Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
SMAC
Outil d'optimisation bayésienne utilisant des forêts aléatoires comme modèle surrogate pour la configuration d'algorithmes, particulièrement efficace dans les espaces d'hyperparamètres catégoriels et conditionnels.
Sélection d'Ensemble
Processus de construction automatique d'un ensemble de modèles optimisés en sélectionnant et pondérant dynamiquement les meilleurs modèles parmi un grand pool de candidats.
Pipeline Optimisé
Séquence complète de transformations de données et de modèles de machine learning optimisée automatiquement pour maximiser les performances prédictives sur un dataset donné.
Bootstrap Ensembling
Technique d'ensemble où plusieurs modèles sont entraînés sur différents échantillons bootstrap du dataset d'entraînement pour réduire la variance et améliorer la généralisation.
Configuration d'Algorithme
Processus de recherche systématique de la meilleure configuration d'hyperparamètres pour un algorithme donné sur une classe de problèmes spécifique.
Espace de Recherche Conditionnel
Espace d'hyperparamètres où la validité de certains paramètres dépend des valeurs d'autres paramètres, nécessitant des stratégies de recherche adaptatives.
Auto-sklearn 2.0
Version améliorée d'Auto-sklearn avec des mécanismes de parallelisation avancés, des stratégies d'échantillonnage meta-learning et une intégration plus efficace des ensembles.
Meta-model
Modèle entraîné à prédire les performances des algorithmes de machine learning basé sur les meta-features des datasets pour guider la recherche d'algorithmes.
Performance-based Model Selection
Stratégie de sélection automatique de modèles basée sur l'évaluation comparative des performances de multiples configurations sur des données de validation.
Resource-aware Optimization
Processus d'optimisation qui prend en compte les contraintes computationnelles comme le temps et la mémoire pour trouver le meilleur compromis performance-coût.