Le dropout est une technique de régularisation pour les réseaux de neurones où des neurones sélectionnés aléatoirement sont temporairement ignorés à chaque étape d'entraînement, forçant le réseau à apprendre des représentations redondantes plutôt que de dépendre d'un seul neurone. C'est comme une équipe où des membres aléatoires s'assoient à chaque entraînement, rendant les joueurs restants plus polyvalents. Le dropout réduit significativement le surapprentissage et est l'un des astuces les plus utilisées en deep learning, appliqué en vision, langage et recommandation.