Feed on
Posts
Comments

Archive for March, 2008

Dans certains problèmes d’apprentissage, ce ne sont pas que les entrées actuelles xi,t (t = temps actuel) qui sont importantes, mais aussi les entrées aux temps précédents xi,t-k (k > 0). Par exemple, dans des problèmes de linguistique, le sens que l’on donne à un pronom peut dépendre des informations passées (le début de la […]

Tel que décrit dans la section [X], il y a deux types d’abstractions intéressantes en apprentissage par renforcement : les abstractions structurales qui consistent à créer de nouvelles représentations des entrées (sensoriels), et les abstractions temporelles, qui consistent à créer de nouvelles abstractions (ou macro) d’actions. Dans cette thèse, je n’ai abordé que le premier problème, […]

Les réseaux de neurones artificiels (ANN, de l’anglais Artificial Neural Networks) sont inspirés des neurones biologiques (voir Figure 21). À la base, un neurone artificiel a des paramètres wi
(aussi appelé poids et représentant des connexions synaptiques, ou synapses, entre deux neurones) pour chacune des entrées xi et le neurone transforme ses entrées en utilisant ses […]

Apprentissage supervisé

Définition

L’apprentissage supervisé consiste à apprendre une fonction f :ÂNàÂM ou f: ÂNà{1,…,M}, où la première est un problème de régression et la deuxième un problème de classification. Pour ce faire, l’algorithme reçoit comme entrées des exemples formés d’une paire de vecteurs (xi,yi). Pour chaque vecteur d’entrée xi, il y a un vecteur de sortie yi correspondant, […]