... | @@ -13,7 +13,7 @@ La prochaine séquence est : |
... | @@ -13,7 +13,7 @@ La prochaine séquence est : |
|
|
|
|
|
|**Apprendre plus vite et moins cher, optimiser l’apprentissage**|
|
|
|**Apprendre plus vite et moins cher, optimiser l’apprentissage**|
|
|
|--|
|
|
|--|
|
|
|**L'optimisation de l'apprentissage** est une technique qui consiste à trouver les bons paramètres pour ameliorer les performances de votre modèle d'IA. il existe quelque technique de base pour améliorer les performance de votre modèle comme : la collecte de données de qualité,le choix du bon algorithme pour resoudre votre tache spécifique,la normalisation de données, l'optimisation des hyperparamètres.<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 un grand ensemble de données, en vue de lui permettre de résoudre une tâche similaire, généralement plus précise. Ce processus implique également d'ajuster les paramètres du modèle pré-entrainé pour mieux s'adapter au nouvel ensemble 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>|![optimization](uploads/78d6e74aaf1736c436dfa6c32f193fc6/optimization.png)!
|
|
|**L'optimisation de l'apprentissage** est une technique qui consiste à trouver les bons paramètres pour ameliorer les performances de son modèle d'IA. Il existe quelque technique de base pour améliorer les performance 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 un grand ensemble de données (modèle pré-entrainé), en vue de lui permettre de résoudre une tâche similaire, généralement plus précise. Cette technique implique également d'ajuster les paramètres du modèle pré-entrainé pour mieux s'adapter au nouvel ensemble 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>|!![optimization](uploads/75b44252647fafa7f313cfca2f7ad32d/optimization.png)
|
|
|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|
|
|
|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|
|
|
|
|
|
|
|
|
|
... | | ... | |