« Réduction de dimensions » : différence entre les versions


m (Remplacement de texte — « Termes privilégiés » par « Français »)
(Ajustement de quelques sections de la fiche.)
Balise : Éditeur de wikicode 2017
Ligne 1 : Ligne 1 :


== Domaine ==
== Domaine ==
[[Category:Vocabulary]]
[[Category:Vocabulaire]]
[[Category:Intelligence artificielle]]Intelligence artificielle<br />
[[Category:Apprentissage profond]]Apprentissage profond<br>
[[Category:Termino 2019]]
[[Category:Scotty]]
   
   
== Définition ==
== Définition ==
 
Processus qui consiste à prendre des données dans un espace de grande dimension et à les remplacer par des données dans un espace de plus petite dimension.


   
   


== Français ==
== Français ==
 
'''réduction de dimensions'''
   
   
   
   
Ligne 16 : Ligne 21 :
== Anglais ==
== Anglais ==


=== Dimensionality reduction ===
'''dimensionality reduction'''
In statistics, machine learning and information theory, dimensionality reduction or dimension reduction is the process of reducing the number of random variables under consideration[1] by obtaining a set of principal variables. It can be divided into feature selection and feature extraction.[2]
 
 
In statistics, machine learning and information theory, dimensionality reduction or dimension reduction is the process of reducing the number of random variables under consideration by obtaining a set of principal variables. It can be divided into feature selection and feature extraction.


<br/>
<br/>
<br/>
<br/>
<br/>
<br/>
<br/>
<br/>
<br/>

Version du 3 juin 2019 à 19:38

Domaine

Intelligence artificielle
Apprentissage profond


Définition

Processus qui consiste à prendre des données dans un espace de grande dimension et à les remplacer par des données dans un espace de plus petite dimension.


Français

réduction de dimensions



Anglais

dimensionality reduction


In statistics, machine learning and information theory, dimensionality reduction or dimension reduction is the process of reducing the number of random variables under consideration by obtaining a set of principal variables. It can be divided into feature selection and feature extraction.