Apprentissage par transfert - Historique des versions

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

2025-09-24T00:55:38Z

Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

← Version précédente		Version du 23 septembre 2025 à 20:55
Ligne 24 :		Ligne 24 :

	==Español==		==Español==
			[[Catégorie:es]]

	''''' aprendizaje por transferencia '''''		''''' aprendizaje por transferencia '''''

Jean-Sébastien Zavalone le 21 juillet 2025 à 19:13

2025-07-21T19:13:19Z

← Version précédente		Version du 21 juillet 2025 à 15:13
Ligne 22 :		Ligne 22 :
	==Anglais==		==Anglais==
	'''transfer learning'''		'''transfer learning'''

			==Español==

			''''' aprendizaje por transferencia '''''

			''El aprendizaje por transferencia es el uso de los conocimientos de un modelo de aprendizaje entrenado en un conjunto de datos para aplicarlos y adaptarlos al aprendizaje en un conjunto de datos diferente. También puede considerarse como la capacidad de un sistema para reconocer y aplicar conocimientos y habilidades, aprendidos en tareas anteriores, a nuevas tareas o nuevos dominios que comparten similitudes.''

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

Arianne le 11 janvier 2025 à 23:16

2025-01-11T23:16:40Z

← Version précédente		Version du 11 janvier 2025 à 19:16
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==

	L’apprentissage par transfert consiste à exploiter les connaissances d’un modèle d’apprentissage entraîné sur un jeu de données pour l’appliquer et l’adapter dans le cadre d’un apprentissage sur un jeu de données différent. Il peut aussi être vu comme la capacité d’un système à reconnaître et à appliquer des connaissances et des compétences, apprises à partir de tâches antérieures, sur de nouvelles tâches ou domaines partageant des similitudes.		L’apprentissage par transfert consiste à exploiter les connaissances d’un [[Modèle préentraîné\|modèle d’apprentissage entraîné]] sur un [[jeu de données]] pour l’appliquer et l’adapter dans le cadre d’un apprentissage sur un jeu de données différent. Il peut aussi être vu comme la capacité d’un système à reconnaître et à appliquer des connaissances et des compétences, apprises à partir de tâches antérieures, sur de nouvelles tâches ou de nouveaux domaines partageant des similitudes.

	==Compléments==		==Compléments==

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

2024-08-30T19:02:49Z

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

← Version précédente		Version du 30 août 2024 à 15:02
Ligne 22 :		Ligne 22 :
	==Anglais==		==Anglais==
	'''transfer learning'''		'''transfer learning'''

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

ClaireGorjux le 27 février 2024 à 20:12

2024-02-27T20:12:57Z

← Version précédente		Version du 27 février 2024 à 16:12
Ligne 30 :		Ligne 30 :
	{{Modèle:101}}		{{Modèle:101}}

	[[Utilisateur:Patrickdrouin \| Source: Termino]]		[[Utilisateur:Patrickdrouin \| Source : Termino]]
	[[Catégorie:Termino 2019]]		[[Catégorie:Termino 2019]]
	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]

Brach le 26 février 2024 à 21:40

2024-02-26T21:40:02Z

← Version précédente		Version du 26 février 2024 à 17:40
Ligne 24 :		Ligne 24 :

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

	</small><br>		</small><br>

Brach le 26 février 2024 à 21:39

2024-02-26T21:39:46Z

← Version précédente		Version du 26 février 2024 à 17:39
Ligne 11 :		Ligne 11 :
	L’idée sous-jacente à l’apprentissage par transfert est assez simple. On prend un grand [[modèle préentraîné]] sur un immense jeu de données dans le cadre d’une tâche générique et on l’applique à une nouvelle tâche en adaptant ce modèle avec des données typiques de cette nouvelle tâche. Comme plusieurs chercheurs l’ont démontré, la puissance prédictive de ces modèles augmente avec leur taille.		L’idée sous-jacente à l’apprentissage par transfert est assez simple. On prend un grand [[modèle préentraîné]] sur un immense jeu de données dans le cadre d’une tâche générique et on l’applique à une nouvelle tâche en adaptant ce modèle avec des données typiques de cette nouvelle tâche. Comme plusieurs chercheurs l’ont démontré, la puissance prédictive de ces modèles augmente avec leur taille.

	Ainsi, les grands [[modèle préentraîné\|modèles préentraînés]] pour un problème générique apprennent toutes sortes de régularités statistiques propres au type de données (images, voix, textes) sur lequel ils ont été entraînés. Une fois entraînés, ces grands modèles peuvent être utilisés pour résoudre d’autres problèmes faisant appel au même type de données. Un peaufinage du modèle est habituellement nécessaire par entraînement avec des données propres à la nouvelle tâche.		Ainsi, les grands '''[[modèle préentraîné\|modèles préentraînés]]''' pour un problème générique apprennent toutes sortes de régularités statistiques propres au type de données (images, voix, textes) sur lequel ils ont été entraînés. Une fois entraînés, ces grands modèles peuvent être utilisés pour résoudre d’autres problèmes faisant appel au même type de données. Un peaufinage du modèle est habituellement nécessaire par entraînement avec des données propres à la nouvelle tâche.

	Par exemple, un modèle neuronal qui permet de générer des textes peut être facilement adapté à la génération d’une forme plus précise de textes. Il suffirait de peaufiner un [[grand modèle de langue]] préentraîné avec quelques oeuvres du poète Émile Nelligan pour qu’il soit en mesure de générer automatiquement des poèmes à la manière de Nelligan.		Par exemple, un modèle neuronal qui permet de générer des textes peut être facilement adapté à la génération d’une forme plus précise de textes. Il suffirait de peaufiner un '''[[grand modèle de langue]]''' préentraîné avec quelques oeuvres du poète Émile Nelligan pour qu’il soit en mesure de générer automatiquement des poèmes à la manière de Nelligan.

	==Français==		==Français==
Ligne 24 :		Ligne 24 :

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

	</small><br>		</small><br>

Brach le 26 février 2024 à 21:39

2024-02-26T21:39:00Z

← Version précédente		Version du 26 février 2024 à 17:39
Ligne 4 :		Ligne 4 :

	==Compléments==		==Compléments==
	Bien qu’il s’agisse plutôt d’un transfert d’apprentissage, on préférera le terme « apprentissage par transfert » pour des questions de continuité avec les termes « [[apprentissage supervisé]] », « [[apprentissage non supervisé]] » et « [[apprentissage par renforcement]] ».		Bien qu’il s’agisse plutôt d’un transfert d’apprentissage, on préférera le terme « apprentissage par transfert » pour des questions de continuité avec les termes « '''[[apprentissage supervisé]]''' », « '''[[apprentissage non supervisé]]''' » et « '''[[apprentissage par renforcement]]''' ».

	<hr/>		<hr/>
	Dans la pratique courante, l’apprentissage par transfert consiste à exploiter les connaissances d’un [[modèle préentraîné]] (en anglais, pretrained model) pour l’appliquer et l’adapter par peaufinage sur un un jeu de données différent, ce qu’on nomme en anglais le ''fine-tuning''.		Dans la pratique courante, l’apprentissage par transfert consiste à exploiter les connaissances d’un '''[[modèle préentraîné]]''' (en anglais, pretrained model) pour l’appliquer et l’adapter par peaufinage sur un un jeu de données différent, ce qu’on nomme en anglais le ''fine-tuning''.
	<hr/>		<hr/>
	L’idée sous-jacente à l’apprentissage par transfert est assez simple. On prend un grand [[modèle préentraîné]] sur un immense jeu de données dans le cadre d’une tâche générique et on l’applique à une nouvelle tâche en adaptant ce modèle avec des données typiques de cette nouvelle tâche. Comme plusieurs chercheurs l’ont démontré, la puissance prédictive de ces modèles augmente avec leur taille.		L’idée sous-jacente à l’apprentissage par transfert est assez simple. On prend un grand [[modèle préentraîné]] sur un immense jeu de données dans le cadre d’une tâche générique et on l’applique à une nouvelle tâche en adaptant ce modèle avec des données typiques de cette nouvelle tâche. Comme plusieurs chercheurs l’ont démontré, la puissance prédictive de ces modèles augmente avec leur taille.

Pitpitt le 27 janvier 2024 à 20:58

2024-01-27T20:58:49Z

← Version précédente		Version du 27 janvier 2024 à 16:58
Ligne 21 :		Ligne 21 :

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

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

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

2024-01-27T20:57:18Z

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

← Version précédente		Version du 27 janvier 2024 à 16:57
Ligne 21 :		Ligne 21 :

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

	~~<small>~~
	*[https://developers.google.com/machine-learning/glossary/ Source: Google, ''Machine learning glossary''.]		*[https://developers.google.com/machine-learning/glossary/ Source: Google, ''Machine learning glossary''.]

Apprentissage par transfert - Historique des versions

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

Jean-Sébastien Zavalone le 21 juillet 2025 à 19:13

Arianne le 11 janvier 2025 à 23:16

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

ClaireGorjux le 27 février 2024 à 20:12

Brach le 26 février 2024 à 21:40

Brach le 26 février 2024 à 21:39

Brach le 26 février 2024 à 21:39

Pitpitt le 27 janvier 2024 à 20:58

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

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

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

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