Non, car en gros, pour apprendre deux fois plus de choses, il faut deux fois plus de temps (et de données). Un apprentissage se fait a détriment de l'autre.
Pour une machine peut-être mais pas pour un être humain.
En fait il se trouve que pour un machine aussi ! C'est un sujet de recherche très actif qu'on appelle le transfert learning, et on le fait par exemple en apprenant à traduire en même temps qu'on apprends à classifier des textes (en gros on réutilise une partie du modèle (du réseau de neurone) dans les deux tâches, en s'entraînant alternativement entre l'une et l'autre). L'avantage est de mieux apprendre et généraliser des propriétés de bases des données réelles (on se situe souvent au niveau de ce qu'on appelle automatic feature extraction, ou extraction automatique des caractéristiques, ce qui, selon certains (dont Andrew Ng), a fait la force du deep learning − c'est une des propriétés des auto-encoders par exemple).
[^] # Re: Bêtise naturelle
Posté par Alex G. . En réponse au journal "Intelligence artificielle", vraiment?. Évalué à 4.
En fait il se trouve que pour un machine aussi ! C'est un sujet de recherche très actif qu'on appelle le transfert learning, et on le fait par exemple en apprenant à traduire en même temps qu'on apprends à classifier des textes (en gros on réutilise une partie du modèle (du réseau de neurone) dans les deux tâches, en s'entraînant alternativement entre l'une et l'autre). L'avantage est de mieux apprendre et généraliser des propriétés de bases des données réelles (on se situe souvent au niveau de ce qu'on appelle automatic feature extraction, ou extraction automatique des caractéristiques, ce qui, selon certains (dont Andrew Ng), a fait la force du deep learning − c'est une des propriétés des auto-encoders par exemple).