Optimisation avancée via fine-tuning sélectif d’un modèle pré-entraîné

Scénario

Contexte : Un modèle pré-entraîné est utilisé pour classification spécialisée industrielle. Le Problème : Le fine-tuning complet provoque surapprentissage ou instabilité. Contraintes : Identifier couches à geler. Appliquer learning rates différenciés. Évaluer impact sur convergence et performance. Livrable attendu : Proposer une stratégie de fine-tuning sélectif optimisée pour maximiser performance tout en maintenant stabilité.

Compétences ciblées