| ... | ... | @@ -13,7 +13,7 @@ La prochaine séquence est : |
|
|
|
|
|
|
|
|**Apprendre plus vite et moins cher, optimiser l’apprentissage**|
|
|
|
|
|--|
|
|
|
|
|**L'optimisation de l'apprentissage** est une technique qui permet de trouver les bons paramètres pour ameliorer les performances de son modèle d'IA. Il existe quelque technique de base pour améliorer les performances de son modèle comme : la collecte de données de qualité, le choix du bon algorithme pour resoudre une tache spécifique, la normalisation de données, et l'optimisation des hyperparamètres.<br><br> **Le transfer learning ou apprentissage par transfert** est une technique de machine learning qui consiste à utiliser un modèle de machine learning, préalablement entraîné à résoudre une tâche donnée à partir d'un grand ensemble de données (modèle pré-entrainé), en vue de lui permettre de résoudre une tâche similaire, généralement plus précise à partir d'un grand ou petit ensemble de données. Cette technique implique également d'ajuster les paramètres du modèle pré-entrainé pour mieux s'adapter au nouvel ensemble de données.<br><br>Au menu de cette séquence : <br>- Techniques d’optimisation<br>- Affinage des hyperparamètres<br>- Quand le recyclage est une force : Le transfert learning<br>- Pour un poids optimal des données, utiliser le bon format de données .<br><br>Durée : 2h<br><br>|
|
|
|
|
|**L'optimisation de l'apprentissage** est une technique qui permet de trouver les bons paramètres pour ameliorer les performances de son modèle d'IA. Il existe quelque technique de base pour améliorer les performances de son modèle comme : la collecte de données de qualité, le choix du bon algorithme pour resoudre une tache spécifique, la normalisation de données, et l'optimisation des hyperparamètres.<br><br> **Le transfer learning ou apprentissage par transfert** est une technique de machine learning qui consiste à utiliser un modèle de machine learning, préalablement entraîné à résoudre une tâche donnée à partir d'un grand ensemble de données (modèle pré-entrainé), en vue de lui permettre de résoudre une tâche similaire, généralement plus précise à partir d'un grand ou petit ensemble de données. Cette technique implique également d'ajuster les paramètres du modèle pré-entrainé pour mieux s'adapter au nouvel ensemble de données.<br><br>Au menu de cette séquence : <br>- Techniques d’optimisation<br>- Affinage des hyperparamètres<br>- Quand le recyclage est une force : Le transfert learning<br>- Pour un poids optimal des données, utiliser le bon format de données .<br><br>Durée : 2h<br><br>
|
|
|
|
|La séquence sera **diffusée en direct** sur notre chaine **[YouTube](https://www.youtube.com/@CNRS-FIDLE)** :-)<br>Lien : https://fidle.cnrs.fr/youtube <br>or : https://www.youtube.com/@CNRS-FIDLE|
|
|
|
|
|
|
|
|
|
| ... | ... | |
