[ИАД, весна 2026] Введение в машинное обучение. Лекция 12: Инкрементное и онлайновое обучение

[ИАД, весна 2026] Введение в машинное обучение. Лекция 12: Инкрементное и онлайновое обучение

par Machine Learning – Intelligent Systems

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Machine Learning – Intelligent Systems 👥 8K 📅 7 mai 2026 ⏱ 109 min 👁 229 📄 cours magistral 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

apprentissage incrémentalapprentissage en lignenaive Bayessélection de prototypesoubli catastrophique

Résumé

Cette leçon, la dernière du cours d’introduction au machine learning, aborde l’apprentissage incrémental et en ligne. L’enseignant commence par définir le cadre : un flux d’objets arrive en continu, la taille de l’échantillon n’est pas fixe, et le modèle doit s’adapter en temps réel. Il distingue les notions d’apprentissage en ligne (online) et incrémental (incremental), soulignant que l’online est un cas particulier de l’incrémental. Il introduit également des concepts connexes comme l’apprentissage tout au long de la vie (lifelong learning) et les algorithmes anytime. La première partie est consacrée aux méthodes à base de prototypes (lazy learning) : l’enseignant explique comment sélectionner et mettre à jour un ensemble de prototypes avec un budget limité, en utilisant une mesure d’utilité basée sur la perte leave-one-out. La deuxième partie traite du classifieur naïf bayésien. L’enseignant montre comment, en supposant l’indépendance des attributs et en utilisant des densités exponentielles, on obtient un classifieur linéaire. Il détaille la dérivation des paramètres et souligne que la mise à jour incrémentale est triviale grâce à la formule récursive de la moyenne. La leçon se termine par une discussion sur les avantages et les limites de ces approches.

191 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : le cours fournit une base solide pour comprendre les défis de l’apprentissage en ligne et les solutions classiques. L’argumentation est rigoureuse : l’enseignant dérive les formules, explique les hypothèses et discute des compromis. Par exemple, il montre comment le classifieur naïf bayésien devient linéaire sous certaines conditions, et comment la sélection de prototypes permet de gérer un budget mémoire. Les explications sont claires et structurées, avec des rappels utiles sur les méthodes déjà vues.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les concepts sont présentés avec précision, les formules sont correctes et les limites sont mentionnées. Cependant, aucune source externe n’est citée dans la vidéo, et la description ne contient aucun lien. Le titre est en adéquation avec le contenu. La qualité des sources est donc difficile à évaluer, mais le contenu semble fiable et pédagogique.

157 mots

Adéquation titre / contenu

Le titre correspond parfaitement au contenu : il s'agit bien de la douzième leçon d'un cours d'introduction au machine learning, consacrée à l'apprentissage incrémental et en ligne.

Qualité & fiabilité

8/10

Cours universitaire structuré, présenté par un enseignant visiblement expert en machine learning. Les concepts sont expliqués avec rigueur, les formules sont dérivées et les limites des méthodes sont discutées. La qualité est élevée, mais il s'agit d'un cours introductif, sans validation expérimentale originale.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Apport & nouveautés

Cette leçon apporte une synthèse claire et pédagogique des méthodes d’apprentissage incrémental et en ligne, en les reliant aux concepts déjà connus du cours. L’originalité réside dans la présentation unifiée de la sélection de prototypes et du classifieur naïf bayésien, avec une dérivation détaillée de leur version incrémentale. L’accent mis sur l’oubli catastrophique et les stratégies pour le gérer est particulièrement pertinent.

Pour aller plus loin :

  • Apprentissage en ligne (Wikipedia) — Article de synthèse sur l’apprentissage en ligne en machine learning.
  • Oubli catastrophique (Wikipedia) — Article dédié à ce phénomène et aux méthodes pour le contrer.
  • Classifieur naïf bayésien (Wikipedia) — Page détaillant le fonctionnement et les variantes de ce classifieur.
  • Apprentissage continu (Wikipedia) — Article sur l’apprentissage tout au long de la vie, un domaine connexe.

128 mots

Profil radar

Le profil radar est équilibré, avec des scores élevés en quantité et qualité d'information, ainsi qu'en fiabilité. Le niveau technique est également bon, ce qui indique un contenu dense et fiable, adapté à un public ayant déjà des bases en machine learning.

Fiabilité 8/10