Catégorie:Apprentissage profond
L'apprentissage profond (en anglais deep learning) est un ensemble de méthodes d'apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage. Dans les années 2000, ces progrès ont suscité des investissements privés, universitaires et publics importants, notamment de la part du GAFA (Google, Apple, Facebook, Amazon).
Pages dans la catégorie « Apprentissage profond »
Cette catégorie comprend 311 pages, dont les 100 ci-dessous :
(page précédente) (page suivante)A
- Accord inter-évaluateurs
- Aire sous la courbe ROC
- AlexNet
- Algorithme EM
- Algorithme évolutionnaire
- Analyse de perturbation
- Analyse de séries temporelles
- Analyse des caractéristiques lentes
- Analyse des sentiments
- Analyse en composantes indépendantes
- Analyse en sous-espaces indépendants
- Analyse factorielle
- Anomalies
- API Dataset (tf.data)
- API Layers (tf.layers)
- API Metrics (tf.metrics)
- Appariement des rapports
- Appariement des scores généralisés
- Apprentissage
- Apprentissage avide
- Apprentissage bayésien
- Apprentissage d'attributs
- Apprentissage de bout-en-bout
- Apprentissage de représentations
- Apprentissage de variété
- Apprentissage ensembliste
- Apprentissage non supervisé
- Apprentissage par renforcement profond
- Apprentissage par transfert
- Apprentissage partiellement supervisé
- Apprentissage profond
- Apprentissage supervisé
- Apprentissage à exemple unique
- Approche fondée sur la connaissance
- Arrêt prématuré
- Astuce de centrage
- Asymptotiquement sans biais
- Augmentation des données
- Auto-encodeur
- Auto-encodeur contractif
- Auto-encodeur débruiteur
- Auto-encodeur variationnel
B
C
- Caffe
- Calcul bayésien approximatif
- Calcul des variations
- Caractéristique continue
- Caractéristique creuse
- Caractéristique dense
- Caractéristique discrète
- Caractéristique synthétique
- Categorical Cross-Entropy Loss
- Channel
- Classe
- Classe négative
- Classe positive
- Classification binaire
- Classification temporelle connexionniste
- Classification à classes multiples
- Collisionneur
- Combinaison linéaire
- Conditions de Karush-Kuhn-Tucker
- Connection résiduelle
- Connexion de judas
- Connexion saute-couche
- Constante de Lipschitz
- Convergence
- Convolution séparable
- Correspondance de moment
- Couche
- Couche cachée
- Couche convolutive
- Couche d'entrée
- Couche de sortie
- Couche de sous-échantillonnage
- Couche d’autoroute
- Couche entièrement connectée
- Courbe d'apprentissage
- Courbe ROC
- Croisement de caractéristiques
- Croyance antérieure
D
- Deep Dream
- Densité de probabilité
- Descente de gradient
- Descente de gradient stochastique
- Dimension de Vapnik-Chervonenkis
- Discrépance moyenne maximale
- Distribution de Dirac
- Divergence contractive persistante
- Donnée aberrante
- Données catégorielles
- Données disséminées
- Données déséquilibrées
- Données exclues
- Données numériques
