Machine à apprentissage extrême - Historique des versions

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

2024-01-28T15:03:18Z

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

← Version précédente		Version du 28 janvier 2024 à 11:03
Ligne 23 :		Ligne 23 :
	'''ELM'''		'''ELM'''

	~~<small>~~
			==Sources==

	[https://en.wikipedia.org/wiki/Extreme_learning_machine Source : Wikipedia Machine Learning ]		[https://en.wikipedia.org/wiki/Extreme_learning_machine Source : Wikipedia Machine Learning ]

Pitpitt le 25 février 2023 à 23:17

2023-02-25T23:17:02Z

← Version précédente		Version du 25 février 2023 à 19:17
Ligne 31 :		Ligne 31 :
	[https://definir-tech.com/machine-dapprentissage-extreme-orme/ Source : Definir-tech.com ]		[https://definir-tech.com/machine-dapprentissage-extreme-orme/ Source : Definir-tech.com ]

	[[Catégorie:~~Wikipedia-IA‎]]~~		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
	~~[[Catégorie:PUBLICATION~~]]

Patrickdrouin le 11 octobre 2022 à 19:25

2022-10-11T19:25:13Z

← Version précédente		Version du 11 octobre 2022 à 15:25
Ligne 32 :		Ligne 32 :

	[[Catégorie:Wikipedia-IA‎]]		[[Catégorie:Wikipedia-IA‎]]
			[[Catégorie:PUBLICATION]]

Claude COULOMBE le 5 octobre 2022 à 17:55

2022-10-05T17:55:12Z

← Version précédente		Version du 5 octobre 2022 à 13:55
Ligne 1 :		Ligne 1 :
	== Définition ==		== Définition ==
	La machine à apprentissage extrême est une architecture non-bouclée de réseau de neurones avec une unique couche cachée de neurones (genre perceptron) qui sont connectés aux entrées par des poids aléatoires non entraînés ~~et dont les~~ poids de sortie sont calculés analytiquement.		La machine à apprentissage extrême est une architecture non-bouclée de réseau de neurones avec une unique couche cachée de neurones (genre perceptron) qui sont connectés aux entrées par des poids aléatoires non entraînés. Les poids de sortie sont calculés directement (sans itération) et analytiquement.

	==Compléments==		==Compléments==

Claude COULOMBE le 5 octobre 2022 à 17:53

2022-10-05T17:53:18Z

← Version précédente		Version du 5 octobre 2022 à 13:53
Ligne 3 :		Ligne 3 :

	==Compléments==		==Compléments==
	Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose. Il s'agit donc d'un calcul linéaire non itératif pour les poids de sortie ce qui accélère grandement le temps de calcul, car il n'y a pas de dépendance entre les poids d'entrée et de sortie comme dans la procédure d'~~apprentissage~~ par rétropropagation.		Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose. Il s'agit donc d'un calcul linéaire non itératif pour les poids de sortie ce qui accélère grandement le temps de calcul, car il n'y a pas de dépendance entre les poids d'entrée et de sortie comme dans la procédure d'entraînement par rétropropagation.

	L'architecture initiale qui ne comprenait qu'une seule couche cachée a été étendue à des réseaux multicouches.		L'architecture initiale qui ne comprenait qu'une seule couche cachée a été étendue à des réseaux multicouches.

Claude COULOMBE le 5 octobre 2022 à 17:32

2022-10-05T17:32:57Z

← Version précédente		Version du 5 octobre 2022 à 13:32
Ligne 1 :		Ligne 1 :
	== Définition ==		== Définition ==
	La machine à apprentissage extrême est une architecture non-bouclée de réseau de neurones avec une unique couche cachée de neurones (genre perceptron) ~~connectée~~ aux entrées par des poids aléatoires non entraînés et dont les poids de sortie sont calculés analytiquement.		La machine à apprentissage extrême est une architecture non-bouclée de réseau de neurones avec une unique couche cachée de neurones (genre perceptron) qui sont connectés aux entrées par des poids aléatoires non entraînés et dont les poids de sortie sont calculés analytiquement.

	==Compléments==		==Compléments==

Claude COULOMBE le 5 octobre 2022 à 17:28

2022-10-05T17:28:36Z

← Version précédente		Version du 5 octobre 2022 à 13:28
Ligne 3 :		Ligne 3 :

	==Compléments==		==Compléments==
	Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose. Il s'agit donc d'~~une~~ calcul linéaire non itératif pour les poids de sortie ce qui accélère grandement le temps de calcul, car il n'y a pas de dépendance entre les poids d'entrée et de sortie comme dans la procédure d'apprentissage par rétropropagation.		Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose. Il s'agit donc d'un calcul linéaire non itératif pour les poids de sortie ce qui accélère grandement le temps de calcul, car il n'y a pas de dépendance entre les poids d'entrée et de sortie comme dans la procédure d'apprentissage par rétropropagation.

	L'architecture initiale qui ne comprenait qu'une seule couche cachée a été étendue à des réseaux multicouches.		L'architecture initiale qui ne comprenait qu'une seule couche cachée a été étendue à des réseaux multicouches.

Claude COULOMBE le 5 octobre 2022 à 17:27

2022-10-05T17:27:03Z

← Version précédente		Version du 5 octobre 2022 à 13:27
Ligne 3 :		Ligne 3 :

	==Compléments==		==Compléments==
	Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose.		Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose. Il s'agit donc d'une calcul linéaire non itératif pour les poids de sortie ce qui accélère grandement le temps de calcul, car il n'y a pas de dépendance entre les poids d'entrée et de sortie comme dans la procédure d'apprentissage par rétropropagation.

	L'architecture initiale qui ne comprenait qu'une seule couche cachée a été étendue à des réseaux multicouches.		L'architecture initiale qui ne comprenait qu'une seule couche cachée a été étendue à des réseaux multicouches.

Claude COULOMBE le 5 octobre 2022 à 17:19

2022-10-05T17:19:38Z

← Version précédente		Version du 5 octobre 2022 à 13:19
Ligne 4 :		Ligne 4 :
	==Compléments==		==Compléments==
	Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose.		Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose.

			L'architecture initiale qui ne comprenait qu'une seule couche cachée a été étendue à des réseaux multicouches.

	La machine à apprentissage extrême est un sujet controversé sur le plan de l'appellation « extrême » et de la réinvention de principes scientifiques sans citer les sources des travaux antérieurs. Notons que cette architecture n'est pas d'usage répandu en 2022 alors qu'elle a été inventée vers 2005.		La machine à apprentissage extrême est un sujet controversé sur le plan de l'appellation « extrême » et de la réinvention de principes scientifiques sans citer les sources des travaux antérieurs. Notons que cette architecture n'est pas d'usage répandu en 2022 alors qu'elle a été inventée vers 2005.

Claude COULOMBE le 5 octobre 2022 à 17:16

2022-10-05T17:16:11Z

← Version précédente		Version du 5 octobre 2022 à 13:16
Ligne 5 :		Ligne 5 :
	Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose.		Le calcul analytique des poids de sortie utilise une matrice pseudo-inverse de Moore-Penrose.

	La machine à apprentissage extrême est un sujet controversé sur le plan de l'appellation « extrême » et de la réinvention sans citer les sources des travaux antérieurs. Notons que cette architecture n'est pas d'usage répandu en 2022 alors qu'elle a été inventée vers 2005.		La machine à apprentissage extrême est un sujet controversé sur le plan de l'appellation « extrême » et de la réinvention de principes scientifiques sans citer les sources des travaux antérieurs. Notons que cette architecture n'est pas d'usage répandu en 2022 alors qu'elle a été inventée vers 2005.

	== Français ==		== Français ==