Les réseaux de neurones font beaucoup parler, surtout depuis ChatGPT. Résultat : tout le monde veut les utiliser partout. Mauvaise idée dans la plupart des cas.

Première vérité : ils demandent énormément de données. Pour entraîner un CNN correct sur des images, comptez au minimum 10 000 exemples par catégorie. Vous en avez 200 ? Utilisez plutôt un SVM avec des features extraites manuellement.

Ce qu'on ne vous dit pas : le temps d'entraînement explose rapidement. Un réseau avec trois couches cachées peut tourner pendant des heures sur un laptop standard, là où un random forest donne des prédictions en quelques minutes.

La question du débogage : quand votre précision plafonne à 60 pour cent, bonne chance pour comprendre pourquoi. Les arbres de décision montrent exactement quelles variables comptent. Les réseaux de neurones restent opaques.

Le coût réel : entraîner GPT-3 a coûté plusieurs millions de dollars en électricité. Votre projet de classification de documents ne justifie probablement pas ce niveau de complexité.

Pour débuter, ignorez les réseaux de neurones. Apprenez d'abord la régression, les arbres, les forêts aléatoires. Vous passerez au deep learning quand vous aurez un vrai problème qui le justifie, pas avant.