« MNIST » : différence entre les versions
m (Remplacement de texte — « Termes privilégiés » par « Français ») |
(Nouveau terme) Balise : Éditeur de wikicode 2017 |
||
Ligne 1 : | Ligne 1 : | ||
== Domaine == | == Domaine == | ||
[[Category:Vocabulary]] | [[Category:Vocabulary]]Vocabulary</br> | ||
[[Catégorie:Apprentissage automatique]]Apprentissage automatique</br> | |||
[[Catégorie:Apprentissage profond]] Apprentissage profond | [[Catégorie:Apprentissage profond]]Apprentissage profond</br> | ||
[[Catégorie:Coulombe]]Coulombe</br> | |||
[[Catégorie:Scotty]]</br> | |||
== Définition == | == Définition == | ||
MNIST (Modified National Institute of Standards and Technology) est un nom propre qui désigne le jeu de données d'images de chiffres manuscrits le plus utilisé en reconnaissance d'images. Il comporte 60 000 exemples pour les données d'entraînement et 10 000 exemples pour les données de test. Chaque image mesure 28 × 28 pixels. Les meilleurs algorithmes de reconnaissance obtiennent une précision de 99,5% ou plus sur l'ensemble de données de test. | |||
== Français == | |||
MNIST | |||
Source: | |||
https://en.wikipedia.org/wiki/MNIST_database | |||
== Anglais == | == Anglais == |
Version du 11 mai 2019 à 19:35
Domaine
Vocabulary
Apprentissage automatique
Apprentissage profond
Coulombe
Définition
MNIST (Modified National Institute of Standards and Technology) est un nom propre qui désigne le jeu de données d'images de chiffres manuscrits le plus utilisé en reconnaissance d'images. Il comporte 60 000 exemples pour les données d'entraînement et 10 000 exemples pour les données de test. Chaque image mesure 28 × 28 pixels. Les meilleurs algorithmes de reconnaissance obtiennent une précision de 99,5% ou plus sur l'ensemble de données de test.
Français
MNIST
Source:
https://en.wikipedia.org/wiki/MNIST_database
Anglais
MNIST
The MNIST data set is the perhaps most commonly used Image Recognition dataset. It consists of 60,000 training and 10,000 test examples of handwritten digits. Each image is 28×28 pixels large. State of the art models typically achieve accuracies of 99.5% or higher on the test set.
Contributeurs: Evan Brach, Claire Gorjux, Claude Coulombe, Jacques Barolet, wiki