Référentiel B — capacité IA
Perceptron multicouche (MLP)
Architecture
Réseau de neurones artificiels entièrement connecté (feedforward), composé d'une couche d'entrée, d'une ou plusieurs couches cachées et d'une couche de sortie
Capacités clés
- Approximation de fonctions non linéaires complexes entre variables d'entrée et de sortie
- Architecture fondatrice ayant permis, via la rétropropagation du gradient, l'essor de l'ensemble de l'apprentissage profond moderne
- Applicable à la fois à des tâches de classification et de régression sur données structurées
Usages documentés par secteur
IndustrieTRL non déterminableDiffusion établie
Modélisation prédictive de relations non linéaires complexes sur données structurées
Sources de cet usage
- 1.Perceptron multicouche — Wikipédiasecondaire
RechercheTRL non déterminableDiffusion historique
Brique de base pédagogique et historique de la recherche en apprentissage profond
- Calcul du OU exclusif (XOR), seul exemple donné par la source
Sources de cet usage
- 1.Perceptron multicouche — Wikipédiasecondaire
Limites connues
Nécessite généralement davantage de données d'entraînement que les méthodes statistiques classiques pour bien généraliser, sujet au surapprentissage sans régularisation adéquate, et surpassé par des architectures spécialisées (CNN pour les images, Transformers pour le texte) sur les tâches où la structure des données peut être exploitée.
Débats documentés
Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.
Sources
- 1.Perceptron multicouche — Wikipédiasecondaire
Analyses de gap citant cette fiche
Fiches connexes — Data science / modèles prédictifs
- Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
- AutoencodeursArchitecture de réseau de neurones popularisée à partir des années 1980-1990, largement développée depuis les années 2010
- CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
- Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
- GANConcept développé par Ian Goodfellow et ses collègues (juin 2014)
- Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
- K-MeansAlgorithme classique de partitionnement de données (formalisé par Stuart Lloyd et James MacQueen dans les années 1950-1960)
- K-NNMéthode statistique classique d'apprentissage non paramétrique ; la source citée n'en donne pas la datation
Données brutes de cette fiche : /api/fiches/perceptron-multicouche-mlp — voir la méthodologie.