AI 용어집
인공지능 완전 사전
Few-shot Learning
Technique permettant aux modèles d'apprendre de nouvelles tâches avec seulement quelques exemples d'entraînement.
Zero-shot Learning
Capacité d'un modèle à reconnaître des classes jamais vues pendant l'entraînement sans exemples.
One-shot Learning
Apprentissage où le modèle peut généraliser à partir d'un seul exemple d'entraînement.
Model-Agnostic Meta-Learning (MAML)
Algorithme d'optimisation qui trouve des paramètres initiaux permettant une adaptation rapide aux nouvelles tâches.
Metric Learning
Apprentissage automatique de fonctions de distance pour mesurer la similarité entre les exemples.
Neural Architecture Search (NAS)
Automatisation de la conception d'architectures de réseaux neurales optimales pour des tâches spécifiques.
Transfer Learning
Réutilisation des connaissances d'un modèle pré-entraîné sur une tâche pour améliorer l'apprentissage sur une autre.
Continual Learning
Apprentissage où le modèle acquiert continuellement de nouvelles compétences sans oublier les précédentes.
Memory-Augmented Networks
Réseaux neuraux intégrant des mémoires externes pour stocker et récupérer rapidement des informations.
Meta-reinforcement Learning
Application de l'apprentissage méta aux problèmes d'apprentissage par renforcement pour accélérer l'adaptation.
Hyperparameter Optimization
Processus d'apprentissage automatique pour trouver les meilleurs hyperparamètres d'un modèle.
Task Embedding
Représentation vectorielle des tâches permettant de comprendre leurs relations et similarités.
Gradient-based Meta-Learning
Approche utilisant les gradients pour optimiser les paramètres d'initialisation pour l'adaptation rapide.
Meta-feature Learning
Extraction automatique de caractéristiques sur les propriétés des tâches pour guider l'apprentissage.
Prototype Networks
Modèles apprenant des représentations de prototype par classe pour la classification few-shot.