Apprentissage par transfert

L'apprentissage par transfert[1] (transfer learning en anglais) est l'un des champs de recherche de l'apprentissage automatique qui vise à transférer des connaissances d'une ou plusieurs tâches sources vers une ou plusieurs tâches cibles. Il peut être vu comme la capacité d’un système à reconnaître et appliquer des connaissances et des compétences, apprises à partir de tâches antérieures, sur de nouvelles tâches ou domaines partageant des similitudes.

Ne doit pas être confondu avec Transfert d'apprentissage.

Articles connexes


Notes et références
  1. (en) Sinno Jialin Pan et Qiang Yang, « A Survey on Transfer Learning », IEEE Transactions on Knowledge and Data Engineering, vol. 22, no 10,‎ , p. 1345-1359 (ISSN 1041-4347, e-ISSN 1558-2191, DOI 10.1109/TKDE.2009.191, lire en ligne).
  2. (en) Ievgen Redko, Emilie Morvant, Amaury Habrard, Marc Sebban et Younès Bennani, Advances in Domain Adaptation Theory, ISTE Press - Elsevier, , 187 p. (ISBN 978-1-78548-236-6, lire en ligne)
  3. (en) John S. Bridle et Stephen J. Cox, « RecNorm: Simultaneous normalisation and classification applied to speech recognition », Conference on Neural Information Processing Systems (NIPS),‎ , p. 234–240
  4. (en) Shai Ben-David, John Blitzer, Koby Crammer, Alex Kulesza, Fernando Pereira et Jennifer Wortman Vaughan, « A theory of learning from different domains », Machine Learning Journal, no 79(1-2),‎ , p. 151–175
  5. (en) Yishay Mansour, Mehryar Mohri et Afshin Rostamizadeh, « Domain Adaptation: Learning Bounds and Algorithms », Proceedings of Conference on Learning Theory (COLT),‎
  • Portail de l’informatique
  • Portail de l'informatique théorique
Cet article est issu de Wikipedia. Le texte est sous licence Creative Commons - Attribution - Partage dans les Mêmes. Des conditions supplémentaires peuvent s'appliquer aux fichiers multimédias.