« Apprentissage semi-supervisé » : différence entre les versions

Dernière version du 27 janvier 2024 à 16:53

Définition

L’apprentissage semi-supervisé 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.

Compléments

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

Sources

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

101 MOTS DE L' IA
Ce terme est sélectionné pour le livre « Les 101 mots de l'intelligence artificielle »

@@ Ligne 1 : / Ligne 1 : @@
+==Définition==
-== Domaine ==
+L’apprentissage semi-supervisé 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.
-[[category:Vocabulaire]]
-[[Catégorie:Wikipedia-IA]]
-[[Catégorie:Intelligence artificielle]]
-[[Catégorie:Apprentissage automatique]]
-[[Catégorie:scotty]]
-<br>
-== Définition ==
+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 étiquetées|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.
-L'apprentissage par renforcement hors ligne (ou batch) est un cas particulier de l'apprentissage par renforcement, qui est une classe de problèmes d'apprentissage automatique dont l'objectif est de déterminer à partir d'expériences une stratégie (ou politique) permettant à un agent de maximiser une récompense numérique au cours du temps.
-Dans le cadre de l'apprentissage par renforcement purement hors ligne, l'agent ne peut pas interagir avec l'environnement : une base d'apprentissage lui est fournie au départ et il l'exploite pour apprendre une politique. Contrastant avec les algorithmes en-ligne, où l'agent à la possibilité d'interagir comme bon lui semble avec l'environnement, les algorithmes hors-ligne tentent d'exploiter au maximum les exemples d'apprentissage dont ils disposent, sans compter uniquement sur la possibilité d'exploration. Cette approche est donc particulièrement avantageuse quand il n'est pas possible d'effectuer des expériences ou lorsque ces expériences sont coûteuses (casse de matériel possible, obligation d'avoir recours à une assistance humaine pendant les expériences, etc). En général cependant, les techniques d'apprentissage par renforcement batch peuvent être utilisées dans un cadre plus large, où la base d'apprentissage peut évoluer au cours du temps. L'agent peut alors alterner entre des phases d'exploration et des phases d'apprentissage. Les algorithmes hors-ligne sont en général des adaptations d'autres algorithmes comme le Q-Learning, eux-mêmes inspirés par les algorithmes de programmation dynamique résolvant les MDPs.
+==Compléments==
+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'''
-== Français ==
+'''apprentissage semi-supervisé'''
-'''Apprentissage par renforcement hors ligne'''
+'''entraînement semi-supervisé'''
+==Anglais==
+'''semi-supervised learning'''
+==Sources==
+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>
+*[https://fr.wikipedia.org/wiki/Apprentissage_semi-supervis%C3%A9 Source: Wikipédia, ''Apprentissage semi-supervisé'']
-== Anglais ==
+Source: Bisson, Valentin (2012). ''Algorithmes d’apprentissage pour la recommandation'', thèse de doctorat, Université de Montréal, 96 pages.
-'''XXXXXXX   batch         XXXXXXXX '''
+[[Utilisateur:Patrickdrouin  | Source: Termino]]
+</small><br>
+{{Modèle:101}}
-[https://fr.wikipedia.org/wiki/Apprentissage_par_renforcement_hors_ligne   Source : Wikipedia IA  ]
+[[Catégorie:Termino 2019]]
+[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
+[[Catégorie:101]]