Analysez comment un système apprend au fil de tâches successives sans effacer ses capacités antérieures.
Étudiez les scénarios d’apprentissage continu, l’équilibre stabilité-plasticité, mémoire et généralisation, ainsi qu’une étude d’apprentissage par renforcement continu sans indication explicite de tâche. Le parcours va du protocole d’évaluation séquentielle aux mécanismes d’adaptation et aux coûts mémoire, puis à une référence simple en apprentissage par renforcement. Distinguez rétention et transfert, et concevez des évaluations révélant oubli, effets d’ordre et coûts de ressources. Les vidéos sont en anglais ; les notes et exercices originaux ne reproduisent pas les transcriptions.
Définir un scénario d’apprentissage continu selon l’ordre des tâches, l’accès à leur identité, le régime de données et le protocole d’évaluation. Comparer les choix de stabilité, de plasticité et de mémoire au regard de la rétention, de l’adaptation et des ressources. Concevoir une évaluation séquentielle mesurant oubli, transfert et sensibilité à l’ordre des tâches face à une référence simple.
Une connaissance des réseaux de neurones, de l’optimisation et de l’apprentissage supervisé est recommandée. Les probabilités de base, l’évaluation entraînement/validation/test et la lecture de méthodes de recherche sont utiles ; aucune expérience d’implémentation de l’apprentissage continu n’est requise.
Aux apprenants expérimentés souhaitant approfondir et appliquer des compétences avancées en IA
Aux personnes qui apprennent mieux avec des exemples, des leçons guidées et de la pratique
Aux professionnels, créateurs et développeurs indépendants recherchant une méthode reproductible
La leçon 1 est gratuite
4 leçons · Avancé · Cours complet.
Ce cours utilise du contenu sous licence CC BY attribué à son fournisseur ou à la personne qui l’a mis en ligne. La lecture des leçons est disponible uniquement après authentification et validation des contrôles de publication et de licence.