« Dérive des données » : différence entre les versions


(Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' dérive des données ????''' == Anglais == ''' Data drift''' Data-drift is defined as a variation... »)
 
m (Remplacement de texte : « ↵↵↵==Sources== » par «  ==Sources== »)
 
(5 versions intermédiaires par 2 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
==en construction==
== Définition ==
En [[apprentissage automatique]], variation des [[données]] utilisées à l'étape de la production par rapport aux données qui ont été utilisées pour tester et valider le modèle avant de le déployer pour la production.


== Définition ==
De nombreux facteurs peuvent entraîner une dérive des données : par exemple, l'un des facteurs clés est la dimension temporelle, c'est-à-dire le temps écoulé entre l'acquisition des données et le déploiement du modèle.
XXXXXXXXX


== Français ==
== Français ==
''' dérive des données ????'''
'''dérive des données'''
 
'''dérive dans les données'''


== Anglais ==
== Anglais ==
''' Data drift'''
'''data drift'''


Data-drift is defined as a variation in the production data from the data that was used to test and validate the model before deploying it in production. There are many factors that can cause data to drift one key factor is the time dimension.
==Sources==
 
<small>


[https://towardsdatascience.com/why-data-drift-detection-is-important-and-how-do-you-automate-it-in-5-simple-steps-96d611095d93  Source : towardsdatascience]
[https://towardsdatascience.com/why-data-drift-detection-is-important-and-how-do-you-automate-it-in-5-simple-steps-96d611095d93  Source : towardsdatascience]


 
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:vocabulary]]

Dernière version du 31 janvier 2024 à 11:07

Définition

En apprentissage automatique, variation des données utilisées à l'étape de la production par rapport aux données qui ont été utilisées pour tester et valider le modèle avant de le déployer pour la production.

De nombreux facteurs peuvent entraîner une dérive des données : par exemple, l'un des facteurs clés est la dimension temporelle, c'est-à-dire le temps écoulé entre l'acquisition des données et le déploiement du modèle.

Français

dérive des données

dérive dans les données

Anglais

data drift

Sources

Source : towardsdatascience



Contributeurs: Jean Benoît Morel, wiki