en puissance de calcul, notamment les GPU (unités de traitement graphique).

Neurone : Unité de base du réseau, qui prend des entrées pondérées, les transforme à l’aide d’une fonction d’activation, et produit une sortie.
Couche : Ensemble de neurones. Les réseaux de neurones profonds (deep neural networks) comportent plusieurs couches, d’où leur nom.
Architecture du réseau : La manière dont les couches sont organisées et connectées.

Lisez de la page 01 a la page 22