Informējam, ka Sistēma pielāgota darbam ar interneta pārlūkprogrammu Internet Explorer (8. un jaunākām versijām) un Mozilla Firefox (3.6 un jaunākām versijām).
Izmantojot citu interneta pārlūkprogrammu, brīdinām, ka Sistēmas funkcionalitāte var tikt traucēta.
Dans le contexte des données d’entraînement pour l’apprentissage automatique de l’intelligence artificielle (IA/ML) en matière d’observation de la Terre (EO), le présent document spécifie un modèle conceptuel qui:
— établit un modèle UML dans le but de maximiser l’interopérabilité et l’utilisabilité des données d’entraînement à l’imagerie d’observation de la Terre;
— spécifie les différentes tâches et étiquettes d’IA/ML dans le domaine de l’EO en termes d’apprentissage supervisé, y compris les tâches au niveau de la scène, de l’objet et du pixel;
— décrit l’identifiant permanent, la version, la licence, la taille des données d’entraînement, les mesures ou l’imagerie utilisée pour l’annotation;
— spécifie une description de la qualité (par exemple, les erreurs dans les données d’entraînement, la représentativité des données d’entraînement, les mesures de la qualité) et de la provenance (par exemple, les agents qui effectuent l’étiquetage, la procédure d’étiquetage).
Reģistrācijas numurs (WIID)
80117
Darbības sfēra
Dans le contexte des données d’entraînement pour l’apprentissage automatique de l’intelligence artificielle (IA/ML) en matière d’observation de la Terre (EO), le présent document spécifie un modèle conceptuel qui:
— établit un modèle UML dans le but de maximiser l’interopérabilité et l’utilisabilité des données d’entraînement à l’imagerie d’observation de la Terre;
— spécifie les différentes tâches et étiquettes d’IA/ML dans le domaine de l’EO en termes d’apprentissage supervisé, y compris les tâches au niveau de la scène, de l’objet et du pixel;
— décrit l’identifiant permanent, la version, la licence, la taille des données d’entraînement, les mesures ou l’imagerie utilisée pour l’annotation;
— spécifie une description de la qualité (par exemple, les erreurs dans les données d’entraînement, la représentativité des données d’entraînement, les mesures de la qualité) et de la provenance (par exemple, les agents qui effectuent l’étiquetage, la procédure d’étiquetage).
