Глоссарий ИИ
Полный словарь искусственного интеллекта
Apprentissage Actif pour Deep Learning
Méthodologie d'optimisation de l'annotation de données où un modèle de deep learning sélectionne intelligemment les échantillons les plus informatifs pour réduire l'effort d'annotation tout en maximisant les performances du modèle.
Deep Bayesian Active Learning
Intégration de principes bayésiens dans les réseaux de neurones profonds pour quantifier l'incertitude épistémique et guider la sélection d'échantillons pour l'apprentissage actif.
Batch Active Learning
Variante de l'apprentissage actif sélectionnant simultanément un ensemble d'échantillons pour annotation, optimisant les coûts computationnels et humains dans les contextes de deep learning.
Deep Ensemble Learning
Approche combinant plusieurs modèles de réseaux de neurones profonds pour estimer l'incertitude et améliorer la robustesse, utilisée comme base pour les stratégies d'apprentissage actif.
Neural Network Uncertainty
Quantification de l'incertitude des prédictions dans les réseaux de neurones, distinguant entre l'incertitude épistémique (manque de connaissances) et aléatoire (bruit inhérent aux données).
Committee-Based Sampling
Stratégie d'apprentissage actif utilisant un comité de modèles deep learning pour évaluer le désaccord sur les prédictions, sélectionnant les échantillons avec le plus grand désaccord pour annotation.
Deep Active Learning
Domaine spécialisé intégrant les techniques d'apprentissage actif avec les architectures de réseaux de neurones profonds pour optimiser l'efficacité de l'annotation dans les datasets massifs.