J'ai l'impression que le contenu technique de l'article est un peu bullshit, parce que ça fait quand même un paquet d'années qu'on a nettement mieux que des réseaux de neurones pour faire de l'apprentissage, surtout en terme de performances (et surtout eu égard des soucis de dimensionnalité inhérent aux réseaux neuronaux).

C'est pourtant ce dont les gens de chez Google parlaient dans l'article d'origine si je ne me trompe pas.

Edit: J'ai retrouvé le lien: [url] http://googleresearch.blogspot.co.uk/2015/06/inceptionism-going-deeper-into-neural.html[/url]

Je pense que c'est beaucoup plus subtil que ce que laisse sous-entendre l'article, notamment par le fait que le réseau neuronal est constitué de "10 à 30 layers", c'est vraiment imprécis, et c'est typiquement ce qui permet de placer un tel algo entre un overfit et un foirage total (simple exemple : faire un réseau neuronal pour apprendre des XOR en série, et voir l'impact du nombre de couches).

Je ne serai pas étonné que toute la "puissance" de leur algorithme repose sur un autre algo qui calcule et calibre le nombre de couches.

Je te crois sur parole, ça dépasse de très loin mes connaissances en la matière

Je n'ai pas trouvé un article sur le sujet, mais l'idée à propos du XOR est ici :
home.agh.edu.pl/~vlsi/AI…

En particulier, ce que j'ai aimé sur ce site, c'est la représentation de l'espace de solution, qui donne bien l'intuition de pourquoi (dans le cas de base) il n'est pas possible de se limiter à un seul layer. La généralisation est assez simple à partir de là (bien que les équations deviennent complexes si on autorise les certains neurones à skipper une partie des layers inférieurs du perceptron).

https://youtu.be/GhBUgHev6F0?t=14

Edit: pffff c'est nul l'embed respecte pas le t=14 à la fin de l'url