# Epoch (Époque)

> Un passage complet du jeu de données d'entraînement à travers l'algorithme d'apprentissage.

- Page ZoneIA : https://zoneia.fr/glossaire/epoch-epoque
- Type : Définition du glossaire IA
- Catégories : [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data), [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

Une époque correspond à un cycle d’entraînement où le modèle voit **tous** les exemples du jeu de données une fois. Elle sert à mesurer l’avancement de l’apprentissage : après chaque époque, on peut évaluer si la performance s’améliore (sur l’entraînement et, idéalement, sur un jeu de validation).

## Comment ça fonctionne
En pratique, le jeu de données est souvent découpé en **mini-lots (batches)**. Pendant une époque, le modèle traite chaque batch successivement, calcule une erreur (loss), puis met à jour ses paramètres via la rétropropagation et un optimiseur (SGD, Adam, etc.).  
Nombre d’itérations par époque ≈ `taille_dataset / batch_size`.

## Pourquoi c’est important
- **Trop peu d’époques** : le modèle n’a pas assez appris (sous-apprentissage).
- **Trop d’époques** : le modèle peut mémoriser le jeu d’entraînement et généraliser moins bien (surapprentissage).

On choisit donc le nombre d’époques comme un **hyperparamètre**, souvent avec des techniques comme l’**early stopping** (arrêt anticipé) pour stopper quand la validation n’améliore plus.

## Exemple concret
Sur 100 000 images avec un batch size de 100, une époque représente 1 000 itérations. En entraînant 10 époques, le modèle aura vu chaque image 10 fois (avec éventuellement un mélange/shuffle entre époques).

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/epoch-epoque)