L’apprentissage profond offre des outils puissants pour identifier, dans les données agricoles, des relations complexes qui peuvent être difficiles à représenter à l’aide des méthodes d’analyse conventionnelles. Ses applications comprennent notamment l’analyse d’images de cultures et de parcelles, de mesures environnementales et de données issues de capteurs, ainsi que de séries temporelles agricoles, à des fins de classification, de prévision, de détection et de suivi. Cette session présentera les principes fondamentaux de l’apprentissage profond, notamment la manière dont les neurones artificiels et les réseaux de neurones traitent l’information, le processus d’entraînement des modèles et l’influence de l’architecture du réseau sur leurs performances. Les réseaux entièrement connectés, convolutifs et récurrents seront abordés pour l’analyse de données tabulaires, d’images et de séries temporelles. Des notions telles que les fonctions d’activation et de perte, le surapprentissage, la régularisation, la validation et l’apprentissage par transfert seront également présentées à partir d’exemples issus des sciences agricoles.