« Classificateur tangentiel entre variétés » : différence entre les versions
m (Remplacement de texte — « == Domaine == » par « == en construction == <small>Entrez ici les domaines et catégories...</small> ») |
Aucun résumé des modifications |
||
| (13 versions intermédiaires par 3 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
.. | Un classificateur tangent de variété est un algorithme d’apprentissage automatique qui utilise des auto-encodeurs contractifs (CAE) pour extraire des caractéristiques non linéaires d’un ensemble de données, et qui exploite les directions tangentes apprises pour effectuer une classification semi-supervisée ou supervisée. L’idée est de capturer la structure géométrique locale de la variété sous-jacente aux données, et de mesurer la distance entre les points en tenant compte de cette structure. | ||
== Français == | == Français == | ||
''' | '''Classificateur tangentiel entre variétés''' | ||
== Anglais == | == Anglais == | ||
''' | '''Manifold Tangent Classifier''' | ||
==Sources== | |||
[https://www.apprentissageprofond.org/ Source : ''L'apprentissage profond'', Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 ] | |||
[https://www. | |||
[https://wiki.math.uwaterloo.ca/statwiki/index.php?title=the_Manifold_Tangent_Classifier Source : WikiMath] | |||
[[Catégorie:GRAND LEXIQUE FRANÇAIS]] | |||
Dernière version du 13 février 2024 à 17:07
Définition
Un classificateur tangent de variété est un algorithme d’apprentissage automatique qui utilise des auto-encodeurs contractifs (CAE) pour extraire des caractéristiques non linéaires d’un ensemble de données, et qui exploite les directions tangentes apprises pour effectuer une classification semi-supervisée ou supervisée. L’idée est de capturer la structure géométrique locale de la variété sous-jacente aux données, et de mesurer la distance entre les points en tenant compte de cette structure.
Français
Classificateur tangentiel entre variétés
Anglais
Manifold Tangent Classifier
Sources
Source : L'apprentissage profond, Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018
Contributeurs: Jacques Barolet, Marie Alfaro, wiki
