DataFranca - Contributions [fr]

Courbe d'apprentissage

2019-06-11T01:03:23Z

JulieRoy :

==Domaine==

[[Category:Vocabulary2]]
 

[[Category:Vocabulaire2]]
 

[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Catégorie:Apprentissage profond]]
Apprentissage profond 

[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==
Courbe représentant l'évolution du taux d'erreur en fonction du nombre d'itérations (époques).

Note: l'évolution est parfois mesurée en fonction de la taille du jeu des données d'entraînement plutôt que du nombre d'époques.
==Français==

'''courbe d'entraînement''' n.f.

'''courbe d'apprentissage''' n.f.

[https://fr.wikipedia.org/wiki/Courbe_d%27apprentissage, Source : Wikipédia, consulté le 10 juin 2019]
 
Source : Claude Coulombe

==Anglais==

'''learning curve'''

'''training curve'''

Couche de sous-échantillonnage

2019-06-11T01:01:49Z

JulieRoy :

== Domaine ==

[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]Intelligence artificielle 
[[Category:Apprentissage profond]]Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

== Définition ==
Couche d'un réseau convolutif permettant d'ajouter de l'invariance spatiale tout en réduisant la dimension des données.

== Français ==

'''couche de sous-échantillonnage''' n.f.

'''couche de pooling''' n.f.
 
 
 
Source : Damien Fourure. Réseaux de neurones convolutifs pour la segmentation sémantique et l’apprentissage d’invariants de couleur. Vision par ordinateur et reconnaissance de formes [cs.CV]. Université de Lyon, 2017. Français. NNT : 2017LYSES056 . tel-02111472
 
Source : Claude Coulombe
 
Source : Remi Delassus. Apprentissage automatique pour la détection d’anomalies dans les données ouvertes : application à la cartographie. Traitement des images [eess.IV]. Université de Bordeaux, 2018. Français. NNT : 2018BORD0230 . tel-02100741
== Anglais ==

'''pooling layer'''

Couche de sous-échantillonnage

2019-06-11T01:00:16Z

JulieRoy :

Couche de sous-échantillonnage

2019-06-11T00:59:48Z

JulieRoy :

== Domaine ==

[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]Intelligence artificielle 
[[Category:Apprentissage profond]]Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

== Définition ==
Couche d'un réseau convolutif permettant d'ajouter de l'invariance spatiale tout en réduisant la dimension des données.

== Français ==

'''couche de sous-échantillonnage''' n.f.

'''couche de pooling''' n.f.
 
 
 
Source : Damien Fourure. Réseaux de neurones convolutifs pour la segmentation sémantique et l’apprentissage d’invariants de couleur. Vision par ordinateur et reconnaissance de formes [cs.CV]. Université de Lyon, 2017. Français. NNT : 2017LYSES056 . tel-02111472
 
== Anglais ==

'''pooling layer'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Couche de convolution

2019-06-11T00:58:18Z

JulieRoy :

==Domaine==

[[Category:Vocabulaire]]

[[Category:Intelligence artificielle]]
Intelligence artificielle 

[[Category:Termino 2019]]

 

==Définition==
Couche d'un réseau de neurone convolutif où sont appliqués itérativement des filtres (ou noyaux de convolution) qui balayent les données pour en extraire des attributs afin de constituer la carte des attributs.
 

==Français==

'''couche de convolution'''

 
 
 
 
Source: Tavenard, Romain (sans date). https://rtavenar.github.io/teaching/neuralnets_td/html/cnn.html
 
Source : Damien Fourure. Réseaux de neurones convolutifs pour la segmentation sémantique et l’apprentissage d’invariants de couleur. Vision par ordinateur et reconnaissance de formes [cs.CV]. Université de Lyon, 2017. Français. NNT : 2017LYSES056 . tel-02111472
 
Source : Jean Ogier Du Terrail. Réseaux de neurones convolutionnels profonds pour la détection de petits véhicules en imagerie aérienne. Réseau de neurones [cs.NE]. Normandie Université, 2018. Français. NNT : 2018NORMC276 . tel-02113872
==Anglais==

'''convolutional layer'''

Couche de convolution

2019-06-11T00:56:19Z

JulieRoy :

Contamination des données par indiscrétion

2019-06-11T00:55:37Z

JulieRoy :

== Domaine ==

[[Category:Vocabulaire]]
[[Category:Intelligence artificielle]]Intelligence artificielle 

[[Category:Termino 2019]]

 

== Définition ==

Risque de contamination volontaire ou non d'information provenant de l'ensemble de données de test qui a une influence sur les résultats d'apprentissage.
 
 
 
Note: 
Par exemple, la contamination peut se produire en choisissant un modèle en fonction des résultats obtenus par d'autres chercheur sur les données de test. Cette façon de choisir le modèle rend le modèle surajusté non seulement sur les données d'entraînement, mais également sur les données du jeu de test.
 

== Français ==

'''contamination des données par furetage''' 
'''contamination des données par indiscrétion''' 
'''contamination par les données''' 

Source : Claude Coulombe
 
Source : Patrick Drouin

== Anglais ==

'''compositionality'''

Contamination des données par indiscrétion

2019-06-11T00:53:54Z

JulieRoy :

Classe cible

2019-06-11T00:52:33Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Apprentissage automatique]]
Apprentissage automatique 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

 

==Définition==
En apprentissage supervisé, le terme classe cible désigne une des classes retournées comme réponse au processus de prédiction ou de classification.

 

==Français==

'''classe cible''' n.f.
 
 
 

Source : Damien Fourure. Réseaux de neurones convolutifs pour la segmentation sémantique et l’apprentissage d’invariants de couleur. Vision par ordinateur et reconnaissance de formes [cs.CV]. Université de Lyon, 2017. Français. NNT : 2017LYSES056 . tel-02111472 
Source : Bucher, Maxime (2018). Apprentissage et exploitation de représentations sémantiques pour la classificationet la recherche d’images, Université de Normandie, 192 pages.

==Anglais==

'''target class'''

[[Utilisateur:Patrickdrouin | Source : Termino]]

Classe cible

2019-06-11T00:51:46Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Apprentissage automatique]]
Apprentissage automatique 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

 

==Définition==
En apprentissage supervisé, le terme classe cible désigne une des classes retournées comme réponse au processus de prédiction ou de classification.

 

==Français==

'''classe cible''' n.f.
 
 
 

Source : Damien Fourure. Réseaux de neurones convolutifs pour la segmentation sémantique et l’apprentissage d’invariants de couleur. Vision par ordinateur et reconnaissance de formes [cs.CV]. Université de Lyon, 2017. Français. NNT : 2017LYSES056 . tel-02111472

==Anglais==

'''target class'''

[[Utilisateur:Patrickdrouin | Source : Termino]]

Chaîne de traitement des données

2019-06-11T00:49:57Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire]]

[[Category:Intelligence artificielle]]
Intelligence artificielle 

[[Category:Termino 2019]]

 

==Définition==

Processus séquentiel de prise en charge des données où ces dernières sont soumises à des plusieurs étapes de traitement spécifiques visant l'atteinte d'un objectif global.
 

==Français==

'''chaîne de traitement'''
 

'''pipeline'''
 
 
 
Source : Gouvernement du Canada, TERMIUM Plus, http://www.btb.termiumplus.gc.ca, consulté le 27 mai 2019. 
Source : Yann Bayle. Apprentissage automatique de caractéristiques audio: application à la génération de listes de lecture thématiques. Autre [cs.OH]. Université de Bordeaux, 2018. Français. NNT: 2018BORD0087 . tel-01961637

==Anglais==

'''data pipeline''' 
'''pipeline'''

Chaîne de traitement des données

2019-06-11T00:46:39Z

JulieRoy :

== Domaine ==
[[Category:Vocabulaire]]

[[Category:Intelligence artificielle]]Intelligence artificielle 

[[Category:Termino 2019]]
 

== Définition ==

Processus séquentiel de prise en charge des données où ces dernières sont soumises à des plusieurs étapes de traitement spécifiques visant l'atteinte d'un objectif global.
 

== Français ==

'''chaîne de traitement'''
 

'''pipeline'''
 
 
 
Source : Gouvernement du Canada, TERMIUM Plus, http://www.btb.termiumplus.gc.ca, consulté le 27 mai 2019.

== Anglais ==

'''data pipeline''' 
'''pipeline'''

Augmentation des données

2019-06-11T00:44:26Z

JulieRoy :

__NOTOC__

== Domaine ==
[[Category:Vocabulaire]]
[[Category:Apprentissage automatique]] Apprentissage automatique 
[[Category:Apprentissage profond]] Apprentissage profond 
[[Category:Science des données]] Science des données 
[[Category: Termino 2019]]

 

== Définition ==
Processus d’augmentation de la quantité de données d'entraînement par la création de nouvelles données à partir des données existantes.
 
 
 

== Français ==
<poll>
Choisissez parmi ces termes proposés :
amplification de données
augmentation de données
</poll>
'''augmentation des données''' 
'''amplification des données''' 
 

'''Discussion:'''

Dans le cas où les données sont générées (synthétisées) à partir de sources externes, comme des bases de données externes, on sera justifié de parler d'augmentation de données. Par contre, lorsque les nouvelles données résultent de simples transformations des données existantes, il serait plus juste de désigner le processus comme de l'amplification de données.
 
 
 

[http://dic.uqam.ca/upload/files/Sei%CC%80minaire%20DIC-CREA%20-%2024jan19%20-%20Amplification%20des%20donnei%CC%80es%20textuelles%20pour%20l%E2%80%99apprentissage%20profond.pdf, Source : Claude Coulombe]
 
[https://cloud.google.com/training/courses/advanced-machine-learning-gcp?hl=fr, Source : Advanced Machine Learning with TensorFlow on Google Cloud Platform, consulté le 10 juin 2019]

== Anglais ==
'''Data Augmentation'''

Augmentation des données

2019-06-11T00:42:28Z

JulieRoy :

__NOTOC__

== Domaine ==
[[Category:Vocabulaire]]
[[Category:Apprentissage automatique]] Apprentissage automatique 
[[Category:Apprentissage profond]] Apprentissage profond 
[[Category:Science des données]] Science des données 
[[Category: Termino 2019]]

 

== Définition ==
Processus d’augmentation de la quantité de données d'entraînement par la création de nouvelles données à partir des données existantes.
 
 
 

== Français ==
<poll>
Choisissez parmi ces termes proposés :
amplification de données
augmentation de données
</poll>
'''augmentation des données''' 
'''amplification des données''' 
'''synthèse des données''' 
'''génération des données''' 
 

'''Discussion:'''

Dans le cas où les données sont générées (synthétisées) à partir de sources externes, comme des bases de données externes, on sera justifié de parler d'augmentation de données. Par contre, lorsque les nouvelles données résultent de simples transformations des données existantes, il serait plus juste de désigner le processus comme de l'amplification de données.
 
 
 

[http://dic.uqam.ca/upload/files/Sei%CC%80minaire%20DIC-CREA%20-%2024jan19%20-%20Amplification%20des%20donnei%CC%80es%20textuelles%20pour%20l%E2%80%99apprentissage%20profond.pdf, Source : Claude Coulombe]
 
[https://cloud.google.com/training/courses/advanced-machine-learning-gcp?hl=fr, Source : Advanced Machine Learning with TensorFlow on Google Cloud Platform, consulté le 10 juin 2019]

== Anglais ==
'''Data Augmentation'''

Augmentation des données

2019-06-11T00:40:48Z

JulieRoy :

__NOTOC__

== Domaine ==
[[Category:Vocabulaire]]
[[Category:Apprentissage automatique]] Apprentissage automatique 
[[Category:Apprentissage profond]] Apprentissage profond 
[[Category:Science des données]] Science des données 
[[Category: Termino 2019]]

 

== Définition ==
Processus d’augmentation de la quantité de données d'entraînement par la création de nouvelles données à partir des données existantes.
 
 
 

== Français ==
<poll>
Choisissez parmi ces termes proposés :
amplification de données
augmentation de données
</poll>
'''augmentation des données''' 
'''amplification des données''' 
'''synthèse des données''' 
'''génération des données''' 
 

'''Discussion:'''

Dans le cas où les données sont générées (synthétisées) à partir de sources externes, comme des bases de données externes, on sera justifié de parler d'augmentation de données. Par contre, lorsque les nouvelles données résultent de simples transformations des données existantes, il serait plus juste de désigner le processus comme de l'amplification de données.
 
 
 

Source : Claude Coulombe
 
[https://cloud.google.com/training/courses/advanced-machine-learning-gcp?hl=fr, Source : Advanced Machine Learning with TensorFlow on Google Cloud Platform, consulté le 10 juin 2019]

== Anglais ==
'''Data Augmentation'''

Augmentation des données

2019-06-11T00:39:02Z

JulieRoy :

__NOTOC__

== Domaine ==
[[Category:Vocabulaire]]
[[Category:Apprentissage automatique]] Apprentissage automatique 
[[Category:Apprentissage profond]] Apprentissage profond 
[[Category:Science des données]] Science des données 
[[Category: Termino 2019]]

 

== Définition ==
Processus d’augmentation de la quantité de données d'entraînement par la création de nouvelles données à partir des données existantes.
 
 
 

== Français ==
<poll>
Choisissez parmi ces termes proposés :
amplification de données
augmentation de données
</poll>
'''augmentation des données''' 
'''amplification des données''' 
'''synthèse des données''' 
'''génération des données''' 
 

'''Discussion:'''

Dans le cas où les données sont générées (synthétisées) à partir de sources externes, comme des bases de données externes, on sera justifié de parler d'augmentation de données. Par contre, lorsque les nouvelles données résultent de simples transformations des données existantes, il serait plus juste de désigner le processus comme de l'amplification de données.
 
 
 
[https://cloud.google.com/training/courses/advanced-machine-learning-gcp?hl=fr, Source : Advanced Machine Learning with TensorFlow on Google Cloud Platform, consulté le 10 juin 2019]

== Anglais ==
'''Data Augmentation'''

Apprentissage d'un coup

2019-06-11T00:35:19Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Coulombe2]]
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category: Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==
Approche d'apprentissage automatique qui permet d'entraîner des classificateurs efficaces à partir d'un seul exemple d'apprentissage.

==Français==

'''apprentissage à exemple unique''' ''n.m.''

'''apprentissage à partir d'un exemple unique''' n.m. 

==Anglais==
'''One-shot learning'''

[https://developers.google.com/machine-learning/crash-course/glossary?hl=fr#o, Source : Glossaire de l'apprentissage machine, Google, consulté le 20 mai 2019.]

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage semi-supervisé

2019-06-11T00:33:58Z

JulieRoy :

==Domaine==
[[category:Vocabulaire2]]
[[Catégorie:Wikipedia-IA]]
[[Catégorie:Intelligence artificielle]]
Intelligence artificielle 
[[Catégorie:Apprentissage automatique]]
Apprentissage automatique
[[Catégorie:scotty2]]
[[Category:Termino 2019]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

 

==Définition==
Algorithme d'apprentissage à partir de données partiellement étiquetées qui exploite la similarité entre les données pour leur attribuer des étiquettes.

Note: par exemple, un algorithme non-supervisé de groupage identifie des groupes, puis on attribue une étiquette à chacun des groupes pour étiqueter tous les autres membres de chacun de ces groupes

==Français==
'''apprentissage semi-dirigé''' n.m.

'''apprentissage semi-supervisé''' n.m.

'''entraînement semi-supervisé''' n.m.
 
 
 
Source : Marc Lucea. Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943>
 
[https://fr.wikipedia.org/wiki/Apprentissage_semi-supervis%C3%A9 Source : wikipédia, consulté le 10 juin 2019]
 
Source : Bisson, Valentin (2012). Algorithmes d’apprentissage pour la recommandation, thèse de doctorat, Université de Montréal, 96 pages.

==Anglais==
'''semi-supervised learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage semi-supervisé

2019-06-11T00:33:39Z

JulieRoy :

==Domaine==
[[category:Vocabulaire2]]
[[Catégorie:Wikipedia-IA]]
[[Catégorie:Intelligence artificielle]]
Intelligence artificielle 
[[Catégorie:Apprentissage automatique]]
Apprentissage automatique
[[Catégorie:scotty2]]
[[Category:Termino 2019]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

 

==Définition==
Algorithme d'apprentissage à partir de données partiellement étiquetées qui exploite la similarité entre les données pour leur attribuer des étiquettes.

Note: par exemple, un algorithme non-supervisé de groupage identifie des groupes, puis on attribue une étiquette à chacun des groupes pour étiqueter tous les autres membres de chacun de ces groupes

==Français==
'''apprentissage semi-dirigé''' n.m.

'''apprentissage semi-supervisé''' n.m.

'''entraînement semi-supervisé''' n.m.
 
 
 
Source : Marc Lucea. Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943> 
 
[https://fr.wikipedia.org/wiki/Apprentissage_semi-supervis%C3%A9 Source : wikipédia, consulté le 10 juin 2019]
 
Source : Bisson, Valentin (2012). Algorithmes d’apprentissage pour la recommandation, thèse de doctorat, Université de Montréal, 96 pages.

==Anglais==
'''semi-supervised learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage semi-supervisé

2019-06-11T00:33:13Z

JulieRoy :

==Domaine==
[[category:Vocabulaire2]]
[[Catégorie:Wikipedia-IA]]
[[Catégorie:Intelligence artificielle]]
Intelligence artificielle 
[[Catégorie:Apprentissage automatique]]
Apprentissage automatique
[[Catégorie:scotty2]]
[[Category:Termino 2019]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

 

==Définition==
Algorithme d'apprentissage à partir de données partiellement étiquetées qui exploite la similarité entre les données pour leur attribuer des étiquettes.

Note: par exemple, un algorithme non-supervisé de groupage identifie des groupes, puis on attribue une étiquette à chacun des groupes pour étiqueter tous les autres membres de chacun de ces groupes

==Français==
'''apprentissage semi-dirigé''' n.m.

'''apprentissage semi-supervisé''' n.m.

'''entraînement semi-supervisé''' n.m.
 
 
 
Source : Marc Lucea. Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943> 
 
[https://fr.wikipedia.org/wiki/Apprentissage_semi-supervis%C3%A9 Source : wikipédia, consulté le 10 juin 2019]
 
Source : Bisson, Valentin (2012). Algorithmes d’apprentissage pour la recommandation, thèse de doctorat, Université de Montréal, 96 pages.

==Anglais==
'''semi-supervised learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage semi-supervisé

2019-06-11T00:31:24Z

JulieRoy :

==Domaine==
[[category:Vocabulaire2]]
[[Catégorie:Wikipedia-IA]]
[[Catégorie:Intelligence artificielle]]
Intelligence artificielle 
[[Catégorie:Apprentissage automatique]]
Apprentissage automatique
[[Catégorie:scotty2]]
[[Category:Termino 2019]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

 

==Définition==
Algorithme d'apprentissage à partir de données partiellement étiquetées qui exploite la similarité entre les données pour leur attribuer des étiquettes.

Note: par exemple, un algorithme non-supervisé de groupage identifie des groupes, puis on attribue une étiquette à chacun des groupes pour étiqueter tous les autres membres de chacun de ces groupes

==Français==
'''apprentissage semi-dirigé''' n.m.

'''apprentissage semi-supervisé''' n.m.

'''entraînement semi-supervisé''' n.m.

Source : Marc Lucea. Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943> 
 
[https://fr.wikipedia.org/wiki/Apprentissage_semi-supervis%C3%A9 Source : wikipédia, consulté le 10 juin 2019]

==Anglais==
'''semi-supervised learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage semi-supervisé

2019-06-11T00:30:59Z

JulieRoy :

==Domaine==
[[category:Vocabulaire2]]
[[Catégorie:Wikipedia-IA]]
[[Catégorie:Intelligence artificielle]]
Intelligence artificielle 
[[Catégorie:Apprentissage automatique]]
Apprentissage automatique
[[Catégorie:scotty2]]
[[Category:Termino 2019]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

 

==Définition==
Algorithme d'apprentissage à partir de données partiellement étiquetées qui exploite la similarité entre les données pour leur attribuer des étiquettes.

Note: par exemple, un algorithme non-supervisé de groupage identifie des groupes, puis on attribue une étiquette à chacun des groupes pour étiqueter tous les autres membres de chacun de ces groupes

==Français==
'''apprentissage semi-dirigé''' n.m.

'''apprentissage semi-supervisé''' n.m.

'''entraînement semi-supervisé''' n.m.

Source : Marc Lucea. Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. �pastel-00001943 
 
[https://fr.wikipedia.org/wiki/Apprentissage_semi-supervis%C3%A9 Source : wikipédia, consulté le 10 juin 2019]

==Anglais==
'''semi-supervised learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage par transfert

2019-06-11T00:24:44Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Google2]]
[[Category:scotty2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Catégorie:Apprentissage automatique]]
Apprentissage automatique 
[[Catégorie:Apprentissage profond]]
Apprentissage profond 
[[Category:Coulombe2]]
[[Category:Termino 2019]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

 

==Définition==
Apprentissage qui consiste à exploiter les connaissances d'un modèle neuronal entraîné sur un jeu de données pour l'appliquer et l'enrichir dans le cadre d'un apprentissage sur un jeu de données différent.

''Note: on préférera apprentissage par transfert, bien que ce soit plutôt un transfert d’apprentissage, pour des questions d’uniformité avec apprentissage supervisé, apprentissage non supervisé, apprentissage par renforcement.''

==Français==
'''apprentissage par transfert''' n.m.

'''transfert d'apprentissage''' n.m.
 
 
 

[https://developers.google.com/machine-learning/glossary/ Source: Google machine learning glossary]

==Anglais==
'''transfer learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage par fonction Q

2019-06-11T00:23:44Z

JulieRoy :

==Domaine==

[[Category:Vocabulary2]]
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==

Algorithme d'apprentissage par renforcement sans modèle ayant pour but d'apprendre une stratégie qui guidera un agent dans les décisions à prendre dans une situation donnée.

Note: la lettre 'Q' désigne la fonction qui mesure la qualité d'une action exécutée dans un état donné du système.

==Français==

'''apprentissage par fonction Q ''' n.m.

'''apprentissage par fonction état-action''' n.m.
 
 
 

Source : Claude Coulombe

==Anglais==

'''Q learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage de représentations

2019-06-11T00:22:16Z

JulieRoy :

==Domaine==
[[Category:Vocabulary2]]
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==

Capacité d'un réseau de neurones profond d'apprendre des caractéristiques ou des attributs de complexité hiérarchiquement croissante à partir d'un ensemble de données brutes.

''Note: parfois employé comme synonyme d'apprentissage profond.''

==Français==

'''apprentissage de représentations''' n.m.

'''apprentissage profond''' n.m.

Source : Thong, W. (2015). ''Apprentissage de représentations pour la classification d’images biomédicales'' (Mémoire de maîtrise, École Polytechnique de Montréal). Tiré de <nowiki>https://publications.polymtl.ca/1842/</nowiki>
 

Source : Alain Droniou. Apprentissage de représentations et robotique développementale : quelques apports de l'apprentissage profond pour la robotique autonome. Intelligence artificielle [cs.AI]. Université Pierre et Marie Curie, 2015. Français. ⟨tel-01131677v1⟩
 
Source : Victor Bisot. Apprentissage de représentations pour l’analyse de scènes sonores. Apprentissage [cs.LG]. Telecom ParisTech, 2018. Français. ⟨tel-01912022⟩

==Anglais==

'''representation learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage de représentations

2019-06-11T00:20:45Z

JulieRoy :

==Domaine==
[[Category:Vocabulary2]]
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==

Capacité d'un réseau de neurones profond d'apprendre des caractéristiques ou des attributs de complexité hiérarchiquement croissante à partir d'un ensemble de données brutes.

''Note: parfois employé comme synonyme d'apprentissage profond.''

==Français==

'''apprentissage de représentations''' n.m.

'''apprentissage profond''' n.m.

Source : Thong, W. (2015). ''Apprentissage de représentations pour la classification d’images biomédicales'' (Mémoire de maîtrise, École Polytechnique de Montréal). Tiré de <nowiki>https://publications.polymtl.ca/1842/</nowiki>
 

Source : Alain Droniou. Apprentissage de représentations et robotique développementale : quelques apports de l'apprentissage profond pour la robotique autonome. Intelligence artificielle [cs.AI]. Université Pierre et Marie Curie, 2015. Français. ⟨tel-01131677v1⟩

==Anglais==

'''representation learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage de bout-en-bout

2019-06-11T00:18:01Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==
Entraînement d'un modèle de réseau de neurones formé de plusieurs modules qui implique l'application à l'ensemble du modèle un apprentissage basé sur la descente de gradient.

Note: l'apprentissage de bout-en-bout doit être conçu pour que tous les modules soient différentiables. Souvent on remplacera un système d'apprentissage comportant plusieurs étapes de traitement par un seul réseau neuronal.

==Français==

'''apprentissage de bout-en-bout''' n. m.

Source : Claude Coulombe

==Anglais==

'''end-to-end learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Apprentissage de bout-en-bout

2019-06-11T00:15:11Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==
Entraînement d'un modèle de réseau de neurones formé de plusieurs modules qui implique l'application à l'ensemble du modèle un apprentissage basé sur la descente de gradient.

Note: l'apprentissage de bout-en-bout doit être conçu pour que tous les modules soient différentiables. Souvent on remplacera un système d'apprentissage comportant plusieurs étapes de traitement par un seul réseau neuronal.

==Français==

'''apprentissage de bout-en-bout''' n. m.

Source : Mingyuan Jiu. Spatial information and end-to-end learning for visual recognition. Computer Science [cs]. INSA de Lyon, 2014. English. ⟨NNT : 2014ISAL0038⟩. ⟨tel-01127462⟩

==Anglais==

'''end-to-end learning'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Entraînement sur flux de données

2019-06-11T00:02:14Z

JulieRoy :

==Domaine==
[[Category:Vocabulary2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Catégorie:Apprentissage automatique]]
Apprentissage automatique 
[[Category:Coulombe2]]
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==

Méthode d'apprentissage où les paramètres d'un modèle sont mis à jour en fonction des nouvelles données acquises au fur et à mesure.

'''*''' À la base l'expression ''online training'' est ambigüe et est facilement confondue avec la formation en ligne. En anglais on trouve également les expressions ''flow training,'' ''data stream training''» ou ''data feed training''. En français, on dira apprentissage continu ou en continu ou par flux ou par flux de données ou en flux de données, ou par flot, par flot de données ou même apprentissage progressif, apprentissage au fur et à mesure.

 

==Français==

'''apprentissage au fur et à mesure''' n.m.

'''apprentissage en flux''' n.m.

'''apprentissage par flux''' n.m.
 
 
 

Source : Salperwyck, Christophe et Lemaire, Vincent (2010). Classification incrémentale supervisée : un panel introductif, Orange Labs, 28 pages.
 
Source : Jacob Montiel Lopez. Apprentissage automatique rapide et lent. Base de données [cs.DB]. UniversitéParis-Saclay, 2019. Français. <NNT : 2019SACLT014>. <tel-02098633>
 
Source : Jacob Montiel López. Apprentissage automatique rapide et lent. Base de données [cs.DB]. Université Paris-Saclay, 2019. Français. ⟨NNT : 2019SACLT014⟩. ⟨tel-02098633⟩

==Anglais==
'''online training''' *

'''online learning'''

'''flow training'''

'''data stream training'''

'''data feed training'''

<nowiki>* </nowiki> Ici encore les expressions apprentissage continu ou apprentissage en continu risquent d'être confondues avec la formation continue. A priori, «par flux de données» semblerait plus approprié. Une entrée ''online learning'' avec l'équivalent «apprentissage en ligne» existe dans le GDT 2008 mais pour la formation en ligne, l'expression «apprentissage en ligne» est suggérée par Aurélien Géron, trad. Anne Bohy - Machine Learning avec Scikit-Learn, mais aussi «apprentissage progressif» suggéré par Aurélien Géron, trad. Anne Bohy - Machine Learning avec Scikit-Lear

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Entraînement sur flux de données

2019-06-11T00:01:25Z

JulieRoy :

==Domaine==
[[Category:Vocabulary2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Catégorie:Apprentissage automatique]]
Apprentissage automatique 
[[Category:Coulombe2]]
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==

Méthode d'apprentissage où les paramètres d'un modèle sont mis à jour en fonction des nouvelles données acquises au fur et à mesure.

'''*''' À la base l'expression ''online training'' est ambigüe et est facilement confondue avec la formation en ligne. En anglais on trouve également les expressions ''flow training,'' ''data stream training''» ou ''data feed training''. En français, on dira apprentissage continu ou en continu ou par flux ou par flux de données ou en flux de données, ou par flot, par flot de données ou même apprentissage progressif, apprentissage au fur et à mesure.

 

==Français==

'''apprentissage au fur et à mesure''' n.m.

'''apprentissage en flux''' n.m.

'''apprentissage par flux''' n.m.
 
 
 

Source : Salperwyck, Christophe et Lemaire, Vincent (2010). Classification incrémentale supervisée : un panel introductif, Orange Labs, 28 pages.
 
Source : Jacob Montiel Lopez. Apprentissage automatique rapide et lent. Base de données [cs.DB]. UniversitéParis-Saclay, 2019. Français. �NNT : 2019SACLT014�. �tel-02098633
 
Source : Jacob Montiel López. Apprentissage automatique rapide et lent. Base de données [cs.DB]. Université Paris-Saclay, 2019. Français. ⟨NNT : 2019SACLT014⟩. ⟨tel-02098633⟩

==Anglais==
'''online training''' *

'''online learning'''

'''flow training'''

'''data stream training'''

'''data feed training'''

<nowiki>* </nowiki> Ici encore les expressions apprentissage continu ou apprentissage en continu risquent d'être confondues avec la formation continue. A priori, «par flux de données» semblerait plus approprié. Une entrée ''online learning'' avec l'équivalent «apprentissage en ligne» existe dans le GDT 2008 mais pour la formation en ligne, l'expression «apprentissage en ligne» est suggérée par Aurélien Géron, trad. Anne Bohy - Machine Learning avec Scikit-Learn, mais aussi «apprentissage progressif» suggéré par Aurélien Géron, trad. Anne Bohy - Machine Learning avec Scikit-Lear

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Algorithme skip-gram

2019-06-10T23:48:41Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==
Algorithme utilisé en traitement automatique de la langue qui vise à prédire le contexte à partir d'un mot.

Note: l'algorithme skip-gram a été proposé par Tomas Mikolov au sein de l'approche word2vec sur la base des travaux de Yoshua Bengio.

==Français==

'''algorithme skip-gram''' n.m.

'''algorithme de prédiction des grammes-voisins''' n.m'''.'''

Source : Eloi Zablocki, Benjamin Piwowarski, Laure Soulier, Patrick Gallinari. Apprentissage multimodal de représentation de mots à l’aide de contexte visuel. Conférence sur l’Apprentissage Automatique, Jun2018, Rouen, France. �hal-01842358

Source : Emmanuel Ferreira. Apprentissage automatique en ligne pour un dialogue homme-machine situé.Environnements Informatiques pour l’Apprentissage Humain. Université d’Avignon, 2015. Français.<NNT: 2015AVIG0206>. <tel-01527728>

==Anglais==

'''skip-gram algorithm'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Algorithme skip-gram

2019-06-10T23:44:12Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==
Algorithme utilisé en traitement automatique de la langue qui vise à prédire le contexte à partir d'un mot.

Note: l'algorithme skip-gram a été proposé par Tomas Mikolov au sein de l'approche word2vec sur la base des travaux de Yoshua Bengio.

==Français==

'''algorithme skip-gram''' n.m.

'''algorithme de prédiction des grammes-voisins''' n.m'''.'''

==Anglais==

'''skip-gram algorithm'''

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Source : Eloi Zablocki, Benjamin Piwowarski, Laure Soulier, Patrick Gallinari. Apprentissage multimodal de représentation de mots à l’aide de contexte visuel. Conférence sur l’Apprentissage Automatique, Jun2018, Rouen, France. �hal-01842358

Source : Emmanuel Ferreira. Apprentissage automatique en ligne pour un dialogue homme-machine situé.Environnements Informatiques pour l’Apprentissage Humain. Université d’Avignon, 2015. Français.<NNT: 2015AVIG0206>. <tel-01527728>

Algorithme estimation-maximisation

2019-06-10T23:35:12Z

JulieRoy :

__NOTOC__
==Domaine==
[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Vocabulaire2]]
[[Category:Google2]]
[[Category:Apprentissage profond]]Apprentissage profond 
[[Category:scotty2]]

[[Category: Termino 2019]]

 

==Définition==
Algorithme d'apprentissage non supervisé qui permet de trouver les paramètres du maximum de vraisemblance d'un modèle probabiliste même lorsque ce dernier dépend de variables latentes non observables. 
 
Note : 
Cet algorithme itératif comporte deux étapes: 1) Une étape d’évaluation de l’espérance (E) de la fonction de vraisemblance. Cette étape pondère dans quelle mesure chaque donnée contribue à l’estimation de la vraisemblance maximale. 2) Une étape de maximisation (M) de la fonction de vraisemblance trouvée à l’étape E où les paramètres sont ajustés en fonction des données qui ont été repondérées. Les paramètres mis-à-jour à l’étape M sont réinjectés à l’étape E et on itère ainsi jusqu’à la convergence (les paramètres ne changent plus). Puisque l’algorithme EM converge vers un maximum local, pour trouver un maximum global il faut reprendre le calcul un grand nombre de fois avec des paramètres initiaux différents. De nombreuses variantes de l'algorithme initialement proposé par Dempster (1977) ont été élaborées par la suite, donnant ainsi naissance à une famille d'algorithmes. Par exemple, l'algorithme de groupage des K-moyennes peut être considéré comme en faisant partie.
 
 
[[Fichier:EM algorithm.gif]]
 
 
 
 
 
 

[https://fr.wikipedia.org/wiki/Algorithme_esp%C3%A9rance-maximisation, Source : Wikipédia, consulté le 3 juin 2019] 

Source : Govaert, Gérard et Mohamed Nadif (2009). Un modèle de mélange pour la classification croisée d’un tableau de données continue, Actes de la 11e conférence sur l’apprentissage artificiel, Hammamet,Tunisie. pages 287-302. 

Source : Li, X. Guttmann, A.; Cipière, S.; Demongeot, J.; JY Boire et L Ouchchane (2014). Utilisation de l’algorithme EM pour estimer les paramètres du chaînage probabiliste d’enregistrements, Revue d'Épidémiologie et de Santé Publique 62(5), page S196. 
 

==Français==
'''algorithme EM '''

'''algorithme espérance-maximisation '''

==Anglais==
'''EM algorithm '''

'''Expectation–Maximization algorithm'''

 
 

 
[https://datafranca.org/lexique/algorithme-em/ ''Publié : datafranca.org'']

Apprentissage ensembliste

2019-06-07T02:04:25Z

JulieRoy :

__NOTOC__
== Domaine ==
[[Category:Vocabulaire]]Vocabulaire 
[[Category:Coulombe]]
[[Category:Apprentissage profond]]Apprentissage profond 
[[Category:Vocabulaire]]
[[Category:Intelligence artificielle]]Intelligence artificielle 
[[Category:Termino 2019]]
[[Category:Scotty]]
 

== Définition ==
Technique d'apprentissage qui repose la mise en commun de multiples algorithmes d'apprentissage afin obtenir de meilleures performances que celles que l'on pourrait obtenir de n'importe lequel des algorithmes d'apprentissage constituant pris individuellement.

Source: Géron, Aurélien (2017) Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets, Paris, Dunod, 256 pages.
 

== Français ==
'''apprentissage ensembliste'''

'''apprentissage par ensemble'''

'''apprentissage par combinaison de modèles'''

'''apprentissage par combinaison d’algorithmes'''

'''apprentissage par combinaison de décisions'''
 
 

== Anglais ==
'''ensemble learning'''

Méthode ensembliste

2019-06-07T02:03:47Z

JulieRoy : JulieRoy a déplacé la page Méthode ensembliste vers Apprentissage ensembliste

#REDIRECTION [[Apprentissage ensembliste]]

Apprentissage ensembliste

2019-06-07T02:03:45Z

JulieRoy : JulieRoy a déplacé la page Méthode ensembliste vers Apprentissage ensembliste

__NOTOC__
== Domaine ==
[[Category:Vocabulaire]]Vocabulaire 
[[Category:Coulombe]]
[[Category:Apprentissage profond]]Apprentissage profond 
[[Category:Vocabulaire]]
[[Category:Intelligence artificielle]]Intelligence artificielle 
[[Category:Termino 2019]]
[[Category:Scotty]]
 

== Définition ==
Technique d'apprentissage qui repose la mise en commun de multiples algorithmes d'apprentissage afin obtenir de meilleures performances que celles que l'on pourrait obtenir de n'importe lequel des algorithmes d'apprentissage constituant pris individuellement.

Source: Géron, Aurélien (2017) Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets, Paris, Dunod, 256 pages.
 

== Français ==
'''méthode ensembliste'''

'''apprentissage ensembliste'''

'''apprentissage par ensemble'''

'''aapprentissage par combinaison de modèles'''

'''apprentissage par combinaison d’algorithmes'''

'''apprentissage par combinaison de décisions'''
 
 

== Anglais ==
'''ensemble learning'''

Algorithme estimation-maximisation

2019-06-07T02:02:25Z

JulieRoy :

__NOTOC__
==Domaine==
[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Vocabulaire2]]
[[Category:Google2]]
[[Category:Apprentissage profond]]Apprentissage profond 
[[Category:scotty2]]

[[Category: Termino 2019]]

 

==Définition==
Algorithme d'apprentissage non supervisé qui permet de trouver les paramètres du maximum de vraisemblance d'un modèle probabiliste même lorsque ce dernier dépend de variables latentes non observables. 
 
Note : 
Cet algorithme itératif comporte deux étapes: 1) Une étape d’évaluation de l’espérance (E) de la fonction de vraisemblance. Cette étape pondère dans quelle mesure chaque donnée contribue à l’estimation de la vraisemblance maximale. 2) Une étape de maximisation (M) de la fonction de vraisemblance trouvée à l’étape E où les paramètres sont ajustés en fonction des données qui ont été repondérées. Les paramètres mis-à-jour à l’étape M sont réinjectés à l’étape E et on itère ainsi jusqu’à la convergence (les paramètres ne changent plus). Puisque l’algorithme EM converge vers un maximum local, pour trouver un maximum global il faut reprendre le calcul un grand nombre de fois avec des paramètres initiaux différents. De nombreuses variantes de l'algorithme initialement proposé par Dempster (1977) ont été élaborées par la suite, donnant ainsi naissance à une famille d'algorithmes. Par exemple, l'algorithme de groupage des K-moyennes peut être considéré comme en faisant partie.
 
 
[[Fichier:EM algorithm.gif]]
 
 
 
 
 
 

[https://fr.wikipedia.org/wiki/Algorithme_esp%C3%A9rance-maximisation, Source : Wikipédia, consulté le 3 juin 2019] 

[[Source : Govaert, Gérard et Mohamed Nadif (2009). Un modèle de mélange pour la classification croisée d’un tableau de données continue, Actes de la 11e conférence sur l’apprentissage artificiel, Hammamet,Tunisie. pages 287-302.]] 

[[Source : Li, X. Guttmann, A.; Cipière, S.; Demongeot, J.; JY Boire et L Ouchchane (2014). Utilisation de l’algorithme EM pour estimer les paramètres du chaînage probabiliste d’enregistrements, Revue d'Épidémiologie et de Santé Publique 62(5), page S196.]] 
 

==Français==
'''algorithme EM '''

'''algorithme espérance-maximisation '''

==Anglais==
'''EM algorithm '''

'''Expectation–Maximization algorithm'''

 
 

 
[https://datafranca.org/lexique/algorithme-em/ ''Publié : datafranca.org'']

Réduction de dimensions

2019-06-07T02:00:24Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty]]

==Définition==
Processus qui consiste à prendre des données dans un espace de grande dimension et à les remplacer par des données dans un espace de plus petite dimension.

'''DOUBLON ====> voir [[Réduction de la dimensionnalité]]'''

==Français==
'''réduction de dimensions'''

==Anglais==

'''dimensionality reduction'''

<nowiki>*</nowiki> Source : Geeks for geeks

https://www.geeksforgeeks.org/dimensionality-reduction/

Dimensionality reduction

2019-06-07T01:59:03Z

JulieRoy : JulieRoy a déplacé la page Dimensionality reduction vers Réduction de dimensions : Le terme était en anglais

#REDIRECTION [[Réduction de dimensions]]

Réduction de dimensions

2019-06-07T01:59:01Z

JulieRoy : JulieRoy a déplacé la page Dimensionality reduction vers Réduction de dimensions : Le terme était en anglais

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty]]

==Définition==
Processus qui consiste à prendre des données dans un espace de grande dimension et à les remplacer par des données dans un espace de plus petite dimension.

'''DOUBLON ====> voir [[Réduction de la dimensionnalité]]'''

==Français==
'''réduction de dimensions'''

réduction dimensionnelle *

réduction de la dimensionnalité

==Anglais==

'''dimensionality reduction'''

<nowiki>*</nowiki> Source : Geeks for geeks

https://www.geeksforgeeks.org/dimensionality-reduction/

Algorithme évolutionniste

2019-06-07T01:37:44Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Apprentissage automatique]]
Apprentissage automatique 
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category: Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==
Famille d’algorithmes stochastiques qui s'inspirent du processus de sélection naturelle darwinien dans lequel les membres les moins adaptés de la population sont éliminés, tandis que les membres adaptés sont autorisés à survivre et à continuer jusqu'à ce que de meilleures solutions soient déterminées.

Note: ces algorithmes sont utilisés pour résoudre des problèmes qui prendraient beaucoup trop de temps à être traité de manière exhaustive. Lorsqu'ils sont utilisés seuls, ils sont généralement appliqués à des problèmes combinatoires. Ils sont cependant souvent utilisés en tandem avec un second algorithme en ayant comme fonction de trouver rapidement un point de départ optimisé pour ce dernier.

==Français==
'''algorithme évolutionnaire''' n.m. 
'''algorithme évolutionniste''' n.m.

[https://fr.wikipedia.org/wiki/Algorithme_%C3%A9volutionniste, Source : Wikipédia, consulté le 20 mai 2019]

==Anglais==
'''evolutionary algorithm'''

Gouvernement du Canada, TERMIUM Plus, http://www.btb.termiumplus.gc.ca, consulté le 20 mai 2019.

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Algorithme évolutionniste

2019-06-07T01:37:20Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Apprentissage automatique]]
Apprentissage automatique 
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==
Famille d’algorithmes stochastiques qui s'inspirent du processus de sélection naturelle darwinien dans lequel les membres les moins adaptés de la population sont éliminés, tandis que les membres adaptés sont autorisés à survivre et à continuer jusqu'à ce que de meilleures solutions soient déterminées.

Note: ces algorithmes sont utilisés pour résoudre des problèmes qui prendraient beaucoup trop de temps à être traité de manière exhaustive. Lorsqu'ils sont utilisés seuls, ils sont généralement appliqués à des problèmes combinatoires. Ils sont cependant souvent utilisés en tandem avec un second algorithme en ayant comme fonction de trouver rapidement un point de départ optimisé pour ce dernier.

==Français==
'''algorithme évolutionnaire''' n.m. 
'''algorithme évolutionniste''' n.m.

[https://fr.wikipedia.org/wiki/Algorithme_%C3%A9volutionniste, Source : Wikipédia, consulté le 20 mai 2019]

==Anglais==
'''evolutionary algorithm'''

Gouvernement du Canada, TERMIUM Plus, http://www.btb.termiumplus.gc.ca, consulté le 20 mai 2019.

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Algorithme évolutionniste

2019-06-07T01:35:54Z

JulieRoy :

==Domaine==
[[Category:Vocabulaire2]]
[[Category:Intelligence artificielle]]
Intelligence artificielle 
[[Category:Apprentissage automatique]]
Apprentissage automatique 
[[Category:Apprentissage profond]]
Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty2]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

==Définition==
Famille d’algorithmes stochastiques qui s'inspirent du processus de sélection naturelle darwinien dans lequel les membres les moins adaptés de la population sont éliminés, tandis que les membres adaptés sont autorisés à survivre et à continuer jusqu'à ce que de meilleures solutions soient déterminées.

Note: ces algorithmes sont utilisés pour résoudre des problèmes qui prendraient beaucoup trop de temps à être traité de manière exhaustive. Lorsqu'ils sont utilisés seuls, ils sont généralement appliqués à des problèmes combinatoires. Ils sont cependant souvent utilisés en tandem avec un second algorithme en ayant comme fonction de trouver rapidement un point de départ optimisé pour ce dernier.

==Français==
'''algorithme évolutionnaire''' n.m. 
'''algorithme évolutionnaire''' n.m.

[https://fr.wikipedia.org/wiki/Algorithme_%C3%A9volutionniste, Source : Wikipédia, consulté le 20 mai 2019]

==Anglais==
'''evolutionary algorithm'''

Gouvernement du Canada, TERMIUM Plus, http://www.btb.termiumplus.gc.ca, consulté le 20 mai 2019.

[[Utilisateur:Patrickdrouin | Source : Termino ]]

Algorithme des k plus proches voisins

2019-06-07T01:21:07Z

JulieRoy : Page créée avec « == Domaine == Category:Vocabulaire Category:Apprentissage automatiqueApprentissage automatique Category:Termino 2019 == Défi... »

== Domaine ==

[[Category:Vocabulaire]]

[[Category:Apprentissage automatique]]Apprentissage automatique 

[[Category:Termino 2019]]

 

== Définition ==
Méthode non paramétrique utilisée pour la classification et la régression afin de classer une donnée en entrée dans la catégorie à laquelle appartient les k plus proches voisins dans l'espace des caractéristiques identifiées par apprentissage.
 
 
 
 
Note 
Cas particulier d'un algorithme d'apprentissage à base d'exemples ou apprentissage à base de voisinage
 

== Français ==

'''algorithme des k plus proches voisins'''
 
'''algorithme des KNN'''
 
'''méthode des k plus proches voisins'''
 
 
 
 

Source : Vincent, Pascal (2003). Modèles à noyaux à structure locale, thèse de doctorat, Université de Montréal, 188 pages.
 
[https://fr.wikipedia.org/wiki/M%C3%A9thode_des_k_plus_proches_voisins Source : Wikipédia, consulté le 1er juin 2019.]
 
Source : Mathieu-Dupas, Eve (2010). Algorithme des k plus proches voisins pondérés et application en diagnostic, Actes des 42èmes Journées de Statistique, Marseille, France, 8 pages.

== Anglais ==
'''k-nearest-neighbors''' 
'''k-NN''' 
'''KPPV''' 
'''KNN'''

[https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm, Source : Wikipedia, consulté le 1er juin 2019.]

Apprentissage à base de voisinage

2019-06-07T01:11:49Z

JulieRoy : Page créée avec « == Domaine == Category:Vocabulaire Category:Intelligence artificielleIntelligence artificielle Category:Termino 2019 == Définition == Fam... »

== Domaine ==
[[Category:Vocabulaire]]
[[Category:Intelligence artificielle]]Intelligence artificielle 

[[Category:Termino 2019]]
 

== Définition ==
Famille d'algorithmes de classification et de régression qui attribue une classe sur la base d'une similarité entre en requête et les voisins les plus proches dans les données d'entraînement.
 
 
Note 
L'algorithme des k plus proches voisins (KPPV) constitue un bon exemple.
 
== Français ==

'''Apprentissage à partir d'exemples'''
 
'''apprentissage à partir d'observations'''
 
'''apprentissage à base d'exemples'''
 
'''apprentissage à base de voisinage'''
 
 
 
 

Source : Lamontagne, Luc (sans date). Apprentissage à base d’exemples : Concepts avancés pour systèmes intelligents, http://www2.ift.ulaval.ca/~lamontagne/ift17587/modules/module3/kNN.pdf, consulté le 5 juin 2019.
 
Source : Géron, Aurélien (2017) Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets, Paris, Dunod, 256 pages.
 
Source : Habermehl, P. et D. Kesner (sans date). Programmation Logique et IA : Algorithmes d'apprentissage, https://www.irif.fr/~kesner/enseignement/iup/cours71.pdf, consulté le 5 juin 2019.
 
Source : Adam, E. (sans date). Apprentissage Automatique, http://emmanuel.adam.free.fr/site/IMG/pdf/IA-ASA2.pdf, consutlé le 5 juin 2019.
 
Source : Lounis, H. (sans date). Apprentissage de règles, https://www.labunix.uqam.ca/~lounis_h/dic938G-hiv2011/dic9380_apprentissage_regles.pdf, consulté le 4 juin 2019.
 
Source : Lamontagne, Luc (sans date). Apprentissage par observation : Concepts avancés pour systèmes intelligents, http://www2.ift.ulaval.ca/~lamontagne/ift17587/modules/module3/apprentissageCh18.pdf, consulté le 3 juin 2019.

== Anglais ==

'''instance-based learning''' 
'''memory-based learning''' 
'''lazy learning'''
 
 
 
 

Source : Aggarwal, Charu C. (2014). Instance-Based Learning: A Survey, Data Classification: Algorithms and Applications, CRC Press, pages 157-181 . 
Source : Keogh E. (2011). Instance-Based Learning, Encyclopedia of Machine Learning. Springer, Boston, https://link.springer.com/referenceworkentry/10.1007%2F978-0-387-30164-8_409, consulté le 1 juin 2019.

Algorithme estimation-maximisation

2019-06-07T01:02:13Z

JulieRoy :

__NOTOC__
==Domaine==
[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Vocabulaire2]]
[[Category:Google2]]
[[Category:Apprentissage profond]]Apprentissage profond 
[[Category:scotty2]]

 

==Définition==
Algorithme d'apprentissage non supervisé qui permet de trouver les paramètres du maximum de vraisemblance d'un modèle probabiliste même lorsque ce dernier dépend de variables latentes non observables. 
 
Note : 
Cet algorithme itératif comporte deux étapes: 1) Une étape d’évaluation de l’espérance (E) de la fonction de vraisemblance. Cette étape pondère dans quelle mesure chaque donnée contribue à l’estimation de la vraisemblance maximale. 2) Une étape de maximisation (M) de la fonction de vraisemblance trouvée à l’étape E où les paramètres sont ajustés en fonction des données qui ont été repondérées. Les paramètres mis-à-jour à l’étape M sont réinjectés à l’étape E et on itère ainsi jusqu’à la convergence (les paramètres ne changent plus). Puisque l’algorithme EM converge vers un maximum local, pour trouver un maximum global il faut reprendre le calcul un grand nombre de fois avec des paramètres initiaux différents. De nombreuses variantes de l'algorithme initialement proposé par Dempster (1977) ont été élaborées par la suite, donnant ainsi naissance à une famille d'algorithmes. Par exemple, l'algorithme de groupage des K-moyennes peut être considéré comme en faisant partie.
 
 
[[Fichier:EM algorithm.gif]]
 
 
 
 
 
 

[https://fr.wikipedia.org/wiki/Algorithme_esp%C3%A9rance-maximisation, Source : Wikipédia, consulté le 3 juin 2019] 

[[Source : Govaert, Gérard et Mohamed Nadif (2009). Un modèle de mélange pour la classification croisée d’un tableau de données continue, Actes de la 11e conférence sur l’apprentissage artificiel, Hammamet,Tunisie. pages 287-302.]] 

[[Source : Li, X. Guttmann, A.; Cipière, S.; Demongeot, J.; JY Boire et L Ouchchane (2014). Utilisation de l’algorithme EM pour estimer les paramètres du chaînage probabiliste d’enregistrements, Revue d'Épidémiologie et de Santé Publique 62(5), page S196.]] 
 

==Français==
'''algorithme EM '''

'''algorithme espérance-maximisation '''

==Anglais==
'''EM algorithm '''

'''Expectation–Maximization algorithm'''

 
 

 
[https://datafranca.org/lexique/algorithme-em/ ''Publié : datafranca.org'']

Couche de convolution

2019-06-07T00:53:51Z

JulieRoy : Page créée avec « == Domaine == Category:Vocabulaire Category:Intelligence artificielleIntelligence artificielle Category:Termino 2019 == Défi... »

Gradient Clipping

2019-06-04T01:05:59Z

JulieRoy : JulieRoy a déplacé la page Gradient Clipping vers Écrêtage de gradient : Le terme était en anglais

#REDIRECTION [[Écrêtage de gradient]]

Seuillage de gradient

2019-06-04T01:05:58Z

JulieRoy : JulieRoy a déplacé la page Gradient Clipping vers Écrêtage de gradient : Le terme était en anglais

== Domaine ==
[[Category:Vocabulaire]] 
[[Category:Intelligence artificielle]]Intelligence artificielle 
[[Category:Apprentissage automatique]] Apprentissage automatique 
[[Category:Apprentissage profond]] Apprentissage profond 
[[Category:Termino 2019]]
[[Category:Scotty]]

== Définition ==
Mécanisme couramment utilisé afin d'atténuer le problème d'explosion du gradient en limitant artificiellement la valeur maximale des gradients lors de l'utilisation de la descente de gradient pendant l'entraînement d'un modèle.

== Français ==

'''écrêtage de gradient'''

'''bornement de gradient'''

Source: Géron, Aurélien (2017). Deep Learning avec TensorFlow - Mise en oeuvre et cas concrets, Paris, Dunod, 360 pages.

== Anglais ==

'''Gradient Clipping'''

Gradient Clipping is a technique to prevent exploding gradients in very deep networks, typically Recurrent Neural Networks. There exist various ways to perform gradient clipping, but the a common one is to normalize the gradients of a parameter vector when its L2 norm exceeds a certain threshold according to new_gradients = gradients * threshold / l2_norm(gradients).
• On the difficulty of training recurrent neural networks

Epoch

2019-06-04T01:04:51Z

JulieRoy : JulieRoy a déplacé la page Epoch vers Époque

#REDIRECTION [[Époque]]