This HTML5 document contains 36 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
n12http://g.co/kg/g/
dcthttp://purl.org/dc/terms/
dbohttp://dbpedia.org/ontology/
foafhttp://xmlns.com/foaf/0.1/
rdfshttp://www.w3.org/2000/01/rdf-schema#
category-frhttp://fr.dbpedia.org/resource/Catégorie:
n5http://fr.dbpedia.org/resource/Modèle:
n16http://fr.dbpedia.org/resource/Fichier:
n6http://commons.wikimedia.org/wiki/Special:FilePath/
dbpedia-fahttp://fa.dbpedia.org/resource/
wikipedia-frhttp://fr.wikipedia.org/wiki/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
owlhttp://www.w3.org/2002/07/owl#
dbpedia-zhhttp://zh.dbpedia.org/resource/
dbpedia-frhttp://fr.dbpedia.org/resource/
prop-frhttp://fr.dbpedia.org/property/
provhttp://www.w3.org/ns/prov#
xsdhhttp://www.w3.org/2001/XMLSchema#
wikidatahttp://www.wikidata.org/entity/
dbrhttp://dbpedia.org/resource/

Statements

Subject Item
dbpedia-fr:Recherche_automatique_d'architecture_neuronale
rdfs:label
Recherche automatique d'architecture neuronale 神经结构搜索
rdfs:comment
La recherche automatique d'architecture neuronale (Neural Architecture Search, NAS) est un ensemble de techniques visant à découvrir automatiquement de nouveaux modèles de réseaux de neurones artificiels. Les principales méthodes employées dans la littérature sont basées soit sur de l'apprentissage par renforcement, sur de la descente de gradient ou bien sur des algorithmes génétiques. Plusieurs méthodes NAS parviennent à obtenir des architectures qui atteignent ou surpassent les performances des modèles créés à la main. La recherche automatique d'architecture neuronale se définit suivant trois axes:
owl:sameAs
dbpedia-fa:جستجوی_معماری_عصبی dbr:Neural_architecture_search wikidata:Q55080142 n12:11gg99hqc8 dbpedia-zh:神经结构搜索
dbo:wikiPageID
14404369
dbo:wikiPageRevisionID
187752908
dbo:wikiPageWikiLink
dbpedia-fr:Détection_d'objet dbpedia-fr:Réseau_de_neurones_récurrents dbpedia-fr:Réseaux_antagonistes_génératifs dbpedia-fr:Sigmoïde_(mathématiques) dbpedia-fr:Algorithme_génétique dbpedia-fr:Loi_de_probabilité dbpedia-fr:Série_temporelle dbpedia-fr:Algorithme_du_gradient dbpedia-fr:Réseau_de_neurones_artificiels dbpedia-fr:Traitement_automatique_des_langues n16:Reinforcement_Learning_applied_to_Neural_Architecture_Search.png dbpedia-fr:Échantillonnage_(statistiques) dbpedia-fr:Réseau_neuronal_convolutif dbpedia-fr:Apprentissage_par_renforcement dbpedia-fr:Auto-encodeur category-fr:Intelligence_artificielle
dbo:wikiPageLength
10503
dct:subject
category-fr:Intelligence_artificielle
prop-fr:wikiPageUsesTemplate
n5:Portail n5:, n5:Références
prov:wasDerivedFrom
wikipedia-fr:Recherche_automatique_d'architecture_neuronale?oldid=187752908&ns=0
foaf:depiction
n6:Reinforcement_Learning_applied_to_Neural_Architecture_Search.png
dbo:thumbnail
n6:Reinforcement_Learning_applied_to_Neural_Architecture_Search.png?width=300
foaf:isPrimaryTopicOf
wikipedia-fr:Recherche_automatique_d'architecture_neuronale
dbo:abstract
La recherche automatique d'architecture neuronale (Neural Architecture Search, NAS) est un ensemble de techniques visant à découvrir automatiquement de nouveaux modèles de réseaux de neurones artificiels. Les principales méthodes employées dans la littérature sont basées soit sur de l'apprentissage par renforcement, sur de la descente de gradient ou bien sur des algorithmes génétiques. Plusieurs méthodes NAS parviennent à obtenir des architectures qui atteignent ou surpassent les performances des modèles créés à la main. La recherche automatique d'architecture neuronale se définit suivant trois axes: * L'espace de recherche, qui représente l'ensemble des architectures candidates ainsi que les opérations qui les composent. * La stratégie de recherche, qui guide la manière dont la recherche s'effectue. * Le critère (ou méthode) d'évaluation, qui estime les performances des architectures candidates. Génèralement, une métrique importante à prendre en compte lors de l'évaluation d'une méthode NAS est le coût en ressources induit par la recherche d'architecture (search cost). Les procédés NAS peuvent être employés pour rechercher une variété de types de réseaux de neurones (réseaux convolutifs, réseaux récurrents ou bien autoencodeurs).