Définition
L’apprentissage ajuste des paramètres pour réduire une erreur ou augmenter une récompense. Un objectif, des données et une procédure d’optimisation définissent ce qui est appris. À l’inférence, le modèle utilise ses paramètres et le contexte disponible pour calculer une sortie.
Équation
θ représente les paramètres, L une fonction de perte et η le pas d’apprentissage. Cette étape de descente de gradient est illustrative ; tous les systèmes n’utilisent pas exactement cette règle.
Hypothèses et notation
θ représente les paramètres, L une fonction de perte et η le pas d’apprentissage. Cette étape de descente de gradient est illustrative ; tous les systèmes n’utilisent pas exactement cette règle.
Limites de l’interprétation
Modifier la consigne change les entrées ; cela ne signifie pas que les paramètres sont réentraînés. L’apprentissage supervisé, auto-supervisé et par renforcement décrit des méthodes, pas des architectures.