Descente de gradient

TThéa

La descente de gradient est une méthode d’apprentissage qui ajuste les paramètres d’un modèle pour réduire ses erreurs, en suivant la direction indiquée par le gradient. Imaginez chercher le point bas d’une vallée dans le brouillard : vous observez la pente sous vos pieds, faites un petit pas vers le bas, puis recommencez sans voir toute la vallée. Dans un réseau de neurones, chaque étape modifie légèrement les connexions internes pour rapprocher les réponses du modèle des exemples attendus. Répétée sur de nombreux exemples, cette méthode aide le modèle à repérer des régularités et à améliorer ses prédictions sur des cas nouveaux. Mais elle ne garantit pas la meilleure solution : le résultat dépend des données et des réglages, et un modèle peut apprendre des régularités trompeuses.