le principe du deep learning n'a rien d'extraordinaire.

on par d'un réseau de neurones avec pas mal de couches intermédiaires.

ca permet au réseau de découvrir des éléments de plus en plus synthétiques (lignes H/V, formes, aggrégats, puis objets). C'est comme ca que fonctionne le cortex visuel.

les deux grands problèmes qui ont ramené récemment cette technique dans l'actualité sont

-comment gérer le nombre de neurones élevés et leurs interconnexions.
-comment faire apprendre au réseau à reconnaitre les choses? Il y a plusieurs algos permettant de recalculer les poids des synapses en fonction du stimulus observé et de la réponse attendue.

Ces deux problèmes prennent un temps de calcul démentiel quand le nombre de neurones augmente, mais par chance c'est parallélisable, car il y a des optimisations: Les liens entre neurones sont 'locaux' (donc inutile de gérer une grande matrice de connectivité globale, il suffit de répartir les neurones en clusters) et du coup ca devient traitable par GPU et là bingo la vitesse.

du coup ca devient implémentable.