Apprentissage automatique minuscule - Historique des versions

Pitpitt le 11 avril 2025 à 00:19

2025-04-11T00:19:17Z

← Version précédente		Version du 10 avril 2025 à 20:19
Ligne 1 :		Ligne 1 :
	== Définition ==		== Définition ==
	Technique d'apprentissage automatique qui vise à permettre l'utilisation d'applications d'apprentissage automatique sur des dispositifs bon marché et limités en ressources et en énergie tels que des capteurs ou des microcontrôleurs dans le but d'effectuer des tâches automatisées.		Technique d'apprentissage automatique qui vise à permettre l'utilisation d'applications d'apprentissage automatique sur des dispositifs bon marché et limités en ressources et en énergie tels que des capteurs ou des microcontrôleurs dans le but d'effectuer des tâches automatisées.

			voir aussi : [[Intelligence artificielle frugale]]

	== Français ==		== Français ==

Pitpitt : Remplacement de texte : « ↵↵==Sources== » par «  ==Sources== »

2024-08-30T19:07:28Z

Remplacement de texte : « ↵↵==Sources== » par «  ==Sources== »

← Version précédente		Version du 30 août 2024 à 15:07
Ligne 11 :		Ligne 11 :

	'''tiny machine learning'''		'''tiny machine learning'''

	==Sources==		==Sources==

Pitpitt : Remplacement de texte : « ↵↵↵ » par «   »

2024-01-29T15:38:54Z

Remplacement de texte : « ↵↵↵ » par «   »

← Version précédente		Version du 29 janvier 2024 à 11:38
Ligne 13 :		Ligne 13 :

	==Sources==		==Sources==


	[https://medium.com/starschema-blog/data-science-trends-to-rule-2022-68ab4c93cd2 Source : Medium]		[https://medium.com/starschema-blog/data-science-trends-to-rule-2022-68ab4c93cd2 Source : Medium]

	[https://towardsdatascience.com/an-introduction-to-tinyml-4617f314aa79 Source: Towards Data Science]		[https://towardsdatascience.com/an-introduction-to-tinyml-4617f314aa79 Source: Towards Data Science]


	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Pitpitt : Remplacement de texte : « '''==Sources== » par « ''' ==Sources==  »

2024-01-27T23:43:43Z

Remplacement de texte : « '''==Sources== » par « ''' ==Sources==  »

← Version précédente		Version du 27 janvier 2024 à 19:43
Ligne 10 :		Ligne 10 :
	''' TinyML'''		''' TinyML'''

	'''tiny machine learning'''==Sources==		'''tiny machine learning'''

			==Sources==


	[https://medium.com/starschema-blog/data-science-trends-to-rule-2022-68ab4c93cd2 Source : Medium]		[https://medium.com/starschema-blog/data-science-trends-to-rule-2022-68ab4c93cd2 Source : Medium]

Pitpitt : Remplacement de texte : « ↵↵ » par « ==Sources== »

2024-01-27T21:39:48Z

Remplacement de texte : « ↵↵<small> » par « ==Sources== »

← Version précédente		Version du 27 janvier 2024 à 17:39
Ligne 10 :		Ligne 10 :
	''' TinyML'''		''' TinyML'''

	'''tiny machine learning'''		'''tiny machine learning'''==Sources==

	~~<small>~~

	[https://medium.com/starschema-blog/data-science-trends-to-rule-2022-68ab4c93cd2 Source : Medium]		[https://medium.com/starschema-blog/data-science-trends-to-rule-2022-68ab4c93cd2 Source : Medium]

Pitpitt le 16 septembre 2022 à 00:40

2022-09-16T00:40:30Z

← Version précédente		Version du 15 septembre 2022 à 20:40
Ligne 19 :		Ligne 19 :


	[[Catégorie:~~publication~~]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Imeziani le 15 septembre 2022 à 14:55

2022-09-15T14:55:58Z

← Version précédente		Version du 15 septembre 2022 à 10:55
Ligne 1 :		Ligne 1 :
	~~==en construction==~~

	== Définition ==		== Définition ==
	~~XXXXXXXXX~~		Technique d'apprentissage automatique qui vise à permettre l'utilisation d'applications d'apprentissage automatique sur des dispositifs bon marché et limités en ressources et en énergie tels que des capteurs ou des microcontrôleurs dans le but d'effectuer des tâches automatisées.

	== Français ==		== Français ==
	''' ~~TinyML~~'''		''' AAMinuscule'''

			'''apprentissage automatique minuscule'''

	== Anglais ==		== Anglais ==
	''' TinyML'''		''' TinyML'''

	~~Massive models trained on millions of instances like GPT–3 or DALL-E might grab the headlines, but TinyML is on the rise. Simply put, TinyML is the long-awaited fusion of embedded systems with~~ machine learning. The IoT paradigm has largely relied on raw data from edge devices, from smartwatches to electricity meters, being shuttled to large conventional servers that would then execute complex machine learning algorithms. However, over the last few years, the cost (and size) of processing power has rapidly decreased, while the cost of data transfer has remained largely the same. TinyML is a natural answer to computationally expensive models.		'''tiny machine learning'''

	Bigger is not always better when it comes to models. A low-power, low-latency model run on an edge device might be a better choice when data transfer is costly or difficult (e.g. due to a lack of cellular or wired networking in the area), a rapid response is desirable and the models can be reduced to a relatively small size. A trail camera used by wildlife researchers to photograph a particular species does not need to have a state-of-the-art deep learning image recognition model onboard — but it does need to be able to operate in austere settings for a prolonged period of time. Similarly, devices used in predictive maintenance and anomaly detection for e.g. oil pipelines or overland high-voltage networks often have to operate outside the boundaries of ubiquitous wireless connectivity. TinyML is a trend that evolved in response to these challenges.

	<small>		<small>

	[https://medium.com/starschema-blog/data-science-trends-to-rule-2022-68ab4c93cd2 Source : ~~medium~~.com]		[https://medium.com/starschema-blog/data-science-trends-to-rule-2022-68ab4c93cd2 Source : Medium]

			[https://towardsdatascience.com/an-introduction-to-tinyml-4617f314aa79 Source: Towards Data Science]


	[[Catégorie:~~vocabulary~~]]		[[Catégorie:publication]]

Imeziani : Imeziani a déplacé la page TinyML vers Apprentissage automatique minuscule

2022-09-15T14:40:32Z

Imeziani a déplacé la page TinyML vers Apprentissage automatique minuscule

← Version précédente	Version du 15 septembre 2022 à 10:40
(Aucune différence)

Pitpitt : Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' TinyML''' == Anglais == ''' TinyML''' Massive models trained on millions of instances like GPT–... »

2022-01-03T14:18:13Z

Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' TinyML''' == Anglais == ''' TinyML''' Massive models trained on millions of instances like GPT–... »

Nouvelle page

==en construction==

== Définition ==
XXXXXXXXX

== Français ==
''' TinyML'''

== Anglais ==
''' TinyML'''

Massive models trained on millions of instances like GPT–3 or DALL-E might grab the headlines, but TinyML is on the rise. Simply put, TinyML is the long-awaited fusion of embedded systems with machine learning. The IoT paradigm has largely relied on raw data from edge devices, from smartwatches to electricity meters, being shuttled to large conventional servers that would then execute complex machine learning algorithms. However, over the last few years, the cost (and size) of processing power has rapidly decreased, while the cost of data transfer has remained largely the same. TinyML is a natural answer to computationally expensive models.

Bigger is not always better when it comes to models. A low-power, low-latency model run on an edge device might be a better choice when data transfer is costly or difficult (e.g. due to a lack of cellular or wired networking in the area), a rapid response is desirable and the models can be reduced to a relatively small size. A trail camera used by wildlife researchers to photograph a particular species does not need to have a state-of-the-art deep learning image recognition model onboard — but it does need to be able to operate in austere settings for a prolonged period of time. Similarly, devices used in predictive maintenance and anomaly detection for e.g. oil pipelines or overland high-voltage networks often have to operate outside the boundaries of ubiquitous wireless connectivity. TinyML is a trend that evolved in response to these challenges.

<small>

[https://medium.com/starschema-blog/data-science-trends-to-rule-2022-68ab4c93cd2 Source : medium.com]

[[Catégorie:vocabulary]]

Apprentissage automatique minuscule - Historique des versions

Pitpitt le 11 avril 2025 à 00:19

Pitpitt : Remplacement de texte : « ↵↵==Sources== » par « ==Sources== »

Pitpitt : Remplacement de texte : « ↵↵↵ » par « »

Pitpitt : Remplacement de texte : « '''==Sources== » par « ''' ==Sources== »

Pitpitt : Remplacement de texte : « ↵↵ » par « ==Sources== »