Réduction de la dimension - Historique des versions

Pitpitt le 3 avril 2025 à 14:22

2025-04-03T14:22:49Z

← Version précédente		Version du 3 avril 2025 à 10:22
Ligne 43 :		Ligne 43 :

	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	~~[[Catégorie:Publication]]~~

Claude COULOMBE le 20 mars 2025 à 18:51

2025-03-20T18:51:51Z

← Version précédente		Version du 20 mars 2025 à 14:51
Ligne 9 :		Ligne 9 :
	Dans la pratique cette distinction est souvent inutile. Par exemple, dans la réduction de la dimension, le résultat est la réduction du nombre d'attributs donc de la dimension des données.		Dans la pratique cette distinction est souvent inutile. Par exemple, dans la réduction de la dimension, le résultat est la réduction du nombre d'attributs donc de la dimension des données.
	<hr/>		<hr/>
	La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la ~~haute~~ dimension]]'''.		La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la dimension]]'''.

	Il existe plusieurs approches pour faire cette opération et plusieurs objectifs possibles à atteindre. Les méthodes classiques sont la sélection d'attributs, qui consiste à sélectionner un ensemble de variables qui vont être conservées, et la transformation soustractive d'attributs qui consiste à créer de nouvelles variables moins nombreuses et plus pertinentes.		Il existe plusieurs approches pour faire cette opération et plusieurs objectifs possibles à atteindre. Les méthodes classiques sont la sélection d'attributs, qui consiste à sélectionner un ensemble de variables qui vont être conservées, et la transformation soustractive d'attributs qui consiste à créer de nouvelles variables moins nombreuses et plus pertinentes.

	Voir '''[[~~Surapprentissage~~]]'''		Voir '''[[fléau de la dimension]]'''

	==Français==		==Français==

Claude COULOMBE le 20 mars 2025 à 18:50

2025-03-20T18:50:36Z

← Version précédente		Version du 20 mars 2025 à 14:50
Ligne 35 :		Ligne 35 :
	[https://dataanalyticspost.com/Lexique/reduction-de-dimensionnalite/ Data Analytics Post, ''Réduction de la dimensionnalité'']		[https://dataanalyticspost.com/Lexique/reduction-de-dimensionnalite/ Data Analytics Post, ''Réduction de la dimensionnalité'']

	[https://www.geeksforgeeks.org/dimensionality-reduction/ ~~Source :~~ Geeks for geeks, ''Introduction to Dimensionality Reduction'']		[https://www.geeksforgeeks.org/dimensionality-reduction/ Geeks for geeks, ''Introduction to Dimensionality Reduction'']

	[https://fr.wikipedia.org/wiki/R%C3%A9duction_de_la_dimensionnalit%C3%A9 ~~Source :~~ Wikipedia IA, ''~~Réduction~~ de la dimensionnalité'']		[https://fr.wikipedia.org/wiki/R%C3%A9duction_de_la_dimensionnalit%C3%A9 Wikipedia IA, ''réduction de la dimensionnalité'' / ''réduction de la dimension'' ]

	[[Catégorie:Intelligence artificielle]]		[[Catégorie:Intelligence artificielle]]

Claude COULOMBE le 20 mars 2025 à 18:49

2025-03-20T18:49:04Z

← Version précédente		Version du 20 mars 2025 à 14:49
Ligne 9 :		Ligne 9 :
	Dans la pratique cette distinction est souvent inutile. Par exemple, dans la réduction de la dimension, le résultat est la réduction du nombre d'attributs donc de la dimension des données.		Dans la pratique cette distinction est souvent inutile. Par exemple, dans la réduction de la dimension, le résultat est la réduction du nombre d'attributs donc de la dimension des données.
	<hr/>		<hr/>
	La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la dimension]]'''.		La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la haute dimension]]'''.

	Il existe plusieurs approches pour faire cette opération et plusieurs objectifs possibles à atteindre. Les méthodes classiques sont la sélection d'attributs, qui consiste à sélectionner un ensemble de variables qui vont être conservées, et la transformation d'attributs qui consiste à créer de nouvelles variables moins nombreuses et plus pertinentes.		Il existe plusieurs approches pour faire cette opération et plusieurs objectifs possibles à atteindre. Les méthodes classiques sont la sélection d'attributs, qui consiste à sélectionner un ensemble de variables qui vont être conservées, et la transformation soustractive d'attributs qui consiste à créer de nouvelles variables moins nombreuses et plus pertinentes.

	Voir '''[[Surapprentissage]]'''		Voir '''[[Surapprentissage]]'''

Claude COULOMBE le 20 mars 2025 à 18:41

2025-03-20T18:41:16Z

← Version précédente		Version du 20 mars 2025 à 14:41
Ligne 31 :		Ligne 31 :
	==Sources==		==Sources==

	~~Source~~ : Tollari, Sabrina (2006). ''Indexation et recherche d'images par fusion d'informations textuelles et visuelles''~~, thèse de doctorat~~, Université du Sud Toulon-Var, 203 pages.		[https://theses.fr/2006TOUL0013 Thèse de doctorat - Tollari, Sabrina (2006). ''Indexation et recherche d'images par fusion d'informations textuelles et visuelles'', Université du Sud Toulon-Var, 203 pages.]

			[https://dataanalyticspost.com/Lexique/reduction-de-dimensionnalite/ Data Analytics Post, ''Réduction de la dimensionnalité'']

	[https://www.geeksforgeeks.org/dimensionality-reduction/ Source : Geeks for geeks, ''Introduction to Dimensionality Reduction'']		[https://www.geeksforgeeks.org/dimensionality-reduction/ Source : Geeks for geeks, ''Introduction to Dimensionality Reduction'']

Claude COULOMBE le 20 mars 2025 à 18:38

2025-03-20T18:38:43Z

← Version précédente		Version du 20 mars 2025 à 14:38
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==
	La réduction de la [[~~dimensionnalité~~]] est un 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.		La réduction de la [[dimension]] est un 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.

	Pour que l'opération soit utile il faut que les données en sortie représentent bien les données d'entrée.		Pour que l'opération soit utile il faut que les données en sortie représentent bien les données d'entrée.
Ligne 6 :		Ligne 6 :
	==Compléments==		==Compléments==
	Ici, il est utile de distinguer entre la dimension d'une données qui se rapporte au nombre d'attributs de chaque donnée d'un jeu de données et le concept de ''[[dimensionnalité]]'' qui est un concept technique plus abstrait qui se réfère à la nature multidimensionnelle et la complexité d'un jeu de données, d'un modèle, d'une représentation, d'un algorithme ou d'une méthode d'analyse.		Ici, il est utile de distinguer entre la dimension d'une données qui se rapporte au nombre d'attributs de chaque donnée d'un jeu de données et le concept de ''[[dimensionnalité]]'' qui est un concept technique plus abstrait qui se réfère à la nature multidimensionnelle et la complexité d'un jeu de données, d'un modèle, d'une représentation, d'un algorithme ou d'une méthode d'analyse.

			Dans la pratique cette distinction est souvent inutile. Par exemple, dans la réduction de la dimension, le résultat est la réduction du nombre d'attributs donc de la dimension des données.
	<hr/>		<hr/>
	La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la ~~dimensionnalité~~]]'''.		La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la dimension]]'''.

	Il existe plusieurs approches pour faire cette opération et plusieurs objectifs possibles à atteindre. Les méthodes classiques sont la sélection d'attributs, qui consiste à sélectionner un ensemble de variables qui vont être conservées, et la transformation d'attributs qui consiste à créer de nouvelles variables moins nombreuses et plus pertinentes.		Il existe plusieurs approches pour faire cette opération et plusieurs objectifs possibles à atteindre. Les méthodes classiques sont la sélection d'attributs, qui consiste à sélectionner un ensemble de variables qui vont être conservées, et la transformation d'attributs qui consiste à créer de nouvelles variables moins nombreuses et plus pertinentes.
Ligne 14 :		Ligne 16 :

	==Français==		==Français==
			'''réduction de la dimension'''

			'''réduction de dimension'''

	'''réduction de la dimensionnalité'''		'''réduction de la dimensionnalité'''

	'''réduction de dimensionnalité'''		'''réduction de dimensionnalité'''

	~~'''réduction de la dimension'''~~

	~~'''réduction de dimension'''~~
	==Anglais==		==Anglais==
	'''dimensionality reduction'''		'''dimensionality reduction'''

Claude COULOMBE : Claude COULOMBE a déplacé la page Réduction de la dimensionnalité vers Réduction de la dimension par-dessus une redirection

2025-03-20T18:34:36Z

Claude COULOMBE a déplacé la page Réduction de la dimensionnalité vers Réduction de la dimension par-dessus une redirection

← Version précédente	Version du 20 mars 2025 à 14:34
(Aucune différence)

Claude COULOMBE le 20 mars 2025 à 08:39

2025-03-20T08:39:01Z

← Version précédente		Version du 20 mars 2025 à 04:39
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==
	La réduction de la dimensionnalité est un 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.		La réduction de la [[dimensionnalité]] est un 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.

	Pour que l'opération soit utile il faut que les données en sortie représentent bien les données d'entrée.		Pour que l'opération soit utile il faut que les données en sortie représentent bien les données d'entrée.

	==Compléments==		==Compléments==
	Ici, il est utile de distinguer entre la dimension d'une données qui se rapporte au nombre d'attributs de chaque donnée d'un jeu de données et le concept de ''dimensionnalité'' qui est un concept technique plus abstrait qui se réfère à la nature multidimensionnelle et la complexité d'un jeu de données, d'un modèle, d'une représentation, d'un algorithme ou d'une méthode d'analyse.		Ici, il est utile de distinguer entre la dimension d'une données qui se rapporte au nombre d'attributs de chaque donnée d'un jeu de données et le concept de ''[[dimensionnalité]]'' qui est un concept technique plus abstrait qui se réfère à la nature multidimensionnelle et la complexité d'un jeu de données, d'un modèle, d'une représentation, d'un algorithme ou d'une méthode d'analyse.
	<hr/>		<hr/>
	La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la dimensionnalité]]'''.		La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la dimensionnalité]]'''.

Claude COULOMBE le 20 mars 2025 à 08:09

2025-03-20T08:09:33Z

← Version précédente		Version du 20 mars 2025 à 04:09
Ligne 5 :		Ligne 5 :

	==Compléments==		==Compléments==
			Ici, il est utile de distinguer entre la dimension d'une données qui se rapporte au nombre d'attributs de chaque donnée d'un jeu de données et le concept de ''dimensionnalité'' qui est un concept technique plus abstrait qui se réfère à la nature multidimensionnelle et la complexité d'un jeu de données, d'un modèle, d'une représentation, d'un algorithme ou d'une méthode d'analyse.
			<hr/>
	La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la dimensionnalité]]'''.		La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la dimensionnalité]]'''.

Claude COULOMBE le 20 mars 2025 à 08:08

2025-03-20T08:08:09Z

← Version précédente		Version du 20 mars 2025 à 04:08
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==
	La réduction de la ~~dimension~~ est un 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~~. Pour que l'opération soit utile il faut que les données en sortie représentent bien les données d'entrée~~.		La réduction de la dimensionnalité est un 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.

	~~La raison pour laquelle une telle~~ opération ~~est~~ utile ~~est~~ que les données ~~de plus petites dimension peuvent être traitées plus rapidement. Cette opération est cruciale~~ en ~~apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la dimension]]''~~'.		Pour que l'opération soit utile il faut que les données en sortie représentent bien les données d'entrée.

	Il existe plusieurs approches pour faire cette opération et plusieurs objectifs possibles à atteindre. Les méthodes classiques sont la sélection ~~de caractéristiques~~, qui consiste à sélectionner un ensemble de variables qui vont être conservées, et l'~~extraction de caractéristiques~~ qui consiste à créer de nouvelles variables plus pertinentes.		==Compléments==
			La raison pour laquelle une telle opération est utile est que les données de plus petite dimension peuvent être traitées plus rapidement. Cette opération est cruciale en apprentissage automatique par exemple, pour lutter contre le '''[[fléau de la dimensionnalité]]'''.

			Il existe plusieurs approches pour faire cette opération et plusieurs objectifs possibles à atteindre. Les méthodes classiques sont la sélection d'attributs, qui consiste à sélectionner un ensemble de variables qui vont être conservées, et la transformation d'attributs qui consiste à créer de nouvelles variables moins nombreuses et plus pertinentes.

	Voir '''[[Surapprentissage]]'''		Voir '''[[Surapprentissage]]'''

	==Français==		==Français==
			'''réduction de la dimensionnalité'''

			'''réduction de dimensionnalité'''

	'''réduction de la dimension'''		'''réduction de la dimension'''

Ligne 24 :		Ligne 31 :

	[https://fr.wikipedia.org/wiki/R%C3%A9duction_de_la_dimensionnalit%C3%A9 Source : Wikipedia IA, ''Réduction de la dimensionnalité'']		[https://fr.wikipedia.org/wiki/R%C3%A9duction_de_la_dimensionnalit%C3%A9 Source : Wikipedia IA, ''Réduction de la dimensionnalité'']

	~~[[Utilisateur:Patrickdrouin \| Source : Termino]]~~

	[[Catégorie:Intelligence artificielle]]		[[Catégorie:Intelligence artificielle]]
Ligne 31 :		Ligne 36 :

	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
			[[Catégorie:Publication]]