Quantification de l’incertitude - Historique des versions

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

2024-01-28T16:35:43Z

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

← Version précédente		Version du 28 janvier 2024 à 12:35
Ligne 8 :		Ligne 8 :
	'''Uncertainty Quantification'''		'''Uncertainty Quantification'''

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

	[https://www.kdnuggets.com/2020/12/20-core-data-science-concepts-beginners.html source:kdnuggets.com ]		[https://www.kdnuggets.com/2020/12/20-core-data-science-concepts-beginners.html source:kdnuggets.com ]

Pitpitt le 12 janvier 2021 à 16:44

2021-01-12T16:44:08Z

← Version précédente		Version du 12 janvier 2021 à 12:44
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==
	Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés.		Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R<sup>2</sup> sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.

	En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R<sup>2</sup> sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.

	==Français==		==Français==

Pitpitt le 12 janvier 2021 à 16:43

2021-01-12T16:43:24Z

← Version précédente		Version du 12 janvier 2021 à 12:43
Ligne 1 :		Ligne 1 :
			==Définition==
			Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés.

	~~==en construction==~~		En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R<sup>2</sup> sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.

	~~==Définition==~~
	Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R<sup>2</sup> sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.

	==Français==		==Français==
Ligne 18 :		Ligne 17 :


	~~[[Category:Vocabulary]]~~		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
	~~[[Catégorie:Vocabulaire]]~~
	~~[[Catégorie:sihem]]~~
	[[Catégorie:9]]

Pitpitt le 12 janvier 2021 à 14:54

2021-01-12T14:54:55Z

← Version précédente		Version du 12 janvier 2021 à 10:54
Ligne 3 :		Ligne 3 :

	==Définition==		==Définition==
	Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R2 sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.		Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R<sup>2</sup> sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.

	==Français==		==Français==

Sihem le 12 janvier 2021 à 02:51

2021-01-12T02:51:21Z

← Version précédente		Version du 11 janvier 2021 à 22:51
Ligne 21 :		Ligne 21 :
	[[Catégorie:Vocabulaire]]		[[Catégorie:Vocabulaire]]
	[[Catégorie:sihem]]		[[Catégorie:sihem]]
			[[Catégorie:9]]

Sihem le 12 janvier 2021 à 02:50

2021-01-12T02:50:47Z

← Version précédente		Version du 11 janvier 2021 à 22:50
Ligne 3 :		Ligne 3 :

	==Définition==		==Définition==
			Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R2 sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.
	Chaque algorithme ~~d'apprentissage~~ automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score ~~R<sup>2</sup>~~ sont des variables ~~aléatoires et~~ il ~~est donc~~ nécessaire d’estimer le degré d’incertitude du modèle.

	==Français==		==Français==

Pitpitt le 5 janvier 2021 à 13:53

2021-01-05T13:53:04Z

← Version précédente		Version du 5 janvier 2021 à 09:53
Ligne 4 :		Ligne 4 :
	==Définition==		==Définition==

	Chaque algorithme d'apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R2 sont des variables aléatoires et il est donc nécessaire d’estimer le degré d’incertitude du modèle.		Chaque algorithme d'apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R<sup>2</sup> sont des variables aléatoires et il est donc nécessaire d’estimer le degré d’incertitude du modèle.

	==Français==		==Français==

Pitpitt le 5 janvier 2021 à 12:59

2021-01-05T12:59:09Z

← Version précédente		Version du 5 janvier 2021 à 08:59
Ligne 22 :		Ligne 22 :
	[[Catégorie:Vocabulaire]]		[[Catégorie:Vocabulaire]]
	[[Catégorie:sihem]]		[[Catégorie:sihem]]
	~~[[Category:scotty]]~~

Pitpitt le 5 janvier 2021 à 01:35

2021-01-05T01:35:55Z

← Version précédente		Version du 4 janvier 2021 à 21:35
Ligne 3 :		Ligne 3 :

	==Définition==		==Définition==
	Il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R2 sont des variables aléatoires et il est donc nécessaire d’estimer le degré d’incertitude du modèle.
			Chaque algorithme d'apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R2 sont des variables aléatoires et il est donc nécessaire d’estimer le degré d’incertitude du modèle.

	==Français==		==Français==

Pitpitt : Pitpitt a déplacé la page Uncertainty Quantification vers Quantification de l’incertitude

2021-01-05T01:32:14Z

Pitpitt a déplacé la page Uncertainty Quantification vers Quantification de l’incertitude

← Version précédente	Version du 4 janvier 2021 à 21:32
(Aucune différence)