https://datafranca.org/wiki/api.php?action=feedcontributions&feedformat=atom&user=JBM 2026-04-06T13:11:53Z Contributions MediaWiki 1.39.5 https://datafranca.org/wiki/index.php?title=Local_outlier_factor&diff=58898 2021-12-20T15:22:30Z

<p>JBM : JBM a déplacé la page Local outlier factor vers Facteur de valeur aberrante locale</p> <hr /> <div>#REDIRECTION [[Facteur de valeur aberrante locale]]</div>

JBM https://datafranca.org/wiki/index.php?title=Facteur_de_valeur_aberrante_locale&diff=58897 2021-12-20T15:22:25Z

<p>JBM : JBM a déplacé la page Local outlier factor vers Facteur de valeur aberrante locale</p> <hr /> <div>== Définition ==<br /> En [[détection d'anomalies]], approche dans laquelle une [[valeur aberrante]] est mesurée en utilisant un facteur de valeur aberrante locale, qui est le rapport entre la densité locale de ce point et la densité locale de son voisin le plus proche. <br /> <br /> Le point de données dont le facteur de valeur aberrante locale est élevé est déclaré comme aberrant.<br /> <br /> == Français ==<br /> '''facteur de valeur aberrante locale'''<br /> <br /> '''facteur local aberrant'''<br /> <br /> '''facteur local d’anomalie'''<br /> <br /> == Anglais ==<br /> '''local outlier factor'''<br /> <br /> '''LOF'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/tel-03137163/document Source : Inès Ben Kraiem. ''Détection d’Anomalies Multiples par Apprentissage Automatique de Règles dans les Séries Temporelles''. Intelligence artificielle. Université de Toulouse-Jean Jaurès, 2021. Français. tel-03137163 ]<br /> <br /> [https://en.wikipedia.org/wiki/Local_outlier_factor Source : Wikipedia Machine Learning ]<br /> <br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Wikipedia-IA‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Facteur_de_valeur_aberrante_locale&diff=58896 2021-12-20T15:22:13Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> En [[détection d'anomalies]], approche dans laquelle une [[valeur aberrante]] est mesurée en utilisant un facteur de valeur aberrante locale, qui est le rapport entre la densité locale de ce point et la densité locale de son voisin le plus proche. <br /> <br /> Le point de données dont le facteur de valeur aberrante locale est élevé est déclaré comme aberrant.<br /> <br /> == Français ==<br /> '''facteur de valeur aberrante locale'''<br /> <br /> '''facteur local aberrant'''<br /> <br /> '''facteur local d’anomalie'''<br /> <br /> == Anglais ==<br /> '''local outlier factor'''<br /> <br /> '''LOF'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/tel-03137163/document Source : Inès Ben Kraiem. ''Détection d’Anomalies Multiples par Apprentissage Automatique de Règles dans les Séries Temporelles''. Intelligence artificielle. Université de Toulouse-Jean Jaurès, 2021. Français. tel-03137163 ]<br /> <br /> [https://en.wikipedia.org/wiki/Local_outlier_factor Source : Wikipedia Machine Learning ]<br /> <br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Wikipedia-IA‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Facteur_de_valeur_aberrante_locale&diff=58895 2021-12-20T15:21:55Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> En [[détection d'anomalies]], approche dans laquelle une [[valeur aberrante]] est mesurée en utilisant un facteur de valeur aberrante locale, qui est le rapport entre la densité locale de ce point et la densité locale de son voisin le plus proche. <br /> <br /> Le point de données dont le facteur de valeur aberrante locale est élevé est déclaré comme aberrant.<br /> <br /> == Français ==<br /> '''facteur de valeur aberrante locale'''<br /> <br /> '''facteur local aberrant'''<br /> <br /> '''facteur local d’anomalie'''<br /> <br /> == Anglais ==<br /> '''local outlier factor'''<br /> <br /> '''LOF'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/tel-03137163/document Source : Inès Ben Kraiem. ''Détection d’Anomalies Multiples par Apprentissage Automatique de Règles dans les Séries Temporelles''. Intelligence artificielle. Université de Toulouse-Jean Jaurès, 2021. Français. tel-03137163 ]<br /> <br /> [https://en.wikipedia.org/wiki/Local_outlier_factor Source : Wikipedia Machine Learning ]<br /> <br /> <br /> [[Catégorie:vocabulary]]<br /> [[Catégorie:Wikipedia-IA‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Fouille_de_motifs_s%C3%A9quentiels&diff=58834 2021-12-17T16:51:07Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Technique de [[fouille de données]] ayant pour but la découverte de régularités dans des [[données]] se présentant sous forme de séquences.<br /> <br /> Les algorithmes de fouille de [[motif séquentiel|motifs séquentiels]] extraient ainsi tous les motifs fréquents apparaissant dans une base de séquences. <br /> <br /> == Français ==<br /> '''fouille de motifs séquentiels'''<br /> <br /> == Anglais ==<br /> '''sequential pattern mining'''<br /> <br /> '''sequence discovery'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/hal-00675586/document Source : Solen Quiniou, Peggy Cellier, Thierry Charnois, Dominique Legallois. ''Fouille de données pour la stylistique : cas des motifs séquentiels émergents''. 11e Journées Internationales d’Analyse Statistique des Données Textuelles (JADT’12), Jun 2012, Liège, Belgique. pp.821-833. hal-00675586 ]<br /> <br /> [https://hal.archives-ouvertes.fr/hal-00816111/document Source : Nicolas Béchet, Peggy Cellier, Thierry Charnois, Bruno Crémilleux. ''Fouille de motifs séquentiels pour la découverte de relations entre gènes et maladies rares''. 23e Journées Francophones d’Ingénierie des Connaissances - IC 2012, Jun 2012, Paris, France. pp.149-164. hal-00816111 ]<br /> <br /> [[Catégorie:Publication]]</div>

JBM https://datafranca.org/wiki/index.php?title=Sequence_Discovery&diff=58833 2021-12-17T16:44:28Z

<p>JBM : JBM a déplacé la page Sequence Discovery vers Fouille de motifs séquentiels</p> <hr /> <div>#REDIRECTION [[Fouille de motifs séquentiels]]</div>

JBM https://datafranca.org/wiki/index.php?title=Fouille_de_motifs_s%C3%A9quentiels&diff=58832 2021-12-17T16:44:23Z

<p>JBM : JBM a déplacé la page Sequence Discovery vers Fouille de motifs séquentiels</p> <hr /> <div>== Définition ==<br /> Technique de [[fouille de données]] ayant pour but la découverte de régularités dans des [[données]] se présentant sous forme de séquences.<br /> <br /> Les algorithmes de fouille de [[motif séquentiel|motifs séquentiels]] extraient ainsi tous les motifs fréquents apparaissant dans une base de séquences. <br /> <br /> == Français ==<br /> '''fouille de motifs séquentiels'''<br /> <br /> == Anglais ==<br /> '''sequential pattern mining'''<br /> <br /> '''sequence discovery'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/hal-00675586/document Source : Solen Quiniou, Peggy Cellier, Thierry Charnois, Dominique Legallois. ''Fouille de données pour la stylistique : cas des motifs séquentiels émergents''. 11e Journées Internationales d’Analyse Statistique des Données Textuelles (JADT’12), Jun 2012, Liège, Belgique. pp.821-833. hal-00675586 ]<br /> <br /> [https://hal.archives-ouvertes.fr/hal-00816111/document Source : Nicolas Béchet, Peggy Cellier, Thierry Charnois, Bruno Crémilleux. ''Fouille de motifs séquentiels pour la découverte de relations entre gènes et maladies rares''. 23e Journées Francophones d’Ingénierie des Connaissances - IC 2012, Jun 2012, Paris, France. pp.149-164. hal-00816111 ]<br /> <br /> [[Catégorie:vocabulary]]</div>

JBM https://datafranca.org/wiki/index.php?title=Fouille_de_motifs_s%C3%A9quentiels&diff=58831 2021-12-17T16:44:00Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Technique de [[fouille de données]] ayant pour but la découverte de régularités dans des [[données]] se présentant sous forme de séquences.<br /> <br /> Les algorithmes de fouille de [[motif séquentiel|motifs séquentiels]] extraient ainsi tous les motifs fréquents apparaissant dans une base de séquences. <br /> <br /> == Français ==<br /> '''fouille de motifs séquentiels'''<br /> <br /> == Anglais ==<br /> '''sequential pattern mining'''<br /> <br /> '''sequence discovery'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/hal-00675586/document Source : Solen Quiniou, Peggy Cellier, Thierry Charnois, Dominique Legallois. ''Fouille de données pour la stylistique : cas des motifs séquentiels émergents''. 11e Journées Internationales d’Analyse Statistique des Données Textuelles (JADT’12), Jun 2012, Liège, Belgique. pp.821-833. hal-00675586 ]<br /> <br /> [https://hal.archives-ouvertes.fr/hal-00816111/document Source : Nicolas Béchet, Peggy Cellier, Thierry Charnois, Bruno Crémilleux. ''Fouille de motifs séquentiels pour la découverte de relations entre gènes et maladies rares''. 23e Journées Francophones d’Ingénierie des Connaissances - IC 2012, Jun 2012, Paris, France. pp.149-164. hal-00816111 ]<br /> <br /> [[Catégorie:vocabulary]]</div>

JBM https://datafranca.org/wiki/index.php?title=MapReduce&diff=58830 2021-12-17T16:24:11Z

<p>JBM : </p> <hr /> <div>#REDIRECTION[[MapReduce: Diviser-traiter-regrouper]]<br /> <br /> [[Catégorie:ENGLISH]]<br /> <br /> <br /> <br /> &lt;small&gt;<br /> <br /> [https://bigdata-madesimple.com/big-data-a-to-zz-a-glossary-of-big-data-terminology/ Source : bigdata-madesimple.com ]<br /> <br /> [https://penseeartificielle.fr/lexique-data-scientist/ Source : enseeartificielle ]<br /> <br /> [[Catégorie:madesimple]]</div>

JBM https://datafranca.org/wiki/index.php?title=Recherche_dans_l%27espace_des_%C3%A9tats&diff=58824 2021-12-17T16:10:23Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Recherche d'une séquence d'opérateurs qui transformeront un état de départ donné en un état cible. Chaque opérateur transforme un état en un état différent.<br /> <br /> Les problèmes de contrôle en [[intelligence artificielle]] sont en général décrits en relation avec le concept de ce que l'on appelle la recherche dans l'[[espace des états]]. <br /> <br /> == Français ==<br /> '''recherche dans l'espace des états'''<br /> <br /> '''recherche dans l'espace d'états'''<br /> <br /> '''recherche dans un espace d'états'''<br /> <br /> == Anglais ==<br /> '''state space search'''<br /> <br /> '''state-space search'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=18060798 Source : Le grand dictionnaire terminologique ]<br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas Ai vocabulary ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=State_space_search&diff=58823 2021-12-17T16:05:53Z

<p>JBM : JBM a déplacé la page State space search vers Recherche dans l&#039;espace des états</p> <hr /> <div>#REDIRECTION [[Recherche dans l'espace des états]]</div>

JBM https://datafranca.org/wiki/index.php?title=Recherche_dans_l%27espace_des_%C3%A9tats&diff=58822 2021-12-17T16:05:49Z

<p>JBM : JBM a déplacé la page State space search vers Recherche dans l&#039;espace des états</p> <hr /> <div>== Définition ==<br /> Recherche d'une séquence d'opérateurs qui transformeront un état de départ donné en un état cible. Chaque opérateur transforme un état en un état différent.<br /> <br /> Les problèmes de contrôle en [[intelligence artificielle]] sont en général décrits en relation avec le concept de ce que l'on appelle la recherche dans l'[[espace des états]]. <br /> <br /> == Français ==<br /> '''recherche dans l'espace des états'''<br /> <br /> == Anglais ==<br /> '''state space search'''<br /> <br /> '''state-space search'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=18060798 Source : Le grand dictionnaire terminologique ]<br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas Ai vocabulary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Recherche_dans_l%27espace_des_%C3%A9tats&diff=58821 2021-12-17T16:05:33Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Recherche d'une séquence d'opérateurs qui transformeront un état de départ donné en un état cible. Chaque opérateur transforme un état en un état différent.<br /> <br /> Les problèmes de contrôle en [[intelligence artificielle]] sont en général décrits en relation avec le concept de ce que l'on appelle la recherche dans l'[[espace des états]]. <br /> <br /> == Français ==<br /> '''recherche dans l'espace des états'''<br /> <br /> == Anglais ==<br /> '''state space search'''<br /> <br /> '''state-space search'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=18060798 Source : Le grand dictionnaire terminologique ]<br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas Ai vocabulary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=State_space&diff=58820 2021-12-17T16:02:02Z

<p>JBM : JBM a déplacé la page State space vers Espace des états</p> <hr /> <div>#REDIRECTION [[Espace des états]]</div>

JBM https://datafranca.org/wiki/index.php?title=Espace_des_%C3%A9tats&diff=58819 2021-12-17T16:01:57Z

<p>JBM : JBM a déplacé la page State space vers Espace des états</p> <hr /> <div>== Définition ==<br /> Représentation de l'ensemble des états possiblement mis en œuvre par l'application des opérateurs, lors de la résolution d'un problème. <br /> <br /> Par exemple, il peut s'agir de l'ensemble de tous les lieux accessibles par un réseau routier. L'espace d'états présente tous les états, qu'ils soient initiaux, intermédiaires ou finaux. <br /> <br /> == Français ==<br /> '''espace des états'''<br /> <br /> '''espace d'états'''<br /> <br /> == Anglais ==<br /> '''state space'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=8393999 Source : Le grand dictionnaire terminologique ]<br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas Ai vocabulary ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Espace_des_%C3%A9tats&diff=58818 2021-12-17T16:01:46Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Représentation de l'ensemble des états possiblement mis en œuvre par l'application des opérateurs, lors de la résolution d'un problème. <br /> <br /> Par exemple, il peut s'agir de l'ensemble de tous les lieux accessibles par un réseau routier. L'espace d'états présente tous les états, qu'ils soient initiaux, intermédiaires ou finaux. <br /> <br /> == Français ==<br /> '''espace des états'''<br /> <br /> '''espace d'états'''<br /> <br /> == Anglais ==<br /> '''state space'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=8393999 Source : Le grand dictionnaire terminologique ]<br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas Ai vocabulary ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Fr%C3%A9quence_de_d%C3%A9charge&diff=58778 2021-12-16T17:11:38Z

<p>JBM : </p> <hr /> <div>== en construction ==<br /> == Définition ==<br /> # In a biological neural network: neurons in a biological neural network fire when and if they receive enough stimulus via their (input) synapses. This means that an electrical impulse is propagated along the neuron's axon and transmitted to other neurons via the output synaptic connections of the neuron. The '''firing rate''' of a neuron is the frequency with which it fires (cf. activation in an artificial neural network.<br /> # In an expert system: when a rule in the expert system is used, it is said to fire.<br /> <br /> == Français ==<br /> '''taux de déclenchement'''<br /> <br /> == Anglais ==<br /> '''firing rate'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://www.cse.unsw.edu.au/~billw/dictionaries/mldict.html Source : INWS machine learning dictionary] ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Apprentissage automatique‏‎]]<br /> [[Catégorie:UNSW]]</div>

JBM https://datafranca.org/wiki/index.php?title=Faux_dans_une_interpr%C3%A9tation&diff=58777 2021-12-16T17:06:58Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Qui est faux selon l'interprétation donnée d'une formule logique.<br /> <br /> Voir '''[[Vrai dans une interprétation]]'''.<br /> <br /> == Français ==<br /> '''faux dans une interprétation'''<br /> <br /> '''faux sous une interprétation'''<br /> <br /> == Anglais ==<br /> '''false under an interpretation'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas AI vocabulary ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Vrai_dans_une_interpr%C3%A9tation&diff=58776 2021-12-16T17:06:07Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Qui est vrai selon l'interprétation donnée d'une formule logique.<br /> <br /> Voir '''[[Faux dans une interprétation]]'''.<br /> <br /> == Français ==<br /> '''vrai dans une interprétation'''<br /> <br /> '''vrai sous une interprétation'''<br /> <br /> == Anglais ==<br /> '''true under an interpretation'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas AI vocabulary ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=False_under_an_interpretation&diff=58775 2021-12-16T17:05:04Z

<p>JBM : JBM a déplacé la page False under an interpretation vers Faux dans une interprétation</p> <hr /> <div>#REDIRECTION [[Faux dans une interprétation]]</div>

JBM https://datafranca.org/wiki/index.php?title=Faux_dans_une_interpr%C3%A9tation&diff=58774 2021-12-16T17:05:00Z

<p>JBM : JBM a déplacé la page False under an interpretation vers Faux dans une interprétation</p> <hr /> <div>== Définition ==<br /> Qui est faux selon l'interprétation donnée d'une formule logique.<br /> <br /> Voir '''[[Vrai dans une interprétation]]'''.<br /> <br /> == Français ==<br /> '''faux dans une interprétation'''<br /> <br /> '''faux sous une interprétation'''<br /> <br /> == Anglais ==<br /> '''false under an interpretation'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas AI vocabulary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=True_under_an_interpretation&diff=58773 2021-12-16T17:04:57Z

<p>JBM : JBM a déplacé la page True under an interpretation vers Vrai dans une interprétation</p> <hr /> <div>#REDIRECTION [[Vrai dans une interprétation]]</div>

JBM https://datafranca.org/wiki/index.php?title=Vrai_dans_une_interpr%C3%A9tation&diff=58772 2021-12-16T17:04:53Z

<p>JBM : JBM a déplacé la page True under an interpretation vers Vrai dans une interprétation</p> <hr /> <div>== Définition ==<br /> Qui est vrai selon l'interprétation donnée d'une formule logique.<br /> <br /> Voir '''[[Faux dans une interprétation]]'''.<br /> <br /> == Français ==<br /> '''vrai dans une interprétation'''<br /> <br /> '''vrai sous une interprétation'''<br /> <br /> == Anglais ==<br /> '''true under an interpretation'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas AI vocabulary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Vrai_dans_une_interpr%C3%A9tation&diff=58771 2021-12-16T17:01:17Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Qui est vrai selon l'interprétation donnée d'une formule logique.<br /> <br /> Voir '''[[Faux dans une interprétation]]'''.<br /> <br /> == Français ==<br /> '''vrai dans une interprétation'''<br /> <br /> '''vrai sous une interprétation'''<br /> <br /> == Anglais ==<br /> '''true under an interpretation'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas AI vocabulary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Faux_dans_une_interpr%C3%A9tation&diff=58770 2021-12-16T17:01:15Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Qui est faux selon l'interprétation donnée d'une formule logique.<br /> <br /> Voir '''[[Vrai dans une interprétation]]'''.<br /> <br /> == Français ==<br /> '''faux dans une interprétation'''<br /> <br /> '''faux sous une interprétation'''<br /> <br /> == Anglais ==<br /> '''false under an interpretation'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://www.cs.utexas.edu/users/novak/aivocab.html Source : Utexas AI vocabulary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Implication_logique&diff=58769 2021-12-16T16:10:43Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Relation logique consistant en ce qu'une chose en implique une autre. <br /> <br /> == Français ==<br /> '''implication logique'''<br /> <br /> '''conséquence logique'''<br /> <br /> == Anglais ==<br /> '''logical implication'''<br /> <br /> '''logical entailment'''<br /> <br /> '''entailment'''<br /> <br /> '''logical consequence'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&amp;i=1&amp;srchtxt=logical+implication&amp;codom2nd_wet=1#resultrecs Source : TERMIUM Plus ]<br /> <br /> [https://en.wikipedia.org/wiki/Logical_consequence Source : Wikipedia (Logical consequence) ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Intelligence artificielle‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Entail&diff=58768 2021-12-16T16:10:29Z

<p>JBM : JBM a déplacé la page Entail vers Implication logique</p> <hr /> <div>#REDIRECTION [[Implication logique]]</div>

JBM https://datafranca.org/wiki/index.php?title=Implication_logique&diff=58767 2021-12-16T16:10:25Z

<p>JBM : JBM a déplacé la page Entail vers Implication logique</p> <hr /> <div>== Définition ==<br /> Relation logique consistant en ce qu'une chose en implique une autre. <br /> <br /> == Français ==<br /> '''implication logique'''<br /> <br /> '''conséquence logique'''<br /> <br /> == Anglais ==<br /> '''logical implication'''<br /> <br /> '''logical entailment'''<br /> <br /> '''entailment'''<br /> <br /> '''logical consequence'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&amp;i=1&amp;srchtxt=logical+implication&amp;codom2nd_wet=1#resultrecs Source : TERMIUM Plus ]<br /> <br /> [https://en.wikipedia.org/wiki/Logical_consequence Source : Wikipedia (Logical consequence) ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Implication_logique&diff=58766 2021-12-16T16:10:12Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Relation logique consistant en ce qu'une chose en implique une autre. <br /> <br /> == Français ==<br /> '''implication logique'''<br /> <br /> '''conséquence logique'''<br /> <br /> == Anglais ==<br /> '''logical implication'''<br /> <br /> '''logical entailment'''<br /> <br /> '''entailment'''<br /> <br /> '''logical consequence'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&amp;i=1&amp;srchtxt=logical+implication&amp;codom2nd_wet=1#resultrecs Source : TERMIUM Plus ]<br /> <br /> [https://en.wikipedia.org/wiki/Logical_consequence Source : Wikipedia (Logical consequence) ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Intelligence artificielle‏‎]]<br /> [[Catégorie:UTexas‏‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=Conditional_Random_Field&diff=58761 2021-12-16T15:42:43Z

<p>JBM : </p> <hr /> <div>#REDIRECTION[[Champ aléatoire conditionnel]]<br /> <br /> [[Catégorie:ENGLISH]]<br /> <br /> &lt;small&gt;<br /> <br /> [https://en.wikipedia.org/wiki/Conditional_random_field Source : Wikipedia Machine Learning ]<br /> <br /> <br /> [[Catégorie:Wikipedia-IA‎]]</div>

JBM https://datafranca.org/wiki/index.php?title=R%C3%A9seau_de_neurones_%C3%A0_r%C3%A9tropropagation&diff=58746 2021-12-15T17:21:53Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Type de [[réseau de neurones]] basé sur la méthode de descente du gradient, qui tente de réduire au minimum l’erreur du réseau en abaissant le gradient de la courbe d'erreur.<br /> <br /> Celui-ci se construit par apprentissage itératif : pour une entrée, la sortie donnée par le réseau est comparée à la sortie attendue. La différence obtenue est alors propagée depuis les nœuds de sortie vers l’entrée en ajustant successivement les [[pondération|coefficients de pondération]] de chaque nœud.<br /> <br /> == Français ==<br /> '''réseau de neurones à rétropropagation'''<br /> <br /> '''réseau neuronal de rétropropagation'''<br /> <br /> '''réseau de neurones à propagation arrière'''<br /> <br /> == Anglais ==<br /> '''back-propagation neural network'''<br /> <br /> '''BPNN'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/tel-01762795/document Source : Rima Daoudi-Dabladji. ''Classification du cancer du sein par des approches basées sur les systèmes immunitaires artificiels''. Traitement du signal et de l’image. Université Paris-Saclay; Université d’Evry-Val-d’Essonne, 2016. Français. NNT : 2016SACLE026ff. tel-01762795 ]<br /> <br /> [https://hal.archives-ouvertes.fr/hal-01551797/file/AIP_Colloque2017_Vers_un_pilotage_de_la_qualite_des_pieces_injectees.pdf Source : Pierre Nagorny, Eric Pairel, Maurice Pillet. ''Vers un pilotage de la qualité des pièces injectées''. 15ème Colloque National AIP PRIMECA : ”Concevoir et produire dans les industries du futur”, AIP Primeca, Apr 2017, La Plagne, France. hal-01551797f ]<br /> <br /> [[Catégorie:Publication]]</div>

JBM https://datafranca.org/wiki/index.php?title=R%C3%A9seau_neuronal_de_r%C3%A9tropropagation&diff=58745 2021-12-15T16:59:43Z

<p>JBM : JBM a déplacé la page Réseau neuronal de rétropropagation vers Réseau de neurones à rétropropagation</p> <hr /> <div>#REDIRECTION [[Réseau de neurones à rétropropagation]]</div>

JBM https://datafranca.org/wiki/index.php?title=R%C3%A9seau_de_neurones_%C3%A0_r%C3%A9tropropagation&diff=58744 2021-12-15T16:59:40Z

<p>JBM : JBM a déplacé la page Réseau neuronal de rétropropagation vers Réseau de neurones à rétropropagation</p> <hr /> <div>==en construction==<br /> == Définition ==<br /> Type de réseau de neurones basé sur la méthode de descente du gradient, qui tente de réduire au minimum l’erreur du réseau en abaissant le gradient de la courbe d’erreur.<br /> <br /> Celui-ci se construit par apprentissage itératif : pour une entrée, la sortie donnée par le réseau est comparée à la sortie attendue. La différence obtenue est alors propagée depuis les nœuds de sortie vers l’entrée en ajustant successivement les coefficients de pondérations de chaque nœud.<br /> <br /> == Français ==<br /> '''réseau de neurones à rétropropagation'''<br /> <br /> '''réseau neuronal de rétropropagation'''<br /> <br /> '''réseau de neurones à propagation arrière'''<br /> <br /> == Anglais ==<br /> '''back-propagation neural network'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/tel-01762795/document Source : Rima Daoudi-Dabladji. ''Classification du cancer du sein par des approches basées sur les systèmes immunitaires artificiels''. Traitement du signal et de l’image. Université Paris-Saclay; Université d’Evry-Val-d’Essonne, 2016. Français. NNT : 2016SACLE026ff. tel-01762795 ]<br /> <br /> [https://hal.archives-ouvertes.fr/hal-01551797/file/AIP_Colloque2017_Vers_un_pilotage_de_la_qualite_des_pieces_injectees.pdf Source : Pierre Nagorny, Eric Pairel, Maurice Pillet. ''Vers un pilotage de la qualité des pièces injectées''. 15ème Colloque National AIP PRIMECA : ”Concevoir et produire dans les industries du futur”, AIP Primeca, Apr 2017, La Plagne, France. hal-01551797f ]<br /> <br /> [[Catégorie:vocabulary]]</div>

JBM https://datafranca.org/wiki/index.php?title=R%C3%A9seau_de_neurones_%C3%A0_r%C3%A9tropropagation&diff=58743 2021-12-15T16:59:14Z

<p>JBM : </p> <hr /> <div>==en construction==<br /> == Définition ==<br /> Type de réseau de neurones basé sur la méthode de descente du gradient, qui tente de réduire au minimum l’erreur du réseau en abaissant le gradient de la courbe d’erreur.<br /> <br /> Celui-ci se construit par apprentissage itératif : pour une entrée, la sortie donnée par le réseau est comparée à la sortie attendue. La différence obtenue est alors propagée depuis les nœuds de sortie vers l’entrée en ajustant successivement les coefficients de pondérations de chaque nœud.<br /> <br /> == Français ==<br /> '''réseau de neurones à rétropropagation'''<br /> <br /> '''réseau neuronal de rétropropagation'''<br /> <br /> '''réseau de neurones à propagation arrière'''<br /> <br /> == Anglais ==<br /> '''back-propagation neural network'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/tel-01762795/document Source : Rima Daoudi-Dabladji. ''Classification du cancer du sein par des approches basées sur les systèmes immunitaires artificiels''. Traitement du signal et de l’image. Université Paris-Saclay; Université d’Evry-Val-d’Essonne, 2016. Français. NNT : 2016SACLE026ff. tel-01762795 ]<br /> <br /> [https://hal.archives-ouvertes.fr/hal-01551797/file/AIP_Colloque2017_Vers_un_pilotage_de_la_qualite_des_pieces_injectees.pdf Source : Pierre Nagorny, Eric Pairel, Maurice Pillet. ''Vers un pilotage de la qualité des pièces injectées''. 15ème Colloque National AIP PRIMECA : ”Concevoir et produire dans les industries du futur”, AIP Primeca, Apr 2017, La Plagne, France. hal-01551797f ]<br /> <br /> [[Catégorie:vocabulary]]</div>

JBM https://datafranca.org/wiki/index.php?title=R%C3%A9seau_de_neurones_%C3%A0_r%C3%A9tropropagation&diff=58742 2021-12-15T16:57:39Z

<p>JBM : </p> <hr /> <div>==en construction==<br /> == Définition ==<br /> Type de réseau de neurones basé sur la méthode de descente du gradient, qui tente de réduire au minimum l’erreur du réseau en abaissant le gradient de la courbe d’erreur.<br /> <br /> Celui-ci se construit par apprentissage itératif : pour une entrée, la sortie donnée par le réseau est comparée à la sortie attendue. La différence obtenue est alors propagée depuis les nœuds de sortie vers l’entrée en ajustant successivement les coefficients de pondérations de chaque nœud.<br /> <br /> == Français ==<br /> '''réseau de neurones à rétropropagation'''<br /> <br /> '''réseau neuronal de rétropropagation'''<br /> <br /> '''réseau de neurones à propagation arrière'''<br /> <br /> == Anglais ==<br /> '''back-propagation neural network'''<br /> <br /> &lt;small&gt;<br /> <br /> [https://hal.archives-ouvertes.fr/hal-01551797/file/AIP_Colloque2017_Vers_un_pilotage_de_la_qualite_des_pieces_injectees.pdf Source : Pierre Nagorny, Eric Pairel, Maurice Pillet. ''Vers un pilotage de la qualité des pièces injectées''. 15ème Colloque National AIP PRIMECA : ”Concevoir et produire dans les industries du futur”, AIP Primeca, Apr 2017, La Plagne, France. hal-01551797f<br /> <br /> [[Catégorie:vocabulary]]</div>

JBM https://datafranca.org/wiki/index.php?title=Propagation_arri%C3%A8re&diff=58741 2021-12-15T16:28:53Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Phase de la [[rétropropagation]] au cours de laquelle les [[coefficient synaptique|poids]] sont ajustés, et ce, à l'aide de la [[règle delta généralisée|règle delta]] ou une modification de celle-ci.<br /> <br /> La propagation arrière commence à la [[couche de sortie]] du [[réseau de neurones à propagation avant]] et ajuste les poids entrants. Elle travaille ensuite à rebours, en commençant par l'avant-dernière [[couche]] (la dernière [[couche cachée]]), en mettant à jour les poids entrants dans ces couches.<br /> <br /> Les données collectées au cours de la [[propagation avant]] sont utilisées lors de la propagation arrière pour l'ajustement des [[coefficient synaptique|poids]].<br /> <br /> == Français ==<br /> '''propagation arrière'''<br /> <br /> '''propagation vers l'arrière'''<br /> <br /> '''rétropropagation'''<br /> <br /> == Anglais ==<br /> '''backward pass'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://tel.archives-ouvertes.fr/tel-00932662/document Source : Moez Baccouche. ''Apprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de séquences vidéo''. INSA de Lyon, 2013. Français. NNT : 2013ISAL0071ff. tel-00871107v2f ]<br /> <br /> [http://www.cse.unsw.edu.au/~billw/dictionaries/mldict.html Source : INWS machine learning dictionary ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Apprentissage automatique‏‎]]<br /> [[Catégorie:UNSW]]</div>

JBM https://datafranca.org/wiki/index.php?title=Propagation_avant&diff=58740 2021-12-15T16:28:51Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Dans le cadre d'une [[rétropropagation]], étape à laquelle l'information se déplace à partir des nœuds d'entrée, en passant par les couches cachées (le cas échéant), vers les nœuds de sortie d'un [[réseau de neurones]].<br /> <br /> À cette étape, certaines données sont conservées pour être utilisées lors de la [[propagation arrière]].<br /> <br /> == Français ==<br /> '''propagation avant'''<br /> <br /> '''propagation vers l'avant'''<br /> <br /> '''propagation directe'''<br /> <br /> == Anglais ==<br /> '''forward pass'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://tel.archives-ouvertes.fr/tel-00932662/document Source : Moez Baccouche. ''Apprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de séquences vidéo''. INSA de Lyon, 2013. Français. NNT : 2013ISAL0071ff. tel-00871107v2f ]<br /> <br /> [https://fr.wikipedia.org/wiki/R%C3%A9seau_de_neurones_%C3%A0_propagation_avant Source : Wikipedia (Réseau de neurones à propagation avant) ]<br /> <br /> [http://www.cse.unsw.edu.au/~billw/dictionaries/mldict.html Source : INWS machine learning dictionary ]<br /> <br /> [[Catégorie:Publication]]<br /> [[Catégorie:Apprentissage automatique‏‎]]<br /> [[Catégorie:UNSW]]</div>

JBM https://datafranca.org/wiki/index.php?title=Propagation_avant&diff=58739 2021-12-15T16:12:01Z

<p>JBM : </p> <hr /> <div>== en construction ==<br /> == Définition ==<br /> Dans le cadre d'une [[rétropropagation]], étape à laquelle l'information se déplace à partir des nœuds d'entrée, en passant par les couches cachées (le cas échéant) et vers les nœuds de sortie d'un [[réseau de neurones à propagation avant]].<br /> <br /> À cette étape, certaines données sont conservées et utilisées lors de la [[propagation arrière]].<br /> <br /> == Français ==<br /> '''propagation avant'''<br /> <br /> '''propagation directe'''<br /> <br /> '''propagation vers l'avant'''<br /> <br /> == Anglais ==<br /> '''forward pass'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://fr.wikipedia.org/wiki/R%C3%A9seau_de_neurones_%C3%A0_propagation_avant Source : Wikipedia (Réseau de neurones à propagation avant) ]<br /> <br /> [http://www.cse.unsw.edu.au/~billw/dictionaries/mldict.html Source : INWS machine learning dictionary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Apprentissage automatique‏‎]]<br /> [[Catégorie:UNSW]]</div>

JBM https://datafranca.org/wiki/index.php?title=Forward_pass_in_backpropagation&diff=58738 2021-12-15T15:48:21Z

<p>JBM : JBM a déplacé la page Forward pass in backpropagation vers Propagation avant</p> <hr /> <div>#REDIRECTION [[Propagation avant]]</div>

JBM https://datafranca.org/wiki/index.php?title=Propagation_avant&diff=58737 2021-12-15T15:48:17Z

<p>JBM : JBM a déplacé la page Forward pass in backpropagation vers Propagation avant</p> <hr /> <div>== en construction ==<br /> == Définition ==<br /> In the forward pass in backpropagation, each training pattern is presented to the input units of the network. <br /> <br /> The hidden unit activations are computed from the inputs and input-to-hidden unit weights, and then (in the case of a 3-layer network, with only a single layer of hidden units) the outputs are computed using the hidden layer activations and the current hidden-to-output weights. <br /> <br /> Certain statistics are kept from this computation, and used in the backward pass. The target outputs from each training pattern are compared with the actual activation levels of the output units - the difference between the two is termed the error. Training may be pattern-by-pattern or epoch-by-epoch. With pattern-by-pattern training, the pattern error is provided directly to the backward pass. With epoch-by-epoch training, the pattern errors are summed across all training patterns, and the total error is provided to the backward pass.<br /> <br /> == Français ==<br /> '''propagation avant'''<br /> <br /> '''propagation directe'''<br /> <br /> '''propagation vers l'avant'''<br /> <br /> == Anglais ==<br /> '''forward pass'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://www.cse.unsw.edu.au/~billw/dictionaries/mldict.html Source : INWS machine learning dictionary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Apprentissage automatique‏‎]]<br /> [[Catégorie:UNSW]]</div>

JBM https://datafranca.org/wiki/index.php?title=Propagation_avant&diff=58736 2021-12-15T15:47:58Z

<p>JBM : </p> <hr /> <div>== en construction ==<br /> == Définition ==<br /> In the forward pass in backpropagation, each training pattern is presented to the input units of the network. <br /> <br /> The hidden unit activations are computed from the inputs and input-to-hidden unit weights, and then (in the case of a 3-layer network, with only a single layer of hidden units) the outputs are computed using the hidden layer activations and the current hidden-to-output weights. <br /> <br /> Certain statistics are kept from this computation, and used in the backward pass. The target outputs from each training pattern are compared with the actual activation levels of the output units - the difference between the two is termed the error. Training may be pattern-by-pattern or epoch-by-epoch. With pattern-by-pattern training, the pattern error is provided directly to the backward pass. With epoch-by-epoch training, the pattern errors are summed across all training patterns, and the total error is provided to the backward pass.<br /> <br /> == Français ==<br /> '''propagation avant'''<br /> <br /> '''propagation directe'''<br /> <br /> '''propagation vers l'avant'''<br /> <br /> == Anglais ==<br /> '''forward pass'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://www.cse.unsw.edu.au/~billw/dictionaries/mldict.html Source : INWS machine learning dictionary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Apprentissage automatique‏‎]]<br /> [[Catégorie:UNSW]]</div>

JBM https://datafranca.org/wiki/index.php?title=Propagation_avant&diff=58735 2021-12-15T15:47:42Z

<p>JBM : </p> <hr /> <div>== en construction ==<br /> == Définition ==<br /> In the forward pass in backpropagation, each training pattern is presented to the input units of the network. <br /> <br /> The hidden unit activations are computed from the inputs and input-to-hidden unit weights, and then (in the case of a 3-layer network, with only a single layer of hidden units) the outputs are computed using the hidden layer activations and the current hidden-to-output weights. <br /> <br /> Certain statistics are kept from this computation, and used in the backward pass. The target outputs from each training pattern are compared with the actual activation levels of the output units - the difference between the two is termed the error. Training may be pattern-by-pattern or epoch-by-epoch. With pattern-by-pattern training, the pattern error is provided directly to the backward pass. With epoch-by-epoch training, the pattern errors are summed across all training patterns, and the total error is provided to the backward pass.<br /> <br /> == Français ==<br /> '''propagation avant'''<br /> <br /> '''propagation directe'''<br /> <br /> '''propagation vers l'avant'''<br /> <br /> == Anglais ==<br /> '''forward pass'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://www.cse.unsw.edu.au/~billw/dictionaries/mldict.html Source : INWS machine learning dictionary] ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Apprentissage automatique‏‎]]<br /> [[Catégorie:UNSW]]</div>

JBM https://datafranca.org/wiki/index.php?title=Backward_pass_in_backpropagation&diff=58734 2021-12-15T15:47:34Z

<p>JBM : JBM a déplacé la page Backward pass in backpropagation vers Propagation arrière</p> <hr /> <div>#REDIRECTION [[Propagation arrière]]</div>

JBM https://datafranca.org/wiki/index.php?title=Propagation_arri%C3%A8re&diff=58733 2021-12-15T15:47:30Z

<p>JBM : JBM a déplacé la page Backward pass in backpropagation vers Propagation arrière</p> <hr /> <div>== en construction ==<br /> == Définition ==<br /> Phase de la [[rétropropagation]] au cours de laquelle les poids sont mis à jour, et ce, en utilisant la [[règle delta généralisée|règle delta]] ou une modification de celle-ci.<br /> <br /> La propagation arrière commence à la [[couche de sortie]] du [[réseau de neurones à propagation avant]] et met à jour les poids entrants à l'aide de la règle delta. Elle travaille ensuite à rebours, en commençant par l'avant-dernière [[couche]] (la dernière [[couche cachée]]), en mettant à jour les poids entrants dans ces couches.<br /> <br /> Les données collectées lors de la [[propagation avant]] sont utilisées dans la propagation arrière pour mettre à jour les [[coefficient synaptique|poids]].<br /> <br /> == Français ==<br /> '''propagation arrière'''<br /> <br /> '''propagation vers l'arrière'''<br /> <br /> '''rétropropagation'''<br /> <br /> == Anglais ==<br /> '''backward pass'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://www.cse.unsw.edu.au/~billw/dictionaries/mldict.html Source : INWS machine learning dictionary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Apprentissage automatique‏‎]]<br /> [[Catégorie:UNSW]]</div>

JBM https://datafranca.org/wiki/index.php?title=Propagation_arri%C3%A8re&diff=58732 2021-12-15T15:46:46Z

<p>JBM : </p> <hr /> <div>== en construction ==<br /> == Définition ==<br /> Phase de la [[rétropropagation]] au cours de laquelle les poids sont mis à jour, et ce, en utilisant la [[règle delta généralisée|règle delta]] ou une modification de celle-ci.<br /> <br /> La propagation arrière commence à la [[couche de sortie]] du [[réseau de neurones à propagation avant]] et met à jour les poids entrants à l'aide de la règle delta. Elle travaille ensuite à rebours, en commençant par l'avant-dernière [[couche]] (la dernière [[couche cachée]]), en mettant à jour les poids entrants dans ces couches.<br /> <br /> Les données collectées lors de la [[propagation avant]] sont utilisées dans la propagation arrière pour mettre à jour les [[coefficient synaptique|poids]].<br /> <br /> == Français ==<br /> '''propagation arrière'''<br /> <br /> '''propagation vers l'arrière'''<br /> <br /> '''rétropropagation'''<br /> <br /> == Anglais ==<br /> '''backward pass'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [http://www.cse.unsw.edu.au/~billw/dictionaries/mldict.html Source : INWS machine learning dictionary ]<br /> <br /> [[Catégorie:Vocabulary]]<br /> [[Catégorie:Apprentissage automatique‏‎]]<br /> [[Catégorie:UNSW]]</div>

JBM https://datafranca.org/wiki/index.php?title=Interpr%C3%A9tation_de_la_probabilit%C3%A9&diff=58710 2021-12-14T17:31:02Z

<p>JBM : </p> <hr /> <div>==en construction==<br /> == Définition ==<br /> Quantifying the probability of an outcome, classification match of an input or confidence in a hypothesis are basic tasks for any machine model to be useful in the real world, let alone to learn and improve itself.<br /> <br /> While humans can rely on intuition and their “gut feelings,” artificial intelligence needs a more scientific way to quantify these abstract concepts into functions an algorithm can use and learn from. So for the purposes of machine learning, regardless of the specific method of calculating and interpreting probability that’s employed, all human forms of intuition can be divided into two broad categories : frequentist (physical properties) probability; and Bayesian (Evidentiary) Probability.<br /> <br /> == Français ==<br /> '''interprétation de la probabilité'''<br /> <br /> == Anglais ==<br /> '''probability interpretation'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://en.wikipedia.org/wiki/Probability_interpretations Source : Wikipeddia (Probability interpretations) ]<br /> <br /> [https://deepai.org/machine-learning-glossary-and-terms/probability-interpretations Source : DeepAI.org ]<br /> <br /> [[Catégorie:DeepAI.org]]<br /> [[Catégorie:vocabulary]]</div>

JBM https://datafranca.org/wiki/index.php?title=Analyse_du_panier_de_march%C3%A9&diff=58709 2021-12-14T16:56:49Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Technique d'analyse basée sur l'exploration de motifs fréquents dont l’objectif est d’extraire les ensembles d’articles qui sont fréquemment achetés ensemble dans un marché en analysant les paniers des clients. <br /> <br /> L'analyse des paniers permet d’extraire des [[règle d'association|règles d’association]] parmi les ensembles d’éléments, où il est possible de déclarer la [[probabilité]] que deux ensembles d’éléments se reproduisent ou se produisent conditionnellement.<br /> <br /> == Français ==<br /> '''analyse du panier de marché'''<br /> <br /> '''analyse du panier de consommation'''<br /> <br /> '''analyse du panier d'achat'''<br /> <br /> '''analyse du panier'''<br /> <br /> == Anglais ==<br /> '''market basket analysis'''<br /> <br /> '''MBA'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/tel-03137163/document Source : Inès Ben Kraiem. ''Détection d’Anomalies Multiples par Apprentissage Automatique de Règles dans les Séries Temporelles''. Intelligence artificielle. Université de Toulouse-Jean Jaurès, 2021. Français. tel-03137163 ]<br /> <br /> [https://en.wikipedia.org/wiki/Affinity_analysis Source : Wikipedia (Affinity analysis) ]<br /> <br /> <br /> [[Catégorie:Publication]]</div>

JBM https://datafranca.org/wiki/index.php?title=Market_Basket_Analysis&diff=58708 2021-12-14T16:56:06Z

<p>JBM : JBM a déplacé la page Market Basket Analysis vers Analyse du panier de marché</p> <hr /> <div>#REDIRECTION [[Analyse du panier de marché]]</div>

JBM https://datafranca.org/wiki/index.php?title=Analyse_du_panier_de_march%C3%A9&diff=58707 2021-12-14T16:56:03Z

<p>JBM : JBM a déplacé la page Market Basket Analysis vers Analyse du panier de marché</p> <hr /> <div>== Définition ==<br /> Technique d'analyse basée sur l'exploration de motifs fréquents dont l’objectif est d’extraire les ensembles d’articles qui sont fréquemment achetés ensemble dans un marché en analysant les paniers des clients. <br /> <br /> L'analyse des paniers permet d’extraire des [[règle d'association|règles d’association]] parmi les ensembles d’éléments, où il est possible de déclarer la [[probabilité]] que deux ensembles d’éléments se reproduisent ou se produisent conditionnellement.<br /> <br /> == Français ==<br /> '''analyse du panier de marché'''<br /> <br /> '''analyse du panier de consommation'''<br /> <br /> '''analyse du panier d'achat'''<br /> <br /> '''analyse du panier'''<br /> <br /> == Anglais ==<br /> '''market basket analysis'''<br /> <br /> '''MBA'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/tel-03137163/document Source : Inès Ben Kraiem. ''Détection d’Anomalies Multiples par Apprentissage Automatique de Règles dans les Séries Temporelles''. Intelligence artificielle. Université de Toulouse-Jean Jaurès, 2021. Français. tel-03137163 ]<br /> <br /> [https://en.wikipedia.org/wiki/Affinity_analysis Source : Wikipedia (Affinity analysis) ]<br /> <br /> <br /> [[Catégorie:vocabulary]]<br /> [[Catégorie:analyticsvidhya]]</div>

JBM https://datafranca.org/wiki/index.php?title=Analyse_du_panier_de_march%C3%A9&diff=58706 2021-12-14T16:55:48Z

<p>JBM : </p> <hr /> <div>== Définition ==<br /> Technique d'analyse basée sur l'exploration de motifs fréquents dont l’objectif est d’extraire les ensembles d’articles qui sont fréquemment achetés ensemble dans un marché en analysant les paniers des clients. <br /> <br /> L'analyse des paniers permet d’extraire des [[règle d'association|règles d’association]] parmi les ensembles d’éléments, où il est possible de déclarer la [[probabilité]] que deux ensembles d’éléments se reproduisent ou se produisent conditionnellement.<br /> <br /> == Français ==<br /> '''analyse du panier de marché'''<br /> <br /> '''analyse du panier de consommation'''<br /> <br /> '''analyse du panier d'achat'''<br /> <br /> '''analyse du panier'''<br /> <br /> == Anglais ==<br /> '''market basket analysis'''<br /> <br /> '''MBA'''<br /> <br /> <br /> &lt;small&gt;<br /> <br /> <br /> [https://hal.archives-ouvertes.fr/tel-03137163/document Source : Inès Ben Kraiem. ''Détection d’Anomalies Multiples par Apprentissage Automatique de Règles dans les Séries Temporelles''. Intelligence artificielle. Université de Toulouse-Jean Jaurès, 2021. Français. tel-03137163 ]<br /> <br /> [https://en.wikipedia.org/wiki/Affinity_analysis Source : Wikipedia (Affinity analysis) ]<br /> <br /> <br /> [[Catégorie:vocabulary]]<br /> [[Catégorie:analyticsvidhya]]</div>

JBM