« Apprentissage au fur et à mesure » : différence entre les versions


m (Patrickdrouin a déplacé la page Online learning vers Apprentissage au fur et à mesure : Ajustement du terme en entrée)
Aucun résumé des modifications
Balise : Éditeur de wikicode 2017
Ligne 12 : Ligne 12 :
   
   
== Français ==
== Français ==
'''apprentissage au fur et à mesure'''
'''apprentissage au fur et à mesure'''


Ligne 18 : Ligne 19 :
'''apprentissage par flux'''
'''apprentissage par flux'''


<poll> Choisissez parmi ces termes proposés :
apprentissage au fil des données
apprentissage au fur et à mesure
apprentissage en continu
apprentissage en ligne
apprentissage par flot
apprentissage par flot de données
apprentissage par flux
apprentissage par flux de données
apprentissage progressif
</poll>
'''Discussion: '''Pour le moment, le terme privilégié est «apprentissage progressif» <br>


À la base l'expression «online training» est ambigüe et est facilement confondue avec la formation en ligne. En anglais on trouve également les expressionS; «flow training», «data stream training» ou «data feed training». En français, on dira  «apprentissage continu» ou «en continu» ou «par flux» ou «par flux de données» ou «en flux de données», ou «par flot», par «flot de données» ou même «apprentissage progressif», «apprentissage au fur et à mesure».  
À la base l'expression «online training» est ambigüe et est facilement confondue avec la formation en ligne. En anglais on trouve également les expressionS; «flow training», «data stream training» ou «data feed training». En français, on dira  «apprentissage continu» ou «en continu» ou «par flux» ou «par flux de données» ou «en flux de données», ou «par flot», par «flot de données» ou même «apprentissage progressif», «apprentissage au fur et à mesure».  

Version du 2 juin 2019 à 15:55

Domaine


Intelligence artificielle
Apprentissage automatique

Définition

Méthode d'apprentissage où les paramètres d'un modèle sont mis à jour en fonction des nouvelles données acquises au fur et à mesure.

Français

apprentissage au fur et à mesure

apprentissage en flux

apprentissage par flux


À la base l'expression «online training» est ambigüe et est facilement confondue avec la formation en ligne. En anglais on trouve également les expressionS; «flow training», «data stream training» ou «data feed training». En français, on dira «apprentissage continu» ou «en continu» ou «par flux» ou «par flux de données» ou «en flux de données», ou «par flot», par «flot de données» ou même «apprentissage progressif», «apprentissage au fur et à mesure».

Ici encore les expressions «apprentissage continu» ou «apprentissage en continu» risquent d'être confondues avec la formation continue. A priori, «par flux de données» semblerait plus approprié. Une entrée «online learning» avec l'équivalent «apprentissage en ligne» existe dans le GDT 2008 mais pour la formation en ligne" L'expression «apprentissage en ligne» est suggérée par Aurélien Géron, trad. Anne Bohy - Machine Learning avec Scikit-Learn, mais aussi «apprentissage progressif» suggéré par Aurélien Géron, trad. Anne Bohy - Machine Learning avec Scikit-Learn

Anglais

online training

online learning

flow training

data stream training

data feed training


Online learning

In computer science, online machine learning is a method of machine learning in which data becomes available in a sequential order and is used to update our best predictor for future data at each step, as opposed to batch learning techniques which generate the best predictor by learning on the entire training data set at once. Online learning is a common technique used in areas of machine learning where it is computationally infeasible to train over the entire dataset, requiring the need of out-of-core algorithms. It is also used in situations where it is necessary for the algorithm to dynamically adapt to new patterns in the data, or when the data itself is generated as a function of time, e.g. stock price prediction. Online learning algorithms may be prone to catastrophic interference. This problem is tackled by incremental learning approaches.