« Divergence contractive persistante » : différence entre les versions
(Page créée avec « == en construction == Catégorie:Vocabulaire Catégorie:App-profond-livre Catégorie:Apprentissage profond == Définition == ... == Français == '''Diverge... ») Balise : Éditeur de wikicode 2017 |
m (Remplacement de texte : « ↵↵↵==Sources== » par « ==Sources== ») |
||
| (8 versions intermédiaires par 3 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
... | La divergence contractive persistante est une méthode d’apprentissage pour les machines de Boltzmann restreintes, qui sont des modèles probabilistes non supervisés utilisés pour l’apprentissage profond. La divergence contractive persistante est une variante de la divergence contractive, qui est une approximation de la vraisemblance du modèle. Elle utilise un échantillonnage de Gibbs plus long pour réduire le biais de l’approximation. | ||
== Français == | == Français == | ||
| Ligne 13 : | Ligne 8 : | ||
'''Persistant contractive divergence''' | '''Persistant contractive divergence''' | ||
==Sources== | |||
[https://www. | [https://www.apprentissageprofond.org/ Source : ''L'apprentissage profond'', Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 ] | ||
[https://datascience.stackexchange.com/questions/30186/understanding-contrastive-divergence Source : DataScience ] | |||
[[Catégorie:Apprentissage profond]] | |||
[[Catégorie:GRAND LEXIQUE FRANÇAIS]] | |||
Dernière version du 29 janvier 2024 à 11:13
Définition
La divergence contractive persistante est une méthode d’apprentissage pour les machines de Boltzmann restreintes, qui sont des modèles probabilistes non supervisés utilisés pour l’apprentissage profond. La divergence contractive persistante est une variante de la divergence contractive, qui est une approximation de la vraisemblance du modèle. Elle utilise un échantillonnage de Gibbs plus long pour réduire le biais de l’approximation.
Français
Divergence contractive persistante
Anglais
Persistant contractive divergence
Sources
Source : L'apprentissage profond, Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 Source : DataScience
Contributeurs: Jacques Barolet, Marie Alfaro, wiki
