قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
Auto-étiquetage
Méthode où le modèle s'entraîne sur des données étiquetées puis génère des étiquettes pour les données non étiquetées avec haute confiance.
Co-training
Approche utilisant deux ou plusieurs classifieurs qui s'entraînent mutuellement sur différentes vues des données.
Apprentissage par graphe
Technique exploitant la structure des données sous forme de graphe pour propager les étiquettes entre échantillons similaires.
Méthodes génératives
Approches modélisant la distribution des données pour générer des échantillons étiquetés synthétiques et améliorer l'entraînement.
Apprentissage par contraste
Méthode apprenant des représentations en maximisant la similarité entre échantillons augmentés de la même image.
Apprentissage par cohérence
Technique forçant le modèle à produire des prédictions cohérentes pour différentes augmentations du même échantillon.
Apprentissage semi-supervisé profond
Combination de réseaux de neurones profonds avec des techniques semi-supervisées pour exploiter efficacement les grandes quantités de données non étiquetées.
Apprentissage par pseudo-étiquettes
Stratégie assignant des étiquettes artificielles aux données non étiquetées basées sur les prédictions du modèle pour étendre l'ensemble d'entraînement.
Propagation d'étiquettes
Algorithme itératif propageant les étiquettes à travers un graphe de similarité entre les points de données.
Apprentissage par EM
Méthode Expectation-Maximization estimant les paramètres du modèle et les étiquettes manquantes de manière itérative.
Apprentissage par triplet
Technique apprenant des plongements où les échantillons similaires sont rapprochés et les dissimilaires éloignés dans l'espace latent.
Apprentissage actif
Approche où le modèle sélectionne intelligemment les échantillons les plus informatifs à étiqueter pour optimiser l'apprentissage.