Neural networks are computational methods inspired by biological neurons that learn patterns from data to improve climate models, analyze particle collisions, and study cellular behavior.Carte après carte, lion après lion, zèbre après zèbre — des milliers d'exemples passent à travers le réseau. Chaque couche de neurones artificiels extrait des caractéristiques de plus en plus abstraites : d'abord elle capture les bords et les lignes, puis les assemble en parties du museau, puis en une image complète. La couche finale donne une réponse — presque comme un enfant regarde les oreilles, les moustaches et la queue pour dire « chat ».
Le concept de neurone artificiel remonte aux travaux de Warren McCulloch et Walter Pitts (1943) qui ont proposé un modèle mathématique du neurone. En 1958, Frank Rosenblatt a créé le perceptron, le premier réseau de neurones capable d'apprentissage. Cependant, après les critiques de Marvin Minsky et Seymour Papert en 1969, l'intérêt a diminué. La renaissance a commencé dans les années 1980 avec le développement de réseaux multicouches et de l'algorithme de rétropropagation (David Rumelhart et al.). Dans les années 2000, la disponibilité des big data et des calculs GPU a conduit à l'apprentissage profond.
Le signal d'entrée traverse les couches : chaque neurone calcule une somme pondérée des entrées, ajoute un biais et applique une fonction d'activation non linéaire (ReLU, sigmoïde, etc.). L'apprentissage minimise la fonction de perte par descente de gradient ; les gradients sont calculés par rétropropagation de l'erreur — de la sortie vers l'entrée, selon la règle de la chaîne des dérivées.
Reconnaissance faciale sur les photos, assistants vocaux, prédiction météo.
En 2012, le réseau AlexNet a surpassé pour la première fois l'homme dans une compétition de reconnaissance d'images — il est alors devenu évident que l'ère de l'apprentissage profond avait commencé.




















