...tilisées. Il est utilisé pour calculer les taux d'apprentissage adaptatifs pour chaque paramètre. ''' optimisation Adam '''

...es selon une distribution normale autour de la position courante. Le nom d'optimisation aléatoire (''random optimization'') est attribué à Matyas. '''optimisation aléatoire'''

...xprimer divers problèmes sous la forme de problèmes d'optimisation convexe pour les résoudre plus efficacement. '''optimisation convexe'''

...rithme OQS pour Optimisation Quadratique Successive ou de l'algorithme SQP pour ''Sequential Quadratic Programming'', en anglais. '''optimisation quadratique successive'''

...établissement des outils théoriques, comme les conditions d'optimalité, ou pour la bonne marche des algorithmes de résolution qui y sont introduits et ana '''optimisation non linéaire'''

...briquer le plus grand nombre de boîtes de conserve possible (ou d’un tissu pour en faire le plus grand nombre de chemises possible, etc.). Cette optimisation peut se faire sans contrainte ou sous contrainte, le second cas se ramenant

...hématique]], la méthode de l'ellipsoïde est une méthode itérative utilisée pour minimiser des fonctions convexes. ...rithme de complexité polynomiale découvert pour résoudre les problèmes d'[[optimisation linéaire]].

...rithme d'optimisation qui accélère la descente de gradient, il est utilisé pour entraîner des modèles à base de réseaux de neurones profonds. ...pour « ''Root Mean Square Propagation'' » pourrait être traduit par RCEQM pour racine carrée de l'erreur quadratique moyenne.

...manuellement ou automatiquement en explorant une vaste étendue de valeurs pour les hyperparamètres. '''optimisation des hyperparamètres'''

...étiquettes positives, en utilisant par exemple [[softmax]], mais seulement pour un [[échantillon aléatoire]] d'étiquettes négatives. ...s calcule les probabilités prédites et les termes de pertes correspondants pour les sorties de classe beagle et chien, en plus d'un sous-ensemble aléatoir

...eaux de neurones artificiels à action directe. Il s'agit d'un algorithme d'optimisation de premier ordre. Cet algorithme a été créé par Martin Riedmiller et He

...branch and bound)'' est une méthode générique de résolution de problèmes d'optimisation combinatoire. ...e le minimum. La méthode séparation et évaluation est une méthode générale pour cela.

...n pour des '''[[fonction convexe|fonctions convexes]]'''. Il a été proposé pour la première fois par Marguerite Frank et Philip Wolfe en 1956. Le principe [[Catégorie:Apprentissage automatique]]

...er itérativement un certain nombre d'arêtes à partir d'une solution donnée pour trouver une solution de meilleur coût. [[Catégorie:Apprentissage automatique]]

...scription textuelle la plus pertinente pour cette image, sans optimisation pour cette tâche particulière. ...rentissage-1#a1 - Révolution : Une nouvelle approche de pré-entraînement d'apprentissage par transfert voit le jour!]- Statistique Canada

...tique, paramètre dont la valeur est utilisée pour contrôler le processus d'apprentissage automatique. C'est-à-dire, un paramètre de l'algorithme ou de l'architect ...on d'hyperparamètre]] qui implique une série d'entraînements d'un modèle d'apprentissage.

...i simplifie considérablement de nombreux problèmes d'[[optimisation]] de l'apprentissage en profondeur.

...ion de colonnes est une méthode pour résoudre efficacement les problèmes d'optimisation linéaire de grande taille. Elle repose sur la décomposition de Dantzig-Wo [[Catégorie:Apprentissage automatique]]

...t algorithme détruit cette « décomposabilité ». Il est typiquement utilisé pour minimiser la somme de deux fonctions. [[Catégorie:Apprentissage automatique]]

...ions économiques de l'industrie étaient de ce type, comme la conduite et l'optimisation de procédés chimiques, ou la gestion de stocks [[Catégorie:Apprentissage automatique]]

...ntroduit par Narendra Karmarkar en 1984 pour résoudre les problèmes d''''[[optimisation linéaire]]'''. C'est le premier algorithme réellement efficace qui résou [[Catégorie:Apprentissage automatique]]

...| tests A/B/n ]]''' classiques, véhiculant un grand nombre d'algorithmes pour résoudre différents problèmes, le tout dans le but d'obtenir les meilleu ...contexte utilisateur, historiques ou récentes, qui peuvent être utilisées pour prendre de meilleures décisions algorithmiques en temps réel.

...ation]]. La courbe de validation est utilisée pour estimer la qualité de l'apprentissage fait par le modèle. Elle permet de valider l'architecture du modèle au fu ...isoler l'effet des différents hyperparamètres. Dans ce cas, on applique l'optimisation d'hyperparamètres.

...dérivée première (parfois appelés conditions nécessaires de premier ordre) pour qu'une solution de programmation non linéaire soit optimale, à condition [https://www.apprentissageprofond.org/ Source : ''L'apprentissage profond'', Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2

Nous montrons à droite le wikicode pour certaines catégories *Apprentissage automatique‎

...lisation des modèles d'apprentissage automatique) et à AIOps (qui est l'IA pour les opérations informatiques), ModelOps se concentre sur l'opérationnalis

...es du problème. Ils consistent à sélectionner une variable du problème, et pour chaque affectation possible de cette variable, à tester récursivement si [[Catégorie:Apprentissage automatique]]

...i concerne le comportement attendu en boucle fermée. La commande Hinfini a pour principal avantage la capacité d'inclure dans un même effort de synthéti [[Catégorie:Apprentissage automatique]]

...ue, et d'échantillonnage préférentiel. La méthode a été conçue à l'origine pour la simulation d'événements rares, où des densités de probabilité très [[Catégorie:Apprentissage automatique]]

...de réduire l'espace mémoire liés à l'exécution en inférence d'un modèle d'apprentissage (c.-à-d. un [[réseau de neurones artificiels]]) en représentant les para ...ance. TensorFlow et PyTorch comportent des outils d'optimisation de modèle pour minimiser l'espace mémoire requis.

...kerson est utilisé pour traiter le problème du flot maximum, un problème d'optimisation classique dans le domaine de la recherche opérationnelle. Il est dû à Le [[Catégorie:Apprentissage automatique]]

...èmes d'optimisation à l'aide d'algorithmes de programmation dynamique ou d'apprentissage par renforcement dans de nombreuses disciplines, notamment la robotique, l'

En [[apprentissage automatique]], l'[[apprentissage par renforcement]] et rétroaction humaine (ARRH) est une technique d'amél ...] à l'aide de l'[[apprentissage par renforcement]] grâce à un algorithme d'optimisation.

...oblèmes, fondés sur la théorie darwinienne. Un algorithme génétique (AG) a pour but de faire évoluer un ensemble de solutions candidates à un problème p ...algorithmes génétiques peuvent être utilisés en apprentissage automatique, pour optimiser les hyperparamètres d'un réseau neuronal.