AI-ordlista
Den kompletta ordlistan över AI
SVM en Ligne
Variante des Machines à Vecteurs de Support qui met à jour le modèle séquentiellement à mesure que de nouvelles données arrivent, sans nécessiter de réentraînement complet sur l'historique.
Apprentissage Incrémental
Paradigme d'apprentissage où le modèle améliore ses performances progressivement en traitant les échantillons un par un ou par petits lots, adaptant continuellement ses paramètres.
Algorithme Pegasos
Méthode d'optimisation stochastique pour SVM en ligne utilisant des sous-gradients avec un pas d'apprentissage décroissant en 1/(λt), garantissant une convergence vers la solution optimale.
Budget SVM
Variante des SVM en ligne limitant le nombre de vecteurs de support conservés en mémoire, utilisant des stratégies de suppression ou de fusion pour maintenir une complexité computationnelle constante.
Forget Factor
Paramètre contrôlant la vitesse d'oubli des observations passées dans les algorithmes adaptatifs, permettant au modèle de s'ajuster plus rapidement aux nouveaux concepts.
Hinge Loss
Fonction de perte convexe utilisée dans les SVM, pénalisant linéairement les erreurs de classification au-delà d'une certaine marge, optimisée via des méthodes de sous-gradient.
Online Kernel Approximation
Techniques permettant d'approximer les fonctions noyaux dans un cadre en ligne, utilisant des projections aléatoires ou des dictionnaires de features pour éviter la complexité quadratique.
Streaming SVM
Architecture de SVM spécifiquement conçue pour traiter des flux de données haute vitesse avec des garanties de performance et des contraintes de mémoire strictes.
Mini-batch SVM
Compromis entre SGD pur et traitement batch complet, mettant à jour les paramètres après avoir traité de petits groupes d'échantillons pour stabiliser la convergence.
Online Feature Mapping
Transformation incrémentale des données d'entrée dans un espace de features de dimension supérieure, réalisée à la volée sans nécessiter de stockage explicite des transformées.
Primal-Dual Online SVM
Formulation optimisant simultanément les variables primales et duales en ligne, offrant des garanties théoriques renforcées et une meilleure stabilité numérique.
Active Learning SVM
Stratégie où le SVM sélectionne intelligemment les échantillons les plus informatifs à étiqueter, réduisant le coût d'annotation tout en maximisant l'amélioration des performances.
Passive-Aggressive Algorithm
Famille d'algorithmes en ligne mettant à jour le modèle de manière minimale tout en assurant la correction immédiate de l'erreur courante, avec un paramètre d'agressivité contrôlable.