Biais - Historique des versions

Arianne le 8 décembre 2025 à 16:57

2025-12-08T16:57:54Z

← Version précédente		Version du 8 décembre 2025 à 12:57
Ligne 7 :		Ligne 7 :
	# Biais statistique: Erreur entre la valeur statistique d’un [[échantillon]] et la vraie valeur de la [[population]]. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.		# Biais statistique: Erreur entre la valeur statistique d’un [[échantillon]] et la vraie valeur de la [[population]]. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.
	# Biais d’un [[Algorithme d'apprentissage\|algorithme d’apprentissage automatique]] ou biais de modélisation : Erreur provenant du choix d’un [[algorithme]] ou d’un [[modèle d’apprentissage]].		# Biais d’un [[Algorithme d'apprentissage\|algorithme d’apprentissage automatique]] ou biais de modélisation : Erreur provenant du choix d’un [[algorithme]] ou d’un [[modèle d’apprentissage]].
	# Poids ou paramètre, appelé biais : [[Poids]] ajouté à l’entrée d’un [[classificateur]], par exemple à un [[neurone]] afin d'ajouter un [[degré de liberté]].		# Poids ou paramètre, appelé biais : [[Poids]] ajouté à l’entrée d’un [[classificateur]], par exemple à un [[neurone artificiel]] afin d'ajouter un [[degré de liberté]].

	==Compléments==		==Compléments==

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

2025-09-24T00:56:42Z

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

← Version précédente		Version du 23 septembre 2025 à 20:56
Ligne 25 :		Ligne 25 :

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

	''''' sesgo algorítmico '''''		''''' sesgo algorítmico '''''

Jean-Sébastien Zavalone le 23 juillet 2025 à 14:48

2025-07-23T14:48:00Z

← Version précédente		Version du 23 juillet 2025 à 10:48
Ligne 23 :		Ligne 23 :

	''' bias '''		''' bias '''

			==Español==

			''''' sesgo algorítmico '''''

			''Existen al menos cinco usos distintos de la palabra sesgo en inteligencia artificial. Por orden, del más general al más específico:''

			''1. Sesgo en los datos: En términos prácticos, significa que los datos no se ajustan a la distribución estadística de los datos en el fenómeno estudiado. En términos éticos, se observa sesgo en los datos cuando éstos no se ajustan a la norma social establecida. Por ejemplo, un conjunto de datos puede contener sesgos sexistas o racistas.''

			''2. Sesgo de selección en la elección de los datos : Alteración sistemática de una muestra estadística causada por un procedimiento de selección incorrecto. Por ejemplo, los participantes en una encuesta en línea suelen ser personas mejor equipadas tecnológicamente. Las personas mayores, las que viven en zonas remotas, las minorías visibles y las personas con bajos ingresos tienden a estar infrarrepresentadas.''

			''3. Sesgo estadístico: error entre el valor estadístico de una muestra y el valor real de la población. Una muestra es más o menos
			representativa de la población en función de su tamaño y de la técnica de muestreo utilizada.''

			''4. Sesgo de un algoritmo de aprendizaje automático o sesgo de modelización: Error resultante de la elección de un algoritmo o de un aprendizaje automático.''

			''5. Peso o parámetro, denominado sesgo: peso que se añade a la entrada de un clasificador, por ejemplo a una neurona, para añadir un grado de libertad.''

	==Sources==		==Sources==

Jean-Sébastien Zavalone : Remplacement de texte : « 
{{Modèle:101}}
 » par « {{Modèle:101}} »

2025-07-21T20:34:33Z

Remplacement de texte : « </small><br> {{Modèle:101}}<br> » par « {{Modèle:101}} »

← Version précédente		Version du 21 juillet 2025 à 16:34
Ligne 29 :		Ligne 29 :
	[https://dataanalyticspost.com/Lexique/biais/ Source : Data Analytics Post]		[https://dataanalyticspost.com/Lexique/biais/ Source : Data Analytics Post]

	~~</small><br>~~ {{Modèle:101}}~~<br>~~		{{Modèle:101}}
	{{Modèle:GDT}}		{{Modèle:GDT}}

Arianne le 13 janvier 2025 à 15:35

2025-01-13T15:35:21Z

← Version précédente		Version du 13 janvier 2025 à 11:35
Ligne 6 :		Ligne 6 :
	# Biais de sélection dans le choix des données : Altération systématique d’un échantillon statistique causée par une procédure de choix / sélection incorrecte. Par exemple, les répondants à un sondage en ligne regroupent typiquement des personnes mieux équipées en technologie. Les aînés, les personnes en région éloignée, les minorités visibles et les personnes à faibles revenus ont tendance à y être sous-représentés.		# Biais de sélection dans le choix des données : Altération systématique d’un échantillon statistique causée par une procédure de choix / sélection incorrecte. Par exemple, les répondants à un sondage en ligne regroupent typiquement des personnes mieux équipées en technologie. Les aînés, les personnes en région éloignée, les minorités visibles et les personnes à faibles revenus ont tendance à y être sous-représentés.
	# Biais statistique: Erreur entre la valeur statistique d’un [[échantillon]] et la vraie valeur de la [[population]]. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.		# Biais statistique: Erreur entre la valeur statistique d’un [[échantillon]] et la vraie valeur de la [[population]]. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.
	# Biais d’un algorithme d’apprentissage automatique ou biais de modélisation : Erreur provenant du choix d’un [[algorithme]] ou d’un [[modèle d’apprentissage]].		# Biais d’un [[Algorithme d'apprentissage\|algorithme d’apprentissage automatique]] ou biais de modélisation : Erreur provenant du choix d’un [[algorithme]] ou d’un [[modèle d’apprentissage]].
	# Poids ou paramètre, appelé biais : [[Poids]] ajouté à l’entrée d’un [[classificateur]], par exemple à un [[neurone]] afin d'ajouter un [[degré de liberté]].		# Poids ou paramètre, appelé biais : [[Poids]] ajouté à l’entrée d’un [[classificateur]], par exemple à un [[neurone]] afin d'ajouter un [[degré de liberté]].

Arianne le 12 janvier 2025 à 03:08

2025-01-12T03:08:28Z

← Version précédente		Version du 11 janvier 2025 à 23:08
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==

	Il existe au moins cinq usages distincts du mot biais en intelligence artificielle. En ordre, du plus général au plus spécifique :		Il existe au moins cinq usages distincts du mot biais en [[intelligence artificielle]]. En ordre, du plus général au plus spécifique :

	# Biais dans les données : Concrètement, cela signifie que les données ne sont pas conformes à la distribution statistique des données dans le phénomène étudié. Sur le plan éthique, un biais dans les données est observé lorsque les données ne sont pas conformes à la norme sociale établie. Par exemple, un jeu de données peut renfermer des biais sexistes ou racistes.		# Biais dans les données : Concrètement, cela signifie que les données ne sont pas conformes à la distribution statistique des données dans le phénomène étudié. Sur le plan éthique, un biais dans les données est observé lorsque les données ne sont pas conformes à la norme sociale établie. Par exemple, un [[jeu de données]] peut renfermer des biais sexistes ou racistes.
	# Biais de sélection dans le choix des données : Altération systématique d’un échantillon statistique causée par une procédure de choix / sélection incorrecte. Par exemple, les répondants à un sondage en ligne regroupent typiquement des personnes mieux équipées en technologie. Les aînés, les personnes en région éloignée, les minorités visibles et les personnes à faibles revenus ont tendance à y être sous-représentés.		# Biais de sélection dans le choix des données : Altération systématique d’un échantillon statistique causée par une procédure de choix / sélection incorrecte. Par exemple, les répondants à un sondage en ligne regroupent typiquement des personnes mieux équipées en technologie. Les aînés, les personnes en région éloignée, les minorités visibles et les personnes à faibles revenus ont tendance à y être sous-représentés.
	# Biais statistique: Erreur entre la valeur statistique d’un échantillon et la vraie valeur de la population. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.		# Biais statistique: Erreur entre la valeur statistique d’un [[échantillon]] et la vraie valeur de la [[population]]. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.
	# Biais d’un algorithme d’apprentissage automatique ou biais de modélisation : ~~Le biais désigne l’erreur~~ provenant du choix d’un algorithme ou d’un modèle d’apprentissage.		# Biais d’un algorithme d’apprentissage automatique ou biais de modélisation : Erreur provenant du choix d’un [[algorithme]] ou d’un [[modèle d’apprentissage]].
	# Poids ou paramètre, appelé biais : ~~Un poids est~~ ajouté à l’entrée d’un classificateur, par exemple à un neurone~~, pour~~ ajouter un degré de liberté.		# Poids ou paramètre, appelé biais : [[Poids]] ajouté à l’entrée d’un [[classificateur]], par exemple à un [[neurone]] afin d'ajouter un [[degré de liberté]].

	==Compléments==		==Compléments==

Pitpitt le 5 janvier 2025 à 16:24

2025-01-05T16:24:23Z

← Version précédente		Version du 5 janvier 2025 à 12:24
Ligne 4 :		Ligne 4 :

	# Biais dans les données : Concrètement, cela signifie que les données ne sont pas conformes à la distribution statistique des données dans le phénomène étudié. Sur le plan éthique, un biais dans les données est observé lorsque les données ne sont pas conformes à la norme sociale établie. Par exemple, un jeu de données peut renfermer des biais sexistes ou racistes.		# Biais dans les données : Concrètement, cela signifie que les données ne sont pas conformes à la distribution statistique des données dans le phénomène étudié. Sur le plan éthique, un biais dans les données est observé lorsque les données ne sont pas conformes à la norme sociale établie. Par exemple, un jeu de données peut renfermer des biais sexistes ou racistes.
	# Biais de sélection dans le choix des données : ~~altération~~ systématique d’un échantillon statistique causée par une procédure de choix / sélection incorrecte. Par exemple, les répondants à un sondage en ligne regroupent typiquement des personnes mieux équipées en technologie. Les aînés, les personnes en région éloignée, les minorités visibles et les personnes à faibles revenus ont tendance à y être sous-représentés.		# Biais de sélection dans le choix des données : Altération systématique d’un échantillon statistique causée par une procédure de choix / sélection incorrecte. Par exemple, les répondants à un sondage en ligne regroupent typiquement des personnes mieux équipées en technologie. Les aînés, les personnes en région éloignée, les minorités visibles et les personnes à faibles revenus ont tendance à y être sous-représentés.
	# Biais statistique. Erreur entre la valeur statistique d’un échantillon et la vraie valeur de la population. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.		# Biais statistique: Erreur entre la valeur statistique d’un échantillon et la vraie valeur de la population. En effet, un échantillon est plus ou moins représentatif de la population en fonction de sa taille et de la technique d’échantillonnage.
	# Biais d’un algorithme d’apprentissage automatique ou biais de modélisation. Le biais désigne l’erreur provenant du choix d’un algorithme ou d’un modèle d’apprentissage.		# Biais d’un algorithme d’apprentissage automatique ou biais de modélisation : Le biais désigne l’erreur provenant du choix d’un algorithme ou d’un modèle d’apprentissage.
	# Poids ou paramètre appelé biais. Un poids est ajouté à l’entrée d’un classificateur, par exemple à un neurone, pour ajouter un degré de liberté.		# Poids ou paramètre, appelé biais : Un poids est ajouté à l’entrée d’un classificateur, par exemple à un neurone, pour ajouter un degré de liberté.

	==Compléments==		==Compléments==

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

2024-08-30T19:05:57Z

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

← Version précédente		Version du 30 août 2024 à 15:05
Ligne 23 :		Ligne 23 :

	''' bias '''		''' bias '''

	==Sources==		==Sources==

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

2024-01-29T15:39:30Z

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

← Version précédente		Version du 29 janvier 2024 à 11:39
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==


	Il existe au moins cinq usages distincts du mot biais en intelligence artificielle. En ordre, du plus général au plus spécifique :		Il existe au moins cinq usages distincts du mot biais en intelligence artificielle. En ordre, du plus général au plus spécifique :

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

2024-01-29T14:10:06Z

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

← Version précédente		Version du 29 janvier 2024 à 10:10
Ligne 24 :		Ligne 24 :

	''' bias '''		''' bias '''


	==Sources==		==Sources==

Biais - Historique des versions

Arianne le 8 décembre 2025 à 16:57

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

Jean-Sébastien Zavalone le 23 juillet 2025 à 14:48

Jean-Sébastien Zavalone : Remplacement de texte : « {{Modèle:101}} » par « {{Modèle:101}} »