« Auto-encodeur contractif » : différence entre les versions


m (Remplacement de texte — « Source: L'apprentissage profond. Éd.Massot 2018 » par « Source : ''L'apprentissage profond'', Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 »)
Aucun résumé des modifications
Balise : Éditeur de wikicode 2017
Ligne 1 : Ligne 1 :
== en construction ==
== en construction ==
[[Catégorie:Vocabulaire]]
[[Catégorie:App-profond-livre]]
[[Catégorie:Apprentissage profond]]


== Définition ==
== Définition ==
...
Un auto-encodeur contractuel est une technique d'apprentissage en profondeur non supervisée qui aide un réseau de neurones à coder des données d'entraînement sans étiquette.
Les encodeurs automatiques en général sont utilisés pour apprendre une représentation, ou un encodage, pour un ensemble de données sans étiquette, généralement comme première étape vers la réduction de dimensionnalité ou la génération de nouveaux modèles de données.


== Français ==
== Français ==
Ligne 16 : Ligne 15 :
<small>
<small>
[https://www.apprentissageprofond.org/  Source :  ''L'apprentissage profond'',  Ian Goodfellow, Yoshua Bengio et Aaron Courville  Éd. Massot 2018 ]
[https://www.apprentissageprofond.org/  Source :  ''L'apprentissage profond'',  Ian Goodfellow, Yoshua Bengio et Aaron Courville  Éd. Massot 2018 ]
[[Catégorie:Vocabulaire]]
[[Catégorie:App-profond-livre]]
[[Catégorie:Apprentissage profond]]
[[Catégorie:Scotty]]

Version du 15 mai 2020 à 17:43

en construction

Définition

Un auto-encodeur contractuel est une technique d'apprentissage en profondeur non supervisée qui aide un réseau de neurones à coder des données d'entraînement sans étiquette.

Les encodeurs automatiques en général sont utilisés pour apprendre une représentation, ou un encodage, pour un ensemble de données sans étiquette, généralement comme première étape vers la réduction de dimensionnalité ou la génération de nouveaux modèles de données.

Français

Auto-encodeur contractif

Anglais

Contractive autoencoder


Source : L'apprentissage profond, Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018