Table des matières
21 relations: Apprentissage automatique, Apprentissage non supervisé, Apprentissage profond, Apprentissage semi-supervisé, Apprentissage supervisé, Architecture de réseau, Auto-encodeur, Divergence de Kullback-Leibler, Entropie croisée, Erreur quadratique moyenne, Fonction objectif, Formule des probabilités composées, Inférence bayésienne, Loi de probabilité, Loi de probabilité à plusieurs variables, Loi de probabilité marginale, Loi normale, Modèle graphique, Réseau de neurones artificiels, Rétropropagation du gradient, Variable aléatoire.
Apprentissage automatique
L'apprentissage automatique.
Voir Auto-encodeur variationnel et Apprentissage automatique
Apprentissage non supervisé
Dans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiquetées comme « balle » ou « poisson »).
Voir Auto-encodeur variationnel et Apprentissage non supervisé
Apprentissage profond
L'apprentissage profond.
Voir Auto-encodeur variationnel et Apprentissage profond
Apprentissage semi-supervisé
Panneau supérieur: limite de décision basée sur deux exemples étiquetés seulement (cercles blancs contre cercles noirs). Panneau inférieur: limite de décision basée sur deux exemples étiquetés plus des données non étiquetées (cercles gris).
Voir Auto-encodeur variationnel et Apprentissage semi-supervisé
Apprentissage supervisé
L'apprentissage supervisé (supervised learning en anglais) est une tâche d'apprentissage automatique consistant à apprendre une fonction de prédiction à partir d'exemples annotés, au contraire de l'apprentissage non supervisé.
Voir Auto-encodeur variationnel et Apprentissage supervisé
Architecture de réseau
L'architecture de réseau est l'organisation d'équipements de transmission, de logiciels, de protocoles de communication et d'infrastructure filaire ou radioélectrique permettant la transmission des données entre les différents composants.
Voir Auto-encodeur variationnel et Architecture de réseau
Auto-encodeur
Un auto-encodeur (autoencodeur), ou auto-associateur est un réseau de neurones artificiels utilisé pour l'apprentissage non supervisé de caractéristiques discriminantes.
Voir Auto-encodeur variationnel et Auto-encodeur
Divergence de Kullback-Leibler
En théorie des probabilités et en théorie de l'information, la divergence de Kullback-Leibler (ou divergence K-L ou encore entropie relative) est une mesure de dissimilarité entre deux distributions de probabilités.
Voir Auto-encodeur variationnel et Divergence de Kullback-Leibler
Entropie croisée
En théorie de l'information, l'entropie croisée entre deux lois de probabilité mesure le nombre de bits moyen nécessaires pour identifier un événement issu de l'« ensemble des événements » sur l'univers \Omega, si la distribution des événements est basée sur une loi de probabilité q, en utilisant un système de codage défini sur une distribution de référence p.
Voir Auto-encodeur variationnel et Entropie croisée
Erreur quadratique moyenne
En statistiques, l’erreur quadratique moyenne d’un estimateur \hat\theta d’un paramètre \theta de dimension 1 (mean squared error (\operatorname), en anglais) est une mesure caractérisant la « précision » de cet estimateur.
Voir Auto-encodeur variationnel et Erreur quadratique moyenne
Fonction objectif
comparaison de certains substituts de la fonction de perte Le terme fonction objectif, fonction économique ou fonction de coût, est utilisé en optimisation mathématique et en recherche opérationnelle pour désigner une fonction qui sert de critère pour déterminer la meilleure solution à un problème d'optimisation.
Voir Auto-encodeur variationnel et Fonction objectif
Formule des probabilités composées
En mathématiques, la formule des probabilités composées permet de calculer la probabilité d’une intersection d’évènements (non nécessairement indépendants) à l’aide de probabilités conditionnelles.
Voir Auto-encodeur variationnel et Formule des probabilités composées
Inférence bayésienne
Illustration comparant les approches fréquentiste et bayésienne (Christophe Michel, 2018). L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus.
Voir Auto-encodeur variationnel et Inférence bayésienne
Loi de probabilité
400px En théorie des probabilités et en statistique, une loi de probabilité décrit le comportement aléatoire d'un phénomène dépendant du hasard.
Voir Auto-encodeur variationnel et Loi de probabilité
Loi de probabilité à plusieurs variables
Représentation d'une loi normale multivariée. Les courbes rouge et bleue représentent les lois marginales. Les points noirs sont des réalisations de cette distribution à plusieurs variables. Dans certains problèmes interviennent simultanément plusieurs variables aléatoires.
Voir Auto-encodeur variationnel et Loi de probabilité à plusieurs variables
Loi de probabilité marginale
En théorie des probabilités et en statistique, la loi marginale d'un vecteur aléatoire, c'est-à-dire d'une variable aléatoire à plusieurs dimensions, est la loi de probabilité d'une de ses composantes.
Voir Auto-encodeur variationnel et Loi de probabilité marginale
Loi normale
En théorie des probabilités et en statistique, les lois normales sont parmi les lois de probabilité les plus utilisées pour modéliser des phénomènes naturels issus de plusieurs événements aléatoires.
Voir Auto-encodeur variationnel et Loi normale
Modèle graphique
Un modèle graphique est une représentation d'objets probabilistes.
Voir Auto-encodeur variationnel et Modèle graphique
Réseau de neurones artificiels
Un réseau de neurones artificiels.
Voir Auto-encodeur variationnel et Réseau de neurones artificiels
Rétropropagation du gradient
En intelligence artificielle, plus précisément en apprentissage automatique, la rétropropagation du gradient est une méthode pour entraîner un réseau de neurones.
Voir Auto-encodeur variationnel et Rétropropagation du gradient
Variable aléatoire
La valeur d’un dé après un lancer est une variable aléatoire comprise entre 1 et 6. En théorie des probabilités, une variable aléatoire est une variable dont la valeur est déterminée après la réalisation d’un phénomène, expérience ou événement, aléatoire.
Voir Auto-encodeur variationnel et Variable aléatoire
Également connu sous le nom de Variational autoencoder.