« Apprentissage semi-supervisé » : différence entre les versions

Version du 3 août 2022 à 19:26

Définition

L'apprentissage semi-supervisé (semi-supervised learning) consiste à entraîner un modèle d'apprentissage sur un jeu de données partiellement annoté qui comporte quelques données annotées et beaucoup de données non-annotées. L'idée est d'attribuer les annotations en utilisant la similarité entre les données annotées et les données non-annotées.

L'apprentissage semi-supervisé se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données annotées et l'apprentissage non-supervisé qui n'emploie que des données non-annotées. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.

Complément:

Par exemple, un algorithme non-supervisé de groupement identifie des groupes, puis il attribue une étiquette à chacun des groupes pour ensuite étiqueter tous les membres de chacun de ces groupes.

Français

apprentissage semi-dirigé

apprentissage semi-supervisé

entraînement semi-supervisé

Anglais

semi-supervised learning

Source: Marc Lucea. Modélisation dynamique par réseaux de neurones et machines à vecteurs supports: contribution à la maîtrise des émissions polluantes de véhicules automobiles.. domain_other. UniversitéPierre et Marie Curie - Paris VI, 2006. Français. <pastel-00001943>

Source: Wikipédia, Apprentissage semi-supervisé

Source: Bisson, Valentin (2012). Algorithmes d’apprentissage pour la recommandation, thèse de doctorat, Université de Montréal, 96 pages.

Source: Termino

Compléments vidéos

@@ Ligne 1 : / Ligne 1 : @@
 ==Définition==
-L'apprentissage semi-supervisé (semi-supervised learning) consiste à entraîner un modèle d'apprentissage sur un jeu de données comportant quelques données annotées et beaucoup de données non-annotées. L'idée est d'attribuer les annotations en utilisant la similarité entre les données annotées et les données non-annotées.
+L'apprentissage semi-supervisé (semi-supervised learning) consiste à entraîner un modèle d'apprentissage sur un jeu de données partiellement annoté qui comporte quelques données annotées et beaucoup de données non-annotées. L'idée est d'attribuer les annotations en utilisant la similarité entre les données annotées et les données non-annotées.
-L'apprentissage semi-supervisé se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données annotée et l'apprentissage non supervisé qui ne se sert que des données non annotées. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (très coûteuse et chronophage) de l’annotation manuelle.
+L'apprentissage semi-supervisé se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données annotées et l'apprentissage non-supervisé qui n'emploie que des données non-annotées. La combinaison de ces deux ensembles de données permet d’améliorer sensiblement les résultats sans avoir recours à l’intervention fastidieuse (coûteuse et chronophage) de l’annotation manuelle.
 <hr/>
 Complément:
-Algorithme d'apprentissage à partir de données partiellement étiquetées qui exploite la similarité entre les données pour leur attribuer des étiquettes.
+Par exemple, un algorithme non-supervisé de groupement identifie des groupes, puis il attribue une étiquette à chacun des groupes pour ensuite étiqueter tous les membres de chacun de ces groupes.
-Note: par exemple, un algorithme non-supervisé de groupage identifie des groupes, puis on attribue une étiquette à chacun des groupes pour étiqueter tous les autres membres de chacun de ces groupes
 ==Français==