#techno

Modèles d’apprentissage hybride

5 mars 2021

Combiner plusieurs approches pour modéliser l’incertitude

 

Présentation : Plusieurs types de réseaux neuronaux profonds, tels que les réseaux génératifs adverses ou les réseaux d’apprentissage par renforcement profond, sont porteurs de grandes promesses quant à leurs performances et à leur application large à différents types de données. Toutefois, les modèles d’apprentissage profond ne modélisent pas l’incertitude, contrairement aux approches bayésiennes ou probabilistes. Les modèles d’apprentissage hybride combinent les deux approches pour exploiter les forces de chacune. Citons notamment l’apprentissage profond de type bayésien, les réseaux génératifs adverses de type bayésien et les réseaux génératifs adverses conditionnels de type bayésien.

 

Intérêt : Les modèles d’apprentissage hybride permettent d’élargir la variété des problématiques traitées en y incluant l’apprentissage profond avec incertitude. La performance et le caractère expliquable des modèles s’en trouvent améliorés, ce qui encourage leur adoption à une échelle plus large. On assistera donc, d’un côté, à la multiplication d’équivalents de type bayésien pour les méthodes d’apprentissage profond, et, de l’autre, d’une combinaison de langages de programmations probabilistes.

 

Lire l’étude dans son intégralité :

https://www.pwc.fr/fr/decryptages/data/decouvrez-les-avancees-incontournables-en-matiere-dintelligence-artificielle.html

 

Vous devriez aimer

#métiers
La maintenance multitechnique et multiservice
#actu
Partenariat stratégique entre SamFM et Datapole
#actu
Industrie et maintenance prédictive
#actu
Le non entretien des équipements : impacts et coûts
#actu
DATAPOLE PARTICIPE AU SALON GLOBAL INDUSTRIE
#actu
5 avantages compétitifs de l’industrie 4.0