| http://dbpedia.org/ontology/abstract
|
Пристосо́вування о́бласті ви́значення (анг … Пристосо́вування о́бласті ви́значення (англ. domain adaptation) — це область, пов'язана з машинним та передавальним навчанням. Цей сценарій виникає тоді, коли ми маємо на меті навчання з первинного розподілу даних ефективної моделі на іншому (але пов'язаному) цільовому розподілі даних. Наприклад, одна з підзадач поширеної задачі фільтрування спаму полягає в пристосовуванні моделі від одного користувача (первинний розподіл) до нового користувача, який отримує суттєво відмінні електронні листи (цільовий розподіл). Пристосовування області визначення виявилося корисним і для навчання непов'язаних джерел. Зауважте, що, коли доступно більше одного первинного розподілу, цю задачу називають багатоджерельним пристосовуванням області визначення (англ. multi-source domain adaptation).ня (англ. multi-source domain adaptation).
, Domain adaptation is a field associated wi … Domain adaptation is a field associated with machine learning and transfer learning. This scenario arises when we aim at learning from a source data distribution a well performing model on a different (but related) target data distribution. For instance, one of the tasks of the common spam filtering problem consists in adapting a model from one user (the source distribution) to a new user who receives significantly different emails (the target distribution). Domain adaptation has also been shown to be beneficial for learning unrelated sources.Note that, when more than one source distribution is available the problem is referred to as multi-source domain adaptation.rred to as multi-source domain adaptation.
, L'adaptation de domaine (domain adaptation … L'adaptation de domaine (domain adaptation en anglais) est un champ de recherche de l'apprentissage automatique, et plus précisément de l'apprentissage par transfert. L'objectif est d'effectuer une tâche d'adaptation d'un système d'apprentissage d'un domaine (une distribution de probabilité) source vers un domaine (une distribution de probabilité) cible. Lorsque plusieurs domaines sources sont disponibles, on parle alors d’adaptation de domaine multi-sources.ors d’adaptation de domaine multi-sources.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Transfer_learning_and_domain_adaptation.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageID
|
45390860
|
| http://dbpedia.org/ontology/wikiPageLength
|
14052
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1112460971
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Bayesian_hierarchical_model +
, http://dbpedia.org/resource/Supervised_learning +
, http://dbpedia.org/resource/Feature_space +
, http://dbpedia.org/resource/File:Transfer_learning_and_domain_adaptation.png +
, http://dbpedia.org/resource/COVID-19_pandemic +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Anti-spam_techniques +
, http://dbpedia.org/resource/Adversarial_machine_learning +
, http://dbpedia.org/resource/Inductive_transfer +
, http://dbpedia.org/resource/Computer_vision +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Technical +
, http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:Cn +
, http://dbpedia.org/resource/Template:Reflist +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Machine_learning +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Field +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Domain_adaptation?oldid=1112460971&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Transfer_learning_and_domain_adaptation.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Domain_adaptation +
|
| owl:sameAs |
http://rdf.freebase.com/ns/m.012vqfs3 +
, http://uk.dbpedia.org/resource/%D0%9F%D1%80%D0%B8%D1%81%D1%82%D0%BE%D1%81%D0%BE%D0%B2%D1%83%D0%B2%D0%B0%D0%BD%D0%BD%D1%8F_%D0%BE%D0%B1%D0%BB%D0%B0%D1%81%D1%82%D1%96_%D0%B2%D0%B8%D0%B7%D0%BD%D0%B0%D1%87%D0%B5%D0%BD%D0%BD%D1%8F +
, https://global.dbpedia.org/id/qV6A +
, http://fr.dbpedia.org/resource/Adaptation_de_domaine +
, http://fa.dbpedia.org/resource/%D8%AA%D8%B7%D8%A8%DB%8C%D9%82_%D8%AF%D8%A7%D9%85%D9%86%D9%87 +
, http://www.wikidata.org/entity/Q19246213 +
, http://dbpedia.org/resource/Domain_adaptation +
|
| rdfs:comment |
L'adaptation de domaine (domain adaptation … L'adaptation de domaine (domain adaptation en anglais) est un champ de recherche de l'apprentissage automatique, et plus précisément de l'apprentissage par transfert. L'objectif est d'effectuer une tâche d'adaptation d'un système d'apprentissage d'un domaine (une distribution de probabilité) source vers un domaine (une distribution de probabilité) cible. Lorsque plusieurs domaines sources sont disponibles, on parle alors d’adaptation de domaine multi-sources.ors d’adaptation de domaine multi-sources.
, Domain adaptation is a field associated wi … Domain adaptation is a field associated with machine learning and transfer learning. This scenario arises when we aim at learning from a source data distribution a well performing model on a different (but related) target data distribution. For instance, one of the tasks of the common spam filtering problem consists in adapting a model from one user (the source distribution) to a new user who receives significantly different emails (the target distribution). Domain adaptation has also been shown to be beneficial for learning unrelated sources.Note that, when more than one source distribution is available the problem is referred to as multi-source domain adaptation.rred to as multi-source domain adaptation.
, Пристосо́вування о́бласті ви́значення (анг … Пристосо́вування о́бласті ви́значення (англ. domain adaptation) — це область, пов'язана з машинним та передавальним навчанням. Цей сценарій виникає тоді, коли ми маємо на меті навчання з первинного розподілу даних ефективної моделі на іншому (але пов'язаному) цільовому розподілі даних. Наприклад, одна з підзадач поширеної задачі фільтрування спаму полягає в пристосовуванні моделі від одного користувача (первинний розподіл) до нового користувача, який отримує суттєво відмінні електронні листи (цільовий розподіл). Пристосовування області визначення виявилося корисним і для навчання непов'язаних джерел. Зауважте, що, коли доступно більше одного первинного розподілу, цю задачу називають багатоджерельним пристосовуванням області визначення (англ. multi-source domain adaptation).ня (англ. multi-source domain adaptation).
|
| rdfs:label |
Пристосовування області визначення
, Adaptation de domaine
, Domain adaptation
|
