Comment les modèles apprennent réellement, de la descente de gradient classique à Adam
Parfois, les paramètres n'ont pas le droit d'aller n'importe où. Ils doivent satisfaire des contraintes : poids non négatifs, normes bornées, probabilités qui doivent rester non négatives et sommer à 1 (un ensemble appelé le simplexe de probabilité), limites d'équité, limites de sécurité, ou faisabilité physique.
🔒 This is a Pro lesson — the interactive figure, worked examples, quiz and practice open with Pro access.
▶ Optimisation sous contrainte et projections