« Probabilité algorithmique » : différence entre les versions

Dernière version du 28 janvier 2024 à 12:28

Définition

En théorie de l'information algorithmique, la probabilité algorithmique, également connue sous le nom de probabilité de Solomonoff, est une méthode mathématique d'attribution d'une probabilité antérieure à une observation donnée. Elle a été inventée par Ray Solomonoff dans les années 1960.

Elle est utilisée dans la théorie de l'inférence inductive et les analyses d'algorithmes. Dans sa théorie générale de l'inférence inductive, Solomonoff utilise la préalable obtenue dans la règle de Bayes pour la prédiction.

Français

Probabilité algorithmique

Probabilité de Solomonoff

Anglais

Algorithmic probability

Sources

Source : Wikipedia

[Source: http://www.lifl.fr/SMAC/publications/pdf/these-hector-zenil-chavez.pdf Source : lifl.fr]

@@ Ligne 1 : / Ligne 1 : @@
-== Domaine ==
-[[Category:Vocabulary]]
 == Définition ==
+En théorie de l'information algorithmique, la probabilité algorithmique, également connue sous le nom de probabilité de Solomonoff, est une méthode mathématique d'attribution d'une probabilité antérieure à une observation donnée. Elle a été inventée par Ray Solomonoff dans les années 1960.
+Elle est utilisée dans la théorie de l'inférence inductive et les analyses d'algorithmes. Dans sa théorie générale de l'inférence inductive, Solomonoff utilise la préalable obtenue dans la règle de Bayes pour la prédiction.
+== Français ==
+''' Probabilité algorithmique'''
-== Termes privilégiés ==
+'''Probabilité de Solomonoff'''
 == Anglais ==
+''' Algorithmic probability '''
+==Sources==
-=== Algorithmic probability ===
+[https://en.wikipedia.org/wiki/Algorithmic_probability  Source : Wikipedia ]
-In algorithmic information theory, algorithmic probability, also known as Solomonoff probability, is a mathematical method of assigning a prior probability to a given observation. It was invented by Ray Solomonoff in the 1960s.[1] It is used in inductive inference theory and analyses of algorithms. In his general theory of inductive inference, Solomonoff uses the prior[clarification needed] obtained by this formula[which?], in Bayes' rule for prediction [example needed][further explanation needed].[2]
-In the mathematical formalism used, the observations have the form of finite binary strings, and the universal prior is a probability distribution over the set of finite binary strings[citation needed]. The prior is universal in the Turing-computability sense, i.e. no string has zero probability. It is not computable, but it can be approximated.[3]
+[Source: http://www.lifl.fr/SMAC/publications/pdf/these-hector-zenil-chavez.pdf  Source : lifl.fr]
-<br/>
+[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
-<br/>
-<br/>
-<br/>
-<br/>
-<br/>
-<br/>