DataFranca - Contributions [fr]

Algorithme du gradient

2024-05-31T15:29:37Z

ClaireGorjux :

==Définition==
L'algorithme du gradient désigne un [[algorithme d'optimisation]] différentiable. Il est par conséquent destiné à minimiser une fonction réelle différentiable définie sur un espace euclidien ou, plus généralement, sur un espace hilbertien. L'algorithme est itératif et procède donc par améliorations successives. Au point courant, un déplacement est effectué dans la direction '''opposée''' au gradient, de manière à faire décroître la fonction. Le déplacement le long de cette direction est déterminé par la technique numérique connue sous le nom de recherche linéaire. Cette description montre que l'algorithme fait partie de la famille des algorithmes à directions de descente.

==Français ==
'''algorithme du gradient'''

'''algorithme de la plus forte pente'''

'''algorithme de la plus profonde descente'''

==Anglais==
'''gradient algorithm'''

==Sources==
[https://fr.wikipedia.org/wiki/Algorithme_du_gradient Source : Wikipedia IA, ''Algorithme du gradient''.]

[[Catégorie:Apprentissage automatique]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Base de connaissances

2024-05-31T15:28:47Z

ClaireGorjux :

== Définition ==

Une base de connaissances est une base de données qui cherche à reproduire ou modéliser une partie des connaissances d’un domaine à l’aide de représentations formelles exploitables par un algorithme.

Les bases de connaissances se retrouvent notamment dans les ''[[Système à base de connaissances|systèmes à base de connaissances]]'' et les ''[[Système expert|systèmes experts]]'', qui sont des applications phares de l'''[[Intelligence artificielle symbolique|intelligence artificielle symbolique]]''.

==Compléments==

Une base de connaissances désigne également l'ensemble des informations relatives à un sujet donné, particulièrement le savoir que l'expert d'un domaine doit maîtriser pour pouvoir exercer son expertise.

Attention! On remarque l'utilisation fautive de l'expression « base de connaissances » pour désigner une base de données conventionnelle (typiquement, une base de données relationnelle) et même parfois un ''[[Ensemble de données|jeu de données]]'' en apprentissage automatique. Il est important de bien distinguer entre une connaissance opérationnelle, qui permet d'agir ou de prendre une décision, d'une simple donnée qui est une information de plus bas niveau.

== Français ==
'''base de connaissances'''

== Anglais ==
'''knowledge base'''

'''K-base'''

==Sources==
[https://books.google.ca/books?id=kEBmDwAAQBAJ&printsec=frontcover&hl=f ''Source: Intelligence artificielle et Big Data : Naissance d’une nouvelle intelligence'' ]

[http://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=8366746 ''Source : Le grand dictionnaire terminologique: base de connaissances'']

 {{Modèle:101}} 

{{Modèle:GDT}}

[[Catégorie:GDT]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:101]]

Méthode en escalade

2024-05-31T15:28:21Z

ClaireGorjux :

==Définition==
La méthode en escalade ''(hill-climbing method'') est une méthode d'optimisation permettant de trouver un optimum local parmi un ensemble de configurations.
L'escalade prend en entrée trois objets : une configuration, une fonction qui pour chaque configuration donne un ensemble de configurations voisines, et une fonction-objectif qui permet d'évaluer chaque configuration.

==Français==
'''méthode en escalade'''

==Anglais==
'''hill-climbing method'''

==Sources==
[https://fr.wikipedia.org/wiki/M%C3%A9thode_hill-climbing Source : Wikipedia IA]

[http://gdac.uqam.ca/inf4230/diapos/05-recherche-locale.pdf Source : GDAC-UQAM]

[[Category:GRAND LEXIQUE FRANÇAIS]]

Méthode du nombre d'or

2024-05-31T15:27:34Z

ClaireGorjux :

==Définition==
La méthode du nombre d'or est un [[algorithme d'optimisation]], c'est-à-dire de recherche de l'extremum d'une fonction, dans le cas d'une fonction unimodale, c'est-à-dire dans lequel l'extremum global recherché est le seul extremum local. S'il existe plusieurs extrema locaux, l'algorithme donne un extremum local, sans qu'il soit garanti que ce soit l'extremum absolu. Cet algorithme, ainsi que la méthode de Fibonacci, ont été mises au point par le statisticien Jack Kiefer (1953).

==Français==
'''méthode du nombre d'or'''

==Anglais==
'''golden-section search'''

==Sources==
[https://fr.wikipedia.org/wiki/M%C3%A9thode_du_nombre_d%27or Source : Wikipedia IA]

[[Catégorie:Apprentissage automatique]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

Algorithme des directions alternées

2024-05-31T15:26:18Z

ClaireGorjux :

==Définition==
Algorithme de résolution de problèmes d'optimisation décomposables, qui cherche à adapter l'algorithme du lagrangien augmenté à ce contexte, alors que cet algorithme détruit cette « décomposabilité ». Il est typiquement utilisé pour minimiser la somme de deux fonctions.

==Français==
'''algorithme des directions alternées'''

==Anglais==
'''Alternating Direction Method of Multipliers'''

==Sources==
[https://fr.wikipedia.org/wiki/Algorithme_des_directions_altern%C3%A9es Source : Wikipedia, Algorithme des directions alternées.]

[[Catégorie:Apprentissage automatique]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Stockage en nuage

2024-05-31T15:19:07Z

ClaireGorjux :

== Définition ==
Le stockage en nuage permet à des applications de télécharger des données vers un réseau de serveurs éloignés, qui sont interconnectés. Les applications peuvent ensuite modifier les données et y accéder depuis n'importe quel emplacement par l'entremise d'une interface de programme d'application Web qui s'intègre aux applications clientes.

Quatre types principaux de stockage sont offerts :
* Mémoire personnelle
* Stockage public
* Stockage privé
* Stockage hybride

== Français ==
'''stockage en nuage'''

'''stockage infonuagique'''

== Anglais ==
'''cloud storage'''

==Sources==
[https://www.ibm.com/cloud-computing/ca-fr/learn-more/what-is-cloud-storage/ Source : IBM ]

[https://azure.microsoft.com/fr-ca/free/storage/search/?&OCID=AID719803_SEM_5be4uqhW&lnkd=Google_Azure_Nonbrand&dclid=CLb7nebd_eACFcZCDAodQnwL-A Source : Microsoft ]

[[Category:GRAND LEXIQUE FRANÇAIS]]

Système immunitaire artificiel

2024-05-24T16:57:55Z

ClaireGorjux :

== Définition ==
Un système immunitaire artificiel (SIA) est une catégorie d'algorithme inspirée par les principes et le fonctionnement du système immunitaire naturel (SIN) des vertébrés. Ces algorithmes exploitent typiquement les caractéristiques du système immunitaire pour ce qui est de l'apprentissage et de la mémorisation comme moyens de résolution de problèmes.

Les fonctionnements simulés dans les SIA comprennent la reconnaissance de motifs, l'hypermutation, la sélection clonale pour les cellules B, la sélection négative pour les cellules T, la maturation d'affinité et la théorie des réseaux immunitaires.

== Français ==
'''système immunitaire artificiel'''

== Anglais ==
'''artificial immune system'''

==Sources==

[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=SYSTEME+IMMUNITAIRE+ARTIFICIEL&index=alt&codom2nd_wet=1#resultrecs Source : TERMIUM Plus ]

[https://fr.wikipedia.org/wiki/Syst%C3%A8me_immunitaire_artificiel ''Source : Wikipedia'' ]

[[Category:GRAND LEXIQUE FRANÇAIS]]

Tacotron2

2024-05-24T16:57:11Z

ClaireGorjux :

== Définition ==
Technologie de voix artificielle développée par Google en 2017. La technologie de Tacotron 2 repose sur la superposition de deux réseaux neuronaux: un qui « divise le texte en séquences, et transforme chacune d’elles en spectrogramme » et un autre qui génère des fichiers sonores.

== Français ==
'''Tacotron2'''

== Anglais ==
'''Tacotron2'''

==Sources==
[https://fr.wikipedia.org/wiki/Tacotron_2 ''Source : Wikipedia'' ]

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

Système intelligent flou

2024-05-24T16:55:44Z

ClaireGorjux :

== Définition ==
Système de contrôle basé sur la logique floue, un système mathématique qui analyse les valeurs d'entrée analogiques en termes de variables logiques prenant des valeurs continues comprises entre 0 et 1, contrairement à la logique classique ou numérique, qui fonctionne sur des valeurs discrètes de soit 1 ou 0 (vrai ou faux, respectivement).

Un système intelligent flou (SIF) intègre (implémente) de l’expertise humaine et qui vise à automatiser (imiter) le raisonnement d’experts humains face à des systèmes complexes. Il constitue une part importante de l’intelligence artificielle et du soft computing. Un système intelligent flou se base sur la théorie logique qu'est la logique floue.

== Français ==
'''système intelligent flou'''

== Anglais ==
'''fuzzy control system'''

==Sources==
[https://fr.wikipedia.org/wiki/Syst%C3%A8me_intelligent_flou ''Source : Wikipedia'' ]

[[Category:GRAND LEXIQUE FRANÇAIS]]

Fonction de hachage

2024-05-24T16:54:25Z

ClaireGorjux :

==Définition==
Une fonction de hachage est une fonction qui peut être utilisée pour mapper des données de taille arbitraire à des valeurs de taille fixe. Les valeurs renvoyées par une fonction de hachage sont appelées valeurs de hachage, codes de hachage, résumés ou simplement hachages.

==Français==
'''fonction de hachage'''

'''algorithme de hachage'''

==Anglais==
'''hash function'''

==Sources==
[https://medium.com/@hamishogilvy/vectors-are-over-hashes-are-the-future-of-ai-98c4dc33d8ee Source : medium.com]

[https://fr.wikipedia.org/wiki/Fonction_de_hachage Source : Wikipedia, ''Fonction de hachage'']

[[Category:GRAND LEXIQUE FRANÇAIS]]

Glaneur de cellules

2024-05-24T16:53:51Z

ClaireGorjux :

==Définition==
Module responsable de la récupération de l’espace mémoire qui n’est pas utilisé. La tâche du glaneur, dans les langages basés sur le concept d’objet par exemple, consiste à identifier les objets qui ne sont pas en cours d’utilisation et récupère l’espace qu’ils occupent. Un objet qui n’est pas en cours d’utilisation, c’est un objet qui n’est pas accessible par le programme dans son état actuel.

==Français==
'''glaneur de cellules'''

'''ramasse-miette'''

'''récupérateur de mémoire'''

==Anglais==
'''garbage collector'''

==Sources==
Source : [http://www.webreview.dz/IMG/pdf/programation_fonctionnelle_le_glaneur_des_cellules_centralise_et_sa_generalisation_dans_les_environnements_repartis.pdf LEMLOUMA, BOUDINA Le glaneur des cellules centralisé]

[[Category:GRAND LEXIQUE FRANÇAIS]]

Python

2024-05-24T16:53:00Z

ClaireGorjux :

== Définition ==
Python est un [[langage de programmation]] interprété, multi-paradigmes et multi-plateformes. Il favorise la programmation orientée objet. Il est doté d'un typage dynamique fort, d'une gestion automatique de la mémoire par ramasse-miettes et d'un système de gestion d'exceptions; il est ainsi similaire à Perl, Ruby, Scheme, Smalltalk et Tcl.

Riche d'un vaste écosystème d'outils et de bibliothèques spécialisées, Python est devenu aujourd'hui le principal langage de programmation utilisé pour la science des données et l'intelligence artificielle.

Le langage Python est placé sous une licence libre proche de la licence BSD et fonctionne sur la plupart des plates-formes informatiques, des téléphones intelligents aux ordinateurs centraux, de Windows à Unix avec notamment GNU/Linux en passant par macOS, ou encore Android, iOS, et peut aussi être traduit en Java ou .NET.

== Français ==
'''Python'''

== Anglais ==
'''Python''' (programming language)

==Sources==
[https://fr.wikipedia.org/wiki/Python_(langage)/ Source : Wikipedia]

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

Perceptron

2024-05-24T16:47:28Z

ClaireGorjux :

==Définition==
Le perceptron est un algorithme d'apprentissage supervisé utilisé pour la classification binaire (c'est-à-dire , conçu pour séparer deux classes).

Si le problème est linéairement séparable, un théorème mathématique assure que la règle d'apprentissage du perceptron permet de trouver une droite séparatrice entre les deux classes.
Le perceptron a été inventé en 1957 par Frank Rosenblatt au laboratoire d'aéronautique de l'université Cornell sous la forme d'un gros appareil électronique. C'est l'ancêtre direct des '''[[Réseau de neurones artificiels|réseaux de neurones]]'''.

==Compléments==
Le perceptron comporte une couche d'entrée qui ne fait que recevoir les données et une couche de sortie qui calcule et affiche le résultat. En fait, le perceptron ne comporte qu'un seul '''[[Neurone artificiel|neurone artificiel]]''' actif. Ce qui distingue le perceptron d'un simple neurone, c'est l'existence d'un retour d'information sous la forme d'une boucle de rétroaction qui permet de constituer un algorithme capable d'apprendre de ses erreurs.
<hr />
Note : Une limitation bien connue du perceptron simple est son incapacité à apprendre la fonction « ou exclusif » (xor).
<hr />
Le perceptron est un '''[[Neurone artificiel|neurone]]''' muni d'une règle d'apprentissage inspirée des théories cognitives de Friedrich Hayek et de Donald Hebb qui permet de déterminer automatiquement les poids synaptiques de manière à résoudre un problème d'apprentissage supervisé.

==Français==
'''perceptron'''

'''perceptron simple'''

'''perceptron monocouche'''

==Anglais==
'''perceptron'''

'''simple perceptron'''

==Sources==
[https://fr.wikipedia.org/wiki/Perceptron Source : Wikipedia IA]

Note : les termes perceptron monocouche; perceptron simple et perceptron sont normalisés par l'ISO/CEI [ISO/IEC 2382-34:1999].

 {{Modèle:101}} 

{{Modèle:GDT}}

[[Catégorie:GDT]]
[[Catégorie:ENGLISH]]
[[Catégorie:Apprentissage automatique]]
[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:101]]

Registre vérifiable par tous

2024-05-24T16:45:57Z

ClaireGorjux :

==Définition==
Structure de stockage de données dans laquelle des groupes de transactions valides, appelés blocs, forment une chaîne chronologique, chaque bloc étant lié cryptographiquement au bloc précédent. Souvent désigné sous son vocable anglais ''blockchain'', il s’agit de protocoles permettant d’avoir une base de données sécurisée et distribuée à travers un réseau. Ce type de protocole est notamment utilisé pour les [https://datafranca.org/wiki/Cryptomonnaie '''cryptomonnaies'''.]

==Compléments==
À partir des caractéristiques fondamentales du concept derrière le terme anglais « blockchain », on retrouve un registre chiffré et distribué. Quant à l'expression « chaîne de blocs », elle décrit un détail de l'implantation informatique du registre, mais n'explique qu'un partie des concepts importants sous-jacents. Par exemple, elle ne rend pas compte du chiffrement et du partage du registre.
<hr/>
Ce registre peut contenir des transactions, des actes, des contrats qui ont été validés. La validation est sous la responsabilité des utilisateurs du registre. Cette validation décentralisée n'a donc plus besoin d'un intermédiaire de confiance comme un notaire ou une banque.

==Français==
'''registre vérifiable par tous'''

'''registre chiffré vérifiable par tous'''

'''registre chiffré partagé'''

'''registre chiffré distribué'''

'''registre crypté distribué'''

'''chaîne de transactions cryptées'''

'''chaîne de blocs'''

==Anglais==
'''block chain'''

'''blockchain'''

==Sources==
[http://www.lavery.ca/FTP/publication/laboratoire-intelligence-artificielle-lexiqueFR.html#p=9 ''Source : Lavery.ca'']

[https://iatranshumanisme.com/glossaire/ Source : iatranshumanisme.com, Glossaire]

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Classificateur

2024-05-14T21:40:54Z

ClaireGorjux :

==Définition==
Fonction mathématique ou modèle prédictif qui repose sur un algorithme de classification qui associe les données en entrée à une catégorie ou classe en sortie.

Il peut s'agir d'un simple classificateur binaire (entre deux classes), d'un classificateur multiclasses ou classificateur en classes multiples (multiclass classifier) qui classe des données entre plus de deux classes, ou encore de quelque chose de plus complexe comme un classificateur multiclasses et multiétiquettes (multi-label classifier) où une donnée peut appartenir à plusieurs classes à la fois.

==Français==
'''classificateur'''

'''classifieur'''

'''classeur'''

Remarque : le terme classeur est parfois utilisé, mais cet usage porte à confusion avec le meuble de bureau.

==Anglais==
'''classifier'''

==Sources==
Source : Kurdi, Mohamed Zakaria (2018). ''Traitement automatique des langues et linguistique informatique 2 : Sémantique, discours et applications,'' Londres, Éditions ISTE, 326 pages.

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

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

[https://www.universalis.fr/dictionnaire/classifieur/ Source : Universalis]

[[Utilisateur:JulieRoy | Source : Julie Roy, Termino]]

[[Category:Apprentissage automatique]]
[[Category:Termino 2019]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

Classification

2024-05-14T21:40:02Z

ClaireGorjux :

==Définition==
La classification est une technique d’[[apprentissage supervisé]] qui permet de prédire si une donnée appartient à une classe discrète (catégorie).

Par exemple, on peut distinguer entre une image de chat et une image de chien ou encore prédire le genre littéraire d’un livre à partir de son contenu : genre policier, romance, science-fiction, etc.

==Compléments==
On utilise la classification lorsque la variable d’intérêt (ou variable à prédire) est qualitative, c’est-à-dire qu’elle prend ses valeurs dans un espace qui ne possède pas de mesure de distance naturelle. L’objectif est d’apprendre (autrement dit de trouver) la relation qui lie une variable d’intérêt qualitative, aux autres variables observées, éventuellement dans un but de prédiction.

Par exemple on peut essayer de prédire le genre littéraire d’un livre. Cette variable est discrète (genre « policier », genre « romance », genre « science-fiction », etc.) mais où il n’y a aucune relation entre les genres et où il est difficile de définir une distance (métrique) entre eux.

Un modèle de classification peut être un simple classificateur binaire ou quelque chose de plus complexe comme un classificateur multiclasses et multiétiquettes.

==Français==
'''classification'''

'''système de classification'''

==Anglais==
'''classification'''

==Sources==
[[Utilisateur:Claude COULOMBE| Source : Claude COULOMBE]] ([[Discussion utilisateur:Claude COULOMBE|discussion]])

[https://fr.wikipedia.org/wiki/Classification Source : Wikipédia]

 {{Modèle:101}} 
[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:ENGLISH]]
[[Catégorie:101]]

Caracteristique discrète

2024-05-14T21:36:13Z

ClaireGorjux :

== Définition ==
[[Caractéristique]] avec un ensemble fini de valeurs possibles.

Par exemple, une caractéristique dont les valeurs peuvent être uniquement animal, végétal ou minéral est une caractéristique discrète (ou catégorique).

À comparer à la '''[[caractéristique continue]]'''.

== Français ==
'''caractéristique discrète'''

'''caractéristique catégorique'''

== Anglais ==
'''discrete feature'''

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

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Apprentissage par renforcement inverse

2024-05-14T21:34:56Z

ClaireGorjux :

==Définition==
L'apprentissage par renforcement inverse (''Inverse Reinforcement Learning'' ) consiste à dériver une [[fonction de récompense]] du comportement observé. Bien que l'apprentissage par renforcement ordinaire implique l'utilisation de récompenses et de punitions pour apprendre un comportement, en IRL la direction est inversée et un robot observe le comportement d'une personne pour déterminer l'objectif que ce comportement semble viser. Le problème IRL peut être défini comme suit:

Étant donné
* la mesure du comportement d'un agent dans le temps, dans diverses circonstances;
* mesures des entrées sensorielles de cet agent;
* un modèle de l'environnement physique (y compris le corps de l'agent): déterminez la fonction de récompense optimisée par l'agent.

Voir '''[[apprentissage par renforcement]]'''.

==Français==
'''apprentissage par renforcement inverse'''

'''apprentissage par imitation'''

==Anglais==
'''inverse reinforcement learning'''

'''IRL'''

==Sources==
[https://en.wikipedia.org/wiki/Apprenticeship_learning ''Source : Wikipedia'']

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Bio-inspiration

2024-05-14T21:28:02Z

ClaireGorjux :

==Définition==
La bio-inspiration est une approche qui conduit à s'inspirer de la nature pour développer de nouveaux systèmes. La bio-inspiration s'appuie souvent sur le biomimétisme. Comme lui, elle peut puiser son inspiration tant dans le monde des végétaux que des animaux et des champignons, ou des bactéries et des virus.
Elle est utilisée dans la conception de logiciels, d'[[algorithme génétique|algorithmes génétiques]] ou d'[[algorithme évolutionniste|algorithmes évolutionnistes]].

==Français==
'''bio-inspiration'''

'''calcul bio-inspiré'''

'''traitement bio-inspiré'''

'''informatique bio-inspirée'''

==Anglais==
'''bioinspiration'''

==Sources==
[https://fr.wikipedia.org/wiki/Bio-inspiration Source : Wikipedia, ''Bio-inspiration'']

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Calcul d'attribution

2024-05-14T21:17:31Z

ClaireGorjux :

== Définition ==
Le calcul d'attribution est un système de logique et de représentation défini par Ryszard S. Michalski. Il combine des éléments de logique de [[prédicat]]s, de [[calcul propositionnel]] et de logique à valeurs multiples. Le calcul attributaire fournit un langage formel pour l'induction naturelle, un processus d'apprentissage inductif dont les résultats sont sous des formes naturelles.

== Français ==
'''calcul d'attribution'''

'''calcul attributaire'''

== Anglais ==
'''attributional calculus'''

==Sources==
[https://en.wikipedia.org/wiki/Attributional_calculus Source : Wikipedia]

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Apprentissage par différence temporelle

2024-05-02T17:45:32Z

ClaireGorjux :

== Définition ==
L’'''[[algorithme]]''' d’apprentissage par différence temporelle est un apprentissage par renforcement utilisant un mécanisme d’estimation temporelle pour la prédiction du temps d’arrivée d’une récompense. L’algorithme d’apprentissage par différence temporelle s'inspire d'études d’apprentissage chez les animaux.

== Français ==
'''apprentissage par différence temporelle'''

'''méthode TD active'''

== Anglais ==

'''temporal difference learning'''

'''TD learning'''

==Sources==

[http://theses.univ-lyon2.fr/documents/getpart.php?id=lyon2.2005.blanc_jm&part=92195 Source : ''U de Lyon'']

[http://planiart.usherbrooke.ca/cours/ift615/ift615-13-apprentissage-renforcement.pdf Source : ''U de Sherbrooke'']

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Échantillonnage de Thompson

2024-05-02T17:44:52Z

ClaireGorjux :

==Définition==
En apprentissage par renforcement l''''[[algorithme d'échantillonnage]]''' de Thompson, du nom de William R. Thompson son inventeur, est une heuristique (ou politique) de choix d'actions qui aborde le dilemme de l'exploration-exploitation dans le problème de choix parmi plusieurs machines à sous (problème de bandits). Elle consiste à choisir l'action qui maximise la récompense attendue par rapport à un choix fait au hasard.

Voir '''[[modèles de bandits]]'''.

==Français==
'''échantillonnage de Thompson'''

==Anglais==
'''Thompson sampling'''

==Sources==
[https://hal.archives-ouvertes.fr/hal-01671320/document Source : hal.archives-ouvertes.fr]

[[Utilisateur:Claude COULOMBE | Source : Claude Coulombe]]

[[Category:Intelligence artificielle]]
[[Category:GRAND LEXIQUE FRANÇAIS]]
{{DEFAULTSORT:Echantillonnage de Thompson}}

Algorithme estimation-maximisation

2024-05-02T17:43:33Z

ClaireGorjux :

==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.

Remarque : cet algorithme itératif comporte deux étapes:
# 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.
# 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).

==Français==
'''algorithme EM'''

'''algorithme espérance-maximisation'''

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

'''Expectation–Maximization algorithm'''

==Sources==
[https://fr.wikipedia.org/wiki/Algorithme_esp%C3%A9rance-maximisation, Source : Wikipédia, ''Algorithme espérance-maximisation'']

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.

[https://www.isi-web.org/glossary?language=2 Source : ISI Glossaire ]

[https://isi.cbs.nl/glossary/term1158.htm Source : ISI ]

[[Utilisateur:Patrickdrouin | Source : Termino]]

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:Apprentissage profond]]
[[Catégorie: Termino 2019]]

Réalité augmentée

2024-05-02T17:40:40Z

ClaireGorjux :

==Définition==
La réalité augmentée est le résultat de l'enrichissement d'images réelles par différents éléments (textes, sons, voix, images 2D, 3D, vidéos, vibrations, etc.), cela typiquement dans une interface personne-machine sur écran ou immersive avec visiocasque.

==Compléments==
La réalité augmentée désigne aussi les différentes techniques qui permettent d'incruster de façon réaliste des objets virtuels ou des informations complémentaires dans une séquence vidéo.

==Français==
'''réalité augmentée'''

'''réalité virtuelle et augmentée'''

==Anglais==
'''augmented reality'''

'''augmented virtual reality'''

==Sources==
[https://fr.wikipedia.org/wiki/R%C3%A9alit%C3%A9_augment%C3%A9e Source : Wikipédia ]

[https://fr.wikipedia.org/wiki/R%C3%A9alit%C3%A9_augment%C3%A9e Source : Wikipédia ]

 {{Modèle:101}} 

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:101]]

Piège à clics

2024-05-02T17:39:30Z

ClaireGorjux :

==Définition==
Du terme ''clickbait'' qui signifie littéralement « appât à clics ». Désigne généralement une technique de création ou de rédaction publicitaire qui vise à maximiser « abusivement » le nombre de clics enregistrés sur une annonce publicitaire ou une publication sociale quitte à ce que l’annonce ou la publication ait un caractère « déceptif ».

Le piège à clics consiste à fournir juste assez d’information pour éveiller la curiosité, mais pas assez pour la combler, afin de créer le besoin de passer à l'autre étape moyennant un nouveau clic.

==Français==
'''piège à clics'''

'''attrape-clic'''

==Anglais==
'''clickbait'''

==Sources==
[https://fr.wikipedia.org/wiki/Pi%C3%A8ge_%C3%A0_clics Source : Wikipédia IA]

[[Category:GRAND LEXIQUE FRANÇAIS]]

Interface de programmation applicative

2024-04-29T17:29:59Z

ClaireGorjux :

==Définition==
Souvent désignée, même en français, par le terme anglais « API », une interface de programmation applicative (IPA) est un ensemble normalisé de classes et de fonctions qui sert de façade par laquelle un logiciel offre des services à d'autres logiciels.

Une IPA permet à votre application d'interagir avec un service externe à l'aide d'un ensemble de commandes simples sans connaître les détails internes du logiciel interrogé.

==Compléments==
Une interface de programmation applicative (IPA) est offerte par une bibliothèque logicielle ou un service web, le plus souvent accompagnée d'une description qui spécifie comment des programmes consommateurs peuvent se servir des fonctionnalités du programme fournisseur.

==Français==
'''interface de programmation applicative'''

'''interface de programmation d'application'''

'''IPA''' acronyme

==Anglais==
'''Application programming interface'''

'''API''' acronyme

==Sources==
[https://fr.wikipedia.org/wiki/Interface_de_programmation Source : Wikipédia, ''Interface de programmation''.]

 {{Modèle:101}} 

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:101]]

Rareté des données

2024-04-29T17:28:37Z

ClaireGorjux :

==Définition==
La rareté des données signifie que les données sont peu nombreuses par rapport à la quantité requise.

Voir '''[[dispersion des données]]'''

==Français==
'''rareté des données'''

'''manque de données'''

==Anglais==
'''data scarsity'''

==Sources==

[https://www.quora.com/What-is-the-difference-between-data-scarcity-and-data-sparsity Source : Quora, Mohamed Ben Haddou, ''What is the difference between data scarcity and data sparsity?'']

[[Category:GRAND LEXIQUE FRANÇAIS]]

Stationnarité

2024-04-29T17:28:24Z

ClaireGorjux :

== Définition ==
Propriété des données d'un ensemble, caractérisée par le fait que la distribution des données reste constante entre une ou plusieurs dimensions. Le plus souvent, cette dimension est le temps. Cela signifie alors que les données stationnaires n'évoluent pas au fil du temps.

== Français ==
'''stationnarité'''

== Anglais ==
'''stationarity'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Statistique

2024-04-29T17:26:37Z

ClaireGorjux :

== Définition ==
Une statistique est une donnée de mesure utilisée pour décrire un [[ensemble de données]] ou une [[variable]]. Il est généré par un calcul sur l'ensemble des données observées.

== Français ==
'''statistique'''

== Anglais ==
'''statistic'''

'''metric'''

==Sources==
[https://ontostats.univ-paris8.fr/omk/s/logicielsStats/item/6927Source : univ-paris8.fr ]

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

{{Modèle:Statistiques}}
 
[[Catégorie:Statistiques]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

Stratégie de partitionnement

2024-04-29T17:26:02Z

ClaireGorjux :

== Définition ==
[[Algorithme]] qui répartit les [[variable]]s entre les [[serveur de paramètres|serveurs de paramètres]].

== Français ==
'''stratégie de partitionnement'''

== Anglais ==
'''partitioning strategy'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Taille de lot

2024-04-29T17:25:16Z

ClaireGorjux :

== Définition ==
Nombre d'exemples d'un lot.

Par exemple, la taille de lot de SGD est de 1, tandis que la taille d'un [[mini-lot]] se situe généralement entre 10 et 1 000. La taille de lot est habituellement fixée pendant les processus d'apprentissage et d'[[inférence]]. Toutefois, [[TensorFlow]] accepte les tailles de lot dynamiques.

== Français ==
'''taille de lot'''

== Anglais ==
'''batch size'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Taille de Tensor

2024-04-29T17:23:56Z

ClaireGorjux :

== Définition ==
Nombre total de grandeurs scalaires d'un [[Tensor]].

Par exemple, la taille d'un Tensor [5, 10] est de 50.

== Français ==
'''taille de Tensor'''

== Anglais ==
'''Tensor size'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Tableau de bord TensorFlow

2024-04-29T17:23:07Z

ClaireGorjux :

== Définition ==
Tableau de bord qui affiche les résumés enregistrés lors de l'exécution d'un ou de plusieurs programmes [[TensorFlow]].

== Français ==
'''TensorBoard'''

== Anglais ==
'''TensorBoard'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

TensorFlow Playground

2024-04-29T17:22:32Z

ClaireGorjux :

== Définition ==
Programme qui visualise l'influence de différents [[hyperparamètre]]s sur l'entraînement d'un [[modèle]] (principalement un [[réseau de neurones]]).

== Français ==
'''TensorFlow Playground'''

== Anglais ==
'''TensorFlow Playground'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:ENGLISH]]
[[Category:Apprentissage profond]]

Test A/B

2024-04-29T17:21:33Z

ClaireGorjux :

== Définition ==
Méthode statistique de comparaison d'au moins deux techniques, généralement une technique en place et une nouvelle technique concurrente. Le test A/B vise non seulement à déterminer la technique la plus performante, mais aussi si la différence est statistiquement significative. Généralement, le test A/B compare deux techniques sur la base d'une seule mesure. Il peut cependant être appliqué à n'importe quel nombre fini de techniques et de mesures.

== Français ==
'''test A/B'''

== Anglais ==
'''A/B testing'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Seuil de classification

2024-04-28T19:46:32Z

ClaireGorjux :

== Définition ==
Critère de valeur scalaire appliqué au score d'un modèle dans le but de séparer la classe positive de la classe négative. Utilisé pour mettre en correspondance les résultats de la [[régression logistique]] à la [[classification binaire]]. Supposons un modèle de régression logistique qui détermine la probabilité qu'un message donné soit « indésirable ». Si le seuil de classification est de 0,9, les valeurs de la régression logistique supérieures à 0,9 sont classées comme « indésirable », et celles inférieures comme « légitime ».

== Français ==
'''seuil de classification'''

== Anglais ==
'''classification threshold'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Session

2024-04-28T19:45:31Z

ClaireGorjux :

== Définition ==
Objet qui encapsule l'état de l'exécution de [[TensorFlow]] et exécute tout ou partie d'un graphe. Lorsque vous utilisez les API TensorFlow de bas niveau, vous instanciez et gérez directement un ou plusieurs objets tf.session. Lorsque vous utilisez l'API Estimators, les Estimators instancient des objets session pour vous.

== Français ==
'''session (tf.session)'''

== Anglais ==
'''session'''

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

[[Catégorie:ENGLISH]]
[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Serveur de paramètres

2024-04-28T19:44:44Z

ClaireGorjux :

== Définition ==
Tâche qui effectue le suivi des paramètres d'un modèle dans une configuration distribuée.

== Français ==
'''serveur de paramètres'''

== Anglais ==
'''Parameter Server'''

'''PS'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Scikit-learn

2024-04-28T19:41:14Z

ClaireGorjux :

== Définition ==
Scikit-learn est une bibliothèque libre [[Python]] destinée à l'[[apprentissage automatique]]. Elle comprend notamment des fonctions pour estimer des [[forêt aléatoire|forêts aléatoires]], des [[régression logistique|régressions logistiques]], des algorithmes de classification et les [[machine à vecteurs de support|machines à vecteurs de support]].

== Français ==
'''scikit-learn'''

== Anglais ==
'''scikit-learn'''

==Sources==
[https://fr.wikipedia.org/wiki/Scikit-learn Source : Wikipédia ]

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:ENGLISH]]
[[Category:Apprentissage profond]]

Modèle sauvegardé

2024-04-28T19:17:57Z

ClaireGorjux :

==Définition==
Format de sérialisation récupérable, de langage neutre, qui permet aux systèmes et aux outils de plus haut niveau de produire, consommer et transformer des modèles [[TensorFlow]].

==Français==
'''modèle sauvegardé'''

'''SavedModel''' anglicisme *

<nowiki>* </nowiki>Ici, il faut comprendre que « SavedModel » est un mot réservé du langage de programmation de TensorFlow. En réalité, il n'existe pas d'équivalent en français, mais on peut quand même décrire son action en français

==Anglais==
'''SavedModel'''

==Sources==
[https://developers.google.com/machine-learning/glossary/ Source : ''Google, Machine learning glossary'']

[[Category:Apprentissage profond]]
[[Category:GRAND LEXIQUE FRANÇAIS]]

Répertoire racine

2024-04-28T19:11:38Z

ClaireGorjux :

== Définition ==
Répertoire que vous spécifiez pour l'enregistrement des sous-répertoires du point de contrôle [[TensorFlow]] et des fichiers d'événements de plusieurs [[modèle]]s.

== Français ==
'''répertoire racine'''

== Anglais ==
'''root directory'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Répertoire racine

2024-04-28T19:11:08Z

ClaireGorjux :

Régularisation par abandon

2024-04-28T19:10:20Z

ClaireGorjux :

== Définition ==
Forme de [[régularisation]] utile dans l'apprentissage des réseaux de neurones. La régularisation par abandon consiste à supprimer de manière aléatoire un nombre fixe d'unités dans une couche du réseau pour un pas de gradient unique. Plus le nombre d'unités abandonnées est élevé, plus la régularisation est solide. Cette méthode est analogue à l'entraînement du modèle pour émuler un groupe exponentiellement large de réseaux plus petits.

== Français ==
'''régularisation par abandon'''

== Anglais ==
'''dropout regularization'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Régularisation L2

2024-04-25T21:00:03Z

ClaireGorjux :

==Définition==
Régularisation qui ajuste à la baisse les poids au sein d'un modèle proportionnellement à la somme des carrés de leurs valeurs afin de contrer le surajustement.

Remarque : la régularisation L2 vise à ce que les poids dont la valeur est marginale (valeur positive ou négative très élevée ou très faible) se rapprochent le plus possible de 0 (sans jamais l'atteindre).

==Français==
'''régularisation L2'''

'''régularisation de Ridge '''

==Anglais==
'''L2 regularization'''

'''Ridge regularization'''

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

[https://developers.google.com/machine-learning/crash-course/regularization-for-simplicity/l2-regularization?hl=fr Source : Developers.google Machine learning, ''Régularisation à des fins de simplicité : régularisation L₂.'']

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

[[Utilisateur:Patrickdrouin | Source : Termino]]

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]
[[Category:Termino 2019]]

Régularisation L1

2024-04-25T20:59:33Z

ClaireGorjux :

==Définition==
Régularisation qui ajuste à la baisse les poids au sein d'un modèle proportionnellement à la somme de leurs valeurs absolues afin de contrer le surajustement.

Remarque : le terme LASSO signifie ''Least Absolute Shrinkage and Selection Operator''

==Français==
'''régularisation L1'''

'''régularisation LASSO'''

'''régularisation Lasso'''

==Anglais==
'''L1 regularization'''

'''Lasso regularization'''

'''LASSO regularization'''

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

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

[[Utilisateur:Patrickdrouin | Source : Termino]]

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

Optimiseur

2024-04-25T20:58:19Z

ClaireGorjux :

== Définition ==
Implémentation particulière de l'[[algorithme de descente de gradient]]. La classe de base de [[TensorFlow]] pour les optimiseurs est tf.train.Optimizer. Différents optimiseurs (sous-classes de tf.train.Optimizer) tiennent compte des concepts tels que :
* le moment (Momentum);
* la fréquence de mise à jour (AdaGrad = descente de gradient adaptative ; Adam = adaptative avec Momentum ; RMSProp);
* la parcimonie/régularisation (Ftrl);
* des opérations mathématiques plus complexes (proximal et autres).
Il est même possible d'imaginer un optimiseur reposant sur un réseau de neurones.

== Français ==
'''optimiseur'''

== Anglais ==
'''optimizer'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Régression logistique

2024-04-25T20:57:25Z

ClaireGorjux :

== Définition ==
La régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit de modéliser au mieux un modèle mathématique simple à des observations réelles nombreuses. En d'autres termes d'associer à un vecteur de variables aléatoires une [[variable aléatoire]] binomiale génériquement notée. La régression logistique constitue un cas particulier de modèle linéaire généralisé. Elle est largement utilisée en apprentissage automatique.

== Français ==
'''régression logistique'''

'''modèle logit'''

== Anglais ==
'''logistic regression'''

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

[https://fr.wikipedia.org/wiki/R%C3%A9gression_logistique Source : Wikipedia IA ]

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Régression linéaire

2024-04-25T20:55:55Z

ClaireGorjux :

==Définition==
En apprentissage supervisé, la régression linéaire désigne une régression qui modélise une relation linéaire, c'est-à-dire une droite, entre des variables prédictives et une variable cible numérique à prédire.

Une régression linéaire prédit une valeur numérique à partir d'une combinaison linéaire d'attributs d'entrée.

==Compléments==
On utilise un modèle de régression linéaire pour prédire un prix, un nombre de visiteurs, bref un chiffre.

==Français==
'''régression linéaire'''

==Anglais==
'''linear regression'''

==Sources==
[https://developers.google.com/machine-learning/glossary/ Source : Google. ''Machine learning glossary'']

[https://catalix.net/glossaire-intelligence-artificielle/ Source : Catalix, ''Régression.'']

 {{Modèle:101}} 

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:101]]
[[Catégorie:Apprentissage automatique]]

Régression des moindres carrés

2024-04-25T20:55:10Z

ClaireGorjux :

== Définition ==
Modèle de [[régression linéaire]] entraîné en minimisant la perte L2.

== Français ==
'''régression des moindres carrés'''

== Anglais ==
'''least squares regression'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]

Représentation

2024-04-22T16:12:08Z

ClaireGorjux :

== Définition ==
Processus de mise en correspondance des données à des caractéristiques utiles.

== Français ==
'''représentation'''

== Anglais ==
'''representation'''

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

[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Apprentissage profond]]