| Titre : | Sélection de modèles pour l’apprentissage automatique |
| Auteurs : | Benamara Djilali, Directeur de thèse ; ROUDANE Saliha, Auteur |
| Type de document : | texte imprimé |
| Editeur : | univ DR taher moulay saida, 2020-2021 |
| Format : | 62 p / ill / 29 cm |
| Accompagnement : | CD rom |
| Langues: | Français |
| Mots-clés: | Sélection de modèle ; sous-apprentissage ; sur-apprentissage ; validation croisée ; Deep Learning ; réseau de neurones ; Réseau neuronal convolutif ; réseau neuronal récurrent. |
| Résumé : |
L'objectif de la sélection de modèle est de trouver l'architecture de réseau avec les meilleures propriétés de généralisation, c'est-à-dire celle qui minimise l'erreur sur les instances sélectionnées de l'ensemble de données (l'erreur de sélection). Deux problèmes fréquents dans la conception d'un réseau de neurones sont appelés sous-apprentissage et sur-apprentissage. La meilleure généralisation est obtenue en utilisant un modèle dont la complexité est la plus appropriée pour produire un ajustement adéquat des données. L'erreur d'un réseau de neurones sur les instances d'apprentissage de l'ensemble de données est appelée erreur d'apprentissage. De même, l'erreur sur les instances sélectionnées est appelée erreur de sélection. L'erreur d'apprentissage mesure la capacité du réseau de neurones à s'adapter aux données qu'il voit. Mais l'erreur de sélection mesure la capacité du réseau de neurones à se généraliser à de nouvelles données. L'objectif du présent travail est de donner le meilleur modèle de réseau neuronal pour ajuster les données avec l'erreur d'entraînement minimale en utilisant la validation croisée k-fold. |
| Note de contenu : |
Chapitre I : Sélection du modèle Chapitre II : Deep Learning Chapitre III : Réalisation |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
Sélection de modèles pour l’apprentissage automatique Adobe Acrobat PDF |
