Apprentissage semi-supervisé - Historique des versions

Arianne le 11 janvier 2025 à 23:38

2025-01-11T23:38:08Z

← Version précédente		Version du 11 janvier 2025 à 19:38
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==

	L’apprentissage semi-supervisé consiste à entraîner un modèle d’apprentissage sur un jeu de données partiellement annoté qui comporte quelques données annotées et beaucoup de données non annotées. L’idée est d’attribuer les annotations en utilisant la similarité entre les données annotées et les données non annotées.		L’apprentissage semi-supervisé consiste à entraîner un [[modèle d’apprentissage]] sur un [[jeu de données]] partiellement annoté qui comporte quelques données annotées et beaucoup de données non annotées. L’idée est d’attribuer les [[Étiquette\|annotations]] en utilisant la similarité entre les données annotées et les données non annotées.

	L’apprentissage semi-supervisé se situe ainsi entre ~~l’apprentissage~~ supervisé qui n’utilise que des données annotées et ~~l’apprentissage~~ non supervisé qui n’emploie que des [[Données non étiquetées\|données non annotées]]. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.		L’apprentissage semi-supervisé se situe ainsi entre l’[[apprentissage supervisé]] qui n’utilise que des données annotées et l’[[apprentissage non supervisé]] qui n’emploie que des [[Données non étiquetées\|données non annotées]]. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.

	==Compléments==		==Compléments==

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

2024-01-27T20:53:20Z

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

← Version précédente		Version du 27 janvier 2024 à 16:53
Ligne 18 :		Ligne 18 :
	==Anglais==		==Anglais==
	'''semi-supervised learning'''		'''semi-supervised learning'''
			==Sources==

	~~<small>~~

	Source: Marc Lucea. ''Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles''.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943>		Source: Marc Lucea. ''Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles''.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943>

Pitpitt le 5 janvier 2024 à 18:11

2024-01-05T18:11:06Z

← Version précédente		Version du 5 janvier 2024 à 14:11
Ligne 30 :		Ligne 30 :
	[[Utilisateur:Patrickdrouin \| Source: Termino]]		[[Utilisateur:Patrickdrouin \| Source: Termino]]

	</small><br> <div style="border:2px solid #336699; background: #f6f6f6; padding: 1em; margin-bottom:1em; width: 90%;"><html><a href="https://datafranca.org/wiki/Cat%C3%A9gorie:101"><img src="https://datafranca.org/images/icone-101-mots.png" width="250"></a></html>		</small><br>
	~~<!--~~
	~~===Compléments vidéos===~~		{{Modèle:101}}
	* [https:~~//www.youtube.com/watch?v=ROIHIjQ-vdE Semi-Supervised Autoencoders]~~
	* [https://www.youtube.com/watch?v=miIHbpyyoQk Semi-supervised learning for video classification]
	* [https://www.youtube.com/watch?v=SaJL4SLfrcY Self-Supervised Learning ]
	* [https://www.youtube.com/watch?v=g5y9dwXRprg Semi-supervised Machine Learning]
	* [https://www.youtube.com/watch?v=c8uWUOSGYUI Semi-Supervised and Unsupervised Learning Approaches to Kaggle and Cybersecurity]
	* [https://www.youtube.com/watch?v=xZKPJzJt9w4 Qu'est-ce que l'apprentissage semi-supervisé]
	* [https://www.youtube.com/watch?v=rUimKxxnMMw MFML 034---Semi-supervised learning]
	* [https://www.youtube.com/watch?v=PXOhi6m09bA Semi-Supervised Learning and Unsupervised Distribution Alignment]
	* [https://www.youtube.com/watch?v=iQnBUHrihRo Introduction to Semi Supervised Learning]
	* [https://www.youtube.com/watch?v=OMRlnKupsXM Semi-Supervised Learning] -->
	~~<br></div><br><br>~~

	[[Catégorie:Termino 2019]]		[[Catégorie:Termino 2019]]
	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]

Pitpitt le 22 août 2022 à 00:52

2022-08-22T00:52:00Z

← Version précédente		Version du 21 août 2022 à 20:52
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==

	~~L'apprentissage~~ semi-supervisé ~~(semi-supervised learning)~~ consiste à entraîner un modèle ~~d'apprentissage~~ sur un jeu de données partiellement annoté qui comporte quelques données annotées et beaucoup de données non-annotées. ~~L'idée~~ est ~~d'attribuer~~ les annotations en utilisant la similarité entre les données annotées et les données non-annotées.		L’apprentissage semi-supervisé consiste à entraîner un modèle d’apprentissage sur un jeu de données partiellement annoté qui comporte quelques données annotées et beaucoup de données non annotées. L’idée est d’attribuer les annotations en utilisant la similarité entre les données annotées et les données non annotées.

	~~L'apprentissage~~ semi-supervisé se situe ainsi entre ~~l'apprentissage~~ supervisé qui ~~n'utilise~~ que des données annotées et ~~l'apprentissage~~ non-supervisé qui ~~n'emploie~~ que des données non-annotées. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.		L’apprentissage semi-supervisé se situe ainsi entre l’apprentissage supervisé qui n’utilise que des données annotées et l’apprentissage non supervisé qui n’emploie que des [[Données non étiquetées\|données non annotées]]. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.

	==Compléments==		==Compléments==
Ligne 24 :		Ligne 24 :
	Source: Marc Lucea. ''Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles''.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943>		Source: Marc Lucea. ''Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles''.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943>

	* [https://fr.wikipedia.org/wiki/Apprentissage_semi-supervis%C3%A9 Source: Wikipédia, ''Apprentissage semi-supervisé'']		*[https://fr.wikipedia.org/wiki/Apprentissage_semi-supervis%C3%A9 Source: Wikipédia, ''Apprentissage semi-supervisé'']

	Source: Bisson, Valentin (2012). ''Algorithmes d’apprentissage pour la recommandation'', thèse de doctorat, Université de Montréal, 96 pages.		Source: Bisson, Valentin (2012). ''Algorithmes d’apprentissage pour la recommandation'', thèse de doctorat, Université de Montréal, 96 pages.
Ligne 44 :		Ligne 44 :
	* [https://www.youtube.com/watch?v=OMRlnKupsXM Semi-Supervised Learning] -->		* [https://www.youtube.com/watch?v=OMRlnKupsXM Semi-Supervised Learning] -->
	<br></div><br><br>		<br></div><br><br>



	[[Catégorie:Termino 2019]]		[[Catégorie:Termino 2019]]
	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]

Pitpitt le 19 août 2022 à 19:58

2022-08-19T19:58:46Z

← Version précédente		Version du 19 août 2022 à 15:58
Ligne 31 :		Ligne 31 :

	</small><br> <div style="border:2px solid #336699; background: #f6f6f6; padding: 1em; margin-bottom:1em; width: 90%;"><html><a href="https://datafranca.org/wiki/Cat%C3%A9gorie:101"><img src="https://datafranca.org/images/icone-101-mots.png" width="250"></a></html>		</small><br> <div style="border:2px solid #336699; background: #f6f6f6; padding: 1em; margin-bottom:1em; width: 90%;"><html><a href="https://datafranca.org/wiki/Cat%C3%A9gorie:101"><img src="https://datafranca.org/images/icone-101-mots.png" width="250"></a></html>
			<!--
	===Compléments vidéos===		===Compléments vidéos===
	* [https://www.youtube.com/watch?v=ROIHIjQ-vdE Semi-Supervised Autoencoders]		* [https://www.youtube.com/watch?v=ROIHIjQ-vdE Semi-Supervised Autoencoders]
Ligne 41 :		Ligne 42 :
	* [https://www.youtube.com/watch?v=PXOhi6m09bA Semi-Supervised Learning and Unsupervised Distribution Alignment]		* [https://www.youtube.com/watch?v=PXOhi6m09bA Semi-Supervised Learning and Unsupervised Distribution Alignment]
	* [https://www.youtube.com/watch?v=iQnBUHrihRo Introduction to Semi Supervised Learning]		* [https://www.youtube.com/watch?v=iQnBUHrihRo Introduction to Semi Supervised Learning]
	* [https://www.youtube.com/watch?v=OMRlnKupsXM Semi-Supervised Learning]		* [https://www.youtube.com/watch?v=OMRlnKupsXM Semi-Supervised Learning] -->
	<br></div><br><br>		<br></div><br><br>

Claude COULOMBE le 4 août 2022 à 02:42

2022-08-04T02:42:07Z

← Version précédente		Version du 3 août 2022 à 22:42
Ligne 5 :		Ligne 5 :
	L'apprentissage semi-supervisé se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données annotées et l'apprentissage non-supervisé qui n'emploie que des données non-annotées. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.		L'apprentissage semi-supervisé se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données annotées et l'apprentissage non-supervisé qui n'emploie que des données non-annotées. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.

	~~<hr/>~~		==Compléments==
	~~Complément:~~

	Par exemple, un algorithme non-supervisé de groupement identifie des groupes, puis il attribue une étiquette à chacun des groupes pour ensuite étiqueter tous les membres de chacun de ces groupes.		Par exemple, un algorithme non-supervisé de groupement identifie des groupes, puis il attribue une étiquette à chacun des groupes pour ensuite étiqueter tous les membres de chacun de ces groupes.

Pitpitt le 4 août 2022 à 00:07

2022-08-04T00:07:54Z

← Version précédente		Version du 3 août 2022 à 20:07
Ligne 45 :		Ligne 45 :
	<br></div><br><br>		<br></div><br><br>

	~~[[Catégorie:Intelligence artificielle]]~~
	~~[[Catégorie:Apprentissage automatique]]~~

	[[Catégorie:Termino 2019]]		[[Catégorie:Termino 2019]]
	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]
	~~[[Catégorie:apprentissage automatique]]~~
	~~[[Catégorie:PUBLICATION]]~~

Claude COULOMBE le 3 août 2022 à 23:26

2022-08-03T23:26:58Z

← Version précédente		Version du 3 août 2022 à 19:26
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==

	L'apprentissage semi-supervisé (semi-supervised learning) consiste à entraîner un modèle d'apprentissage sur un jeu de données ~~comportant~~ quelques données annotées et beaucoup de données non-annotées. L'idée est d'attribuer les annotations en utilisant la similarité entre les données annotées et les données non-annotées.		L'apprentissage semi-supervisé (semi-supervised learning) consiste à entraîner un modèle d'apprentissage sur un jeu de données partiellement annoté qui comporte quelques données annotées et beaucoup de données non-annotées. L'idée est d'attribuer les annotations en utilisant la similarité entre les données annotées et les données non-annotées.

	L'apprentissage semi-supervisé se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données ~~annotée~~ et l'apprentissage non supervisé qui ~~ne se sert~~ que des données non annotées. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (~~très~~ coûteuse et chronophage) de l’annotation manuelle.		L'apprentissage semi-supervisé se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données annotées et l'apprentissage non-supervisé qui n'emploie que des données non-annotées. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.

	<hr/>		<hr/>
	Complément:		Complément:

	~~Algorithme d'apprentissage à partir de données partiellement étiquetées qui exploite la similarité entre les données pour leur attribuer des étiquettes.~~		Par exemple, un algorithme non-supervisé de groupement identifie des groupes, puis il attribue une étiquette à chacun des groupes pour ensuite étiqueter tous les membres de chacun de ces groupes.

	~~Note: par~~ exemple, un algorithme non-supervisé de ~~groupage~~ identifie des groupes, puis on attribue une étiquette à chacun des groupes pour étiqueter tous les ~~autres~~ membres de chacun de ces groupes

	==Français==		==Français==

Claude COULOMBE le 3 août 2022 à 23:19

2022-08-03T23:19:27Z

@@ Ligne 1 : / Ligne 1 : @@
 Algorithme d'apprentissage à partir de données partiellement étiquetées qui exploite la similarité entre les données pour leur attribuer des étiquettes.
@@ Ligne 39 : / Ligne 46 : @@
 * [https://www.youtube.com/watch?v=OMRlnKupsXM   Semi-Supervised Learning]
 <br></div><br><br>
 [[Catégorie:Intelligence artificielle]]
@@ Ligne 47 : / Ligne 53 : @@
 [[Catégorie:GRAND LEXIQUE FRANÇAIS]]
 [[Catégorie:101]]

Pitpitt : Pitpitt a déplacé la page Apprentissage semi-dirigé vers Apprentissage semi-supervisé

2022-07-28T19:25:44Z

Pitpitt a déplacé la page Apprentissage semi-dirigé vers Apprentissage semi-supervisé

← Version précédente	Version du 28 juillet 2022 à 15:25
(Aucune différence)