Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
Functional neuroimagingFunctional neuroimaging is the use of neuroimaging technology to measure an aspect of brain function, often with a view to understanding the relationship between activity in certain brain areas and specific mental functions. It is primarily used as a research tool in cognitive neuroscience, cognitive psychology, neuropsychology, and social neuroscience.
Imagerie par résonance magnétiqueL'imagerie par résonance magnétique (IRM) est une technique d' permettant d'obtenir des vues en deux ou en trois dimensions de l'intérieur du corps de façon non invasive avec une résolution en contraste relativement élevée. L'IRM repose sur le principe de la résonance magnétique nucléaire (RMN) qui utilise les propriétés quantiques des noyaux atomiques pour la spectroscopie en analyse chimique. L'IRM nécessite un champ magnétique puissant et stable produit par un aimant supraconducteur qui crée une magnétisation des tissus par alignement des moments magnétiques de spin.
Substance grisethumb|Hémisphère droit d'un cerveau humain disséqué à la suite d'une coupe sagittale, révélant la substance grise dans la partie externe et la substance blanche dans la partie interne. La substance grise est la partie des tissus du système nerveux central composée essentiellement des corps cellulaires et de l'arbre dendritique des neurones ainsi que de certaines cellules gliales. Au microscope, la substance grise apparaît plus sombre que le reste du tissu nerveux, dit substance blanche, qui est essentiellement constitué des faisceaux de fibres axonales gainées de myéline, à la couleur blanchâtre.
Imagerie spectroscopique proche infrarougeL'imagerie spectroscopique proche infrarouge fonctionnelle (ISPIf, en anglais Near Infrared Spectroscopic Imaging, NIRSI ou functional near-infrared imaging, fNIR) ou spectroscopie proche infrarouge fonctionnelle (SPIRf) est l'application à l' de la spectroscopie proche infrarouge. Cette technique consiste à mesurer de l'oxygénation d'une zone du cerveau afin d'en déduire son activité. Les tissus humains sont relativement transparents à la lumière dans la gamme du proche infrarouge (entre 700 et ) qui peut donc les traverser sur plusieurs centimètres, on parle de fenêtre optique du spectre.
Substance blanchethumb|Hémisphère droit d'un cerveau humain disséqué à la suite d'une coupe sagittale, révélant la substance grise dans la partie externe et la substance blanche dans la partie interne. La substance blanche est une catégorie de tissu du système nerveux central, principalement composé des axones myélinisés des neurones. Elle relie différentes aires de la substance grise où se situent les corps cellulaires des neurones. Elle constitue la partie interne du cerveau et la partie superficielle de la moelle épinière.
Apprentissage non superviséDans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiquetées comme « balle » ou « poisson »). Il s'agit donc de découvrir les structures sous-jacentes à ces données non étiquetées. Puisque les données ne sont pas étiquetées, il est impossible à l'algorithme de calculer de façon certaine un score de réussite.
Imagerie cérébraleLimagerie cérébrale (dite aussi neuro-imagerie) désigne l'ensemble des techniques issues de l' qui permettent d'observer le cerveau, en particulier lorsqu'un individu exécute une tâche cognitive. L'observation du cerveau par autopsie est imprécise et incomplète en ce qu'elle se limite à l'analyse d'un état figé qui ne peut rendre compte d'effets liés aux évolutions dans l'organe vivant. Le premier effort connu de neuro-imagerie visant à dépasser cette limite a été la « balance de circulation humaine » de Angelo Mosso développée dans les années 1880.
Imagerie par résonance magnétique fonctionnellethumb|Détection par l'IRMf de l'activation des régions du cerveau impliquées dans la perception visuelle. L’imagerie par résonance magnétique fonctionnelle (IRMf) est une application de l' permettant de visualiser, de manière indirecte, l'activité cérébrale. Il s'agit d'une technique d'imagerie utilisée pour l'étude du fonctionnement du cerveau. Elle consiste à enregistrer des variations hémodynamiques (variation des propriétés du flux sanguin) cérébrales locales minimes, lorsque ces zones sont stimulées.
Gyrus cingulaireLe gyrus cingulaire est un gyrus du lobe limbique du cortex cérébral. Il est situé sur la face médiale des hémisphères, au-dessus du corps calleux. Au-dessus, il est séparé du gyrus frontal supérieur par le sillon cingulaire et du précuneus par le sillon sous-pariétal. En dessous, sa limite est le sillon du corps calleux. Au niveau du splénium du corps calleux, le gyrus cingulaire se rétrécit dans l'isthme qui se poursuit par le gyrus parahippocampique. En latin, cingulum signifie « ceinture » (Gaffiot).
Matière dégénéréeOn dit de la matière qu'elle est dégénérée lorsque sa densité est suffisamment élevée pour que le principe d'exclusion de Pauli intervienne à l'échelle macroscopique, ce qui a pour conséquence de modifier la relation qui lie normalement la pression et le volume d'un gaz avec sa température. À partir d'une certaine pression (ou d'une certaine densité), la matière est déstructurée et se comporte comme un gaz. Elle subit alors une force, exercée par ses électrons, qui s'oppose à sa contraction et empêche sa densité d'augmenter, la pression de dégénérescence.
Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
Apprentissage automatiqueL'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
Apprentissage de représentationsEn apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.
Apprentissage par renforcement profondL'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.
Q-learningvignette|400x400px|Dans le Q-learning, l'agent exécute une action a en fonction de l'état s et d'une fonction Q. Il perçoit alors le nouvel état s' et une récompense r de l'environnement. Il met alors à jour la fonction Q. Le nouvel état s' devient alors l'état s, et l'apprentissage continue. En intelligence artificielle, plus précisément en apprentissage automatique, le Q-learning est un algorithme d'apprentissage par renforcement. Il ne nécessite aucun modèle initial de l'environnement.
Apprentissage par renforcementEn intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome ( robot, agent conversationnel, personnage dans un jeu vidéo), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative.
MatièreEn physique, la matière est ce qui compose tout corps (objet ayant une réalité spatiale et massique). C'est-à-dire plus simplement une substance matérielle et donc occupe de l'espace. Les quatre états les plus communs sont l'état solide, l'état liquide, l'état gazeux et l'état plasma. Réciproquement, en physique, tout ce qui a une masse est de la matière. La matière ordinaire qui nous entoure est formée principalement de baryons et constitue la matière baryonique.
Connecteur logiqueEn logique, un connecteur logique est un opérateur booléen utilisé dans le calcul des propositions. Comme dans toute approche logique, il faut distinguer un aspect syntaxique et un aspect sémantique. D'un point de vue syntaxique, les connecteurs sont des opérateurs dans un langage formel pour lesquels un certain nombre de règles définissent leur usage, au besoin complétées par une sémantique. Si l'on se place dans la logique classique, l'interprétation des variables se fait dans les booléens ou dans une extension multivalente de ceux-ci.
Cerveauvignette|Cerveau d'un chimpanzé. Le cerveau est le principal organe du système nerveux des animaux bilatériens. Ce terme tient du langage courant (non scientifique) et chez les chordés, comme les humains, il peut désigner l'encéphale, ou uniquement une partie de l'encéphale, le prosencéphale (télencéphale + diencéphale), voire seulement le télencéphale. Néanmoins, dans cet article, le terme « cerveau » prend son sens le plus large. Le cerveau des chordés est situé dans la tête, protégé par le crâne chez les craniés, et son volume varie grandement d'une espèce à l'autre.
