Chauffage de l'eauLe chauffage de l'eau est un processus de transfert de chaleur qui utilise une source d'énergie pour chauffer l'eau au-dessus de sa température initiale. Les usages domestiques typiques de l'eau chaude comprennent la cuisine, le nettoyage, la baignade (eau chaude sanitaire, ECS) et le chauffage des locaux (fluide caloporteur). Dans l'industrie, l'eau chaude et l'eau chauffée en vapeur ont de nombreux usages (voir aussi l'article « eau d'alimentation de chaudière »).
Chauffe-eau solaireUn chauffe-eau solaire est un dispositif de captage de l'énergie solaire destiné à fournir partiellement ou totalement de l'eau chaude sanitaire (ECS). Quand il est destiné à une maison individuelle ou à l'usage d'un seul foyer, on parle de CESI, pour « Chauffe-Eau Solaire Individuel ». Ce type de chauffage de l'eau permet, habituellement, de compléter les autres types de chauffage de l'eau, exploitant d'autres sources énergétiques (électricité, énergies fossiles, biomasse) ; dans certaines conditions il permet de les remplacer totalement.
Chauffage centralLe chauffage central désigne un mode de chauffage avec lequel on peut chauffer les différentes pièces d'une maison, d'un immeuble, ou d'une ville, à partir d'un seul générateur de chaleur communément nommé chaudière, ou chauffage urbain. La chaleur est acheminée au moyen d'un fluide caloporteur, dans des tuyaux, vers les radiateurs, ou directement au moyen d'air chaud, dans des gaines, vers les différentes pièces, comme c'est le cas pour les calorifères.
Simple random sampleIn statistics, a simple random sample (or SRS) is a subset of individuals (a sample) chosen from a larger set (a population) in which a subset of individuals are chosen randomly, all with the same probability. It is a process of selecting a sample in a random way. In SRS, each subset of k individuals has the same probability of being chosen for the sample as any other subset of k individuals. A simple random sample is an unbiased sampling technique. Simple random sampling is a basic type of sampling and can be a component of other more complex sampling methods.
Échantillonnage (statistiques)thumb|Exemple d'échantillonnage aléatoire En statistique, l'échantillonnage désigne les méthodes de sélection d'un sous-ensemble d'individus (un échantillon) à l'intérieur d'une population pour estimer les caractéristiques de l'ensemble de la population. Cette méthode présente plusieurs avantages : une étude restreinte sur une partie de la population, un moindre coût, une collecte des données plus rapide que si l'étude avait été réalisé sur l'ensemble de la population, la réalisation de contrôles destructifs Les résultats obtenus constituent un échantillon.
Plancher chauffantUn plancher chauffant est un système de chauffage des bâtiments par le sol. L'énergie de chauffage produit par une chaudière est généralement transmise au plancher via un réseau circulant sous le plancher. Ce réseau est principalement hydraulique ou électrique. Les systèmes récents de plancher hydraulique sont dits basse température, car l'eau circule dans les tuyaux à une température moyenne comprise entre et . L'émission de chaleur par le sol intégrée au bâtiment n'est pas nouvelle.
Chauffage, ventilation et climatisationthumb|Un système de refroidissement. Le chauffage, ventilation et climatisation (en abrégé CVC), équivalent en France de l'anglais (en abrégé HVAC, diffusé mondialement) est un ensemble de domaines techniques regroupant les corps d'état traitant du confort aéraulique. Ce qualificatif s'applique à tous types de bâtiments (habitat, tertiaire, industriel) et de véhicules. Il regroupe les spécialités et spécialistes du chauffage, de la ventilation et de la climatisation.
Échantillonnage stratifiévignette|Vous prenez un échantillon aléatoire stratifié en divisant d'abord la population en groupes homogènes (semblables en eux-mêmes) (strates) qui sont distincts les uns des autres, c'est-à-dire. Le groupe 1 est différent du groupe 2. Ensuite, choisissez un EAS (échantillon aléatoire simple) distinct dans chaque strate et combinez ces EAS pour former l'échantillon complet. L'échantillonnage aléatoire stratifié est utilisé pour produire des échantillons non biaisés.
Chauffage électriqueUn chauffage électrique est un appareil destiné à la production de chaleur par l'électricité (électrothermie). Il peut équiper tout type de logement et être utilisé aussi bien en tant que chauffage principal qu'en complément d'un chauffage préexistant. Le chauffage électrique, aisé à réguler, comportait traditionnellement un thermostat pour chaque appareil. Les systèmes électroniques « fil pilote » permettent depuis de centraliser le pilotage, tout en préservant la possibilité de choisir une température différente pour chaque radiateur contrôlé.
Réseau de chaleurUn 'réseau de chaleur (également appelé réseau de chauffage urbain', réseau de chauffage à distance) est une installation distribuant à plusieurs utilisateurs clients de la chaleur produite par une ou plusieurs chaufferies, via un ensemble de canalisations de transport de chaleur (en polyéthylène ou en acier). La chaleur ainsi distribuée est principalement utilisée pour le chauffage des bâtiments et de l'eau chaude sanitaire ; certains réseaux fournissent également de la chaleur à usage industriel.
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.
Échantillon biaiséEn statistiques, le mot biais a un sens précis qui n'est pas tout à fait le sens habituel du mot. Un échantillon biaisé est un ensemble d'individus d'une population, censé la représenter, mais dont la sélection des individus a introduit un biais qui ne permet alors plus de conclure directement pour l'ensemble de la population. Un échantillon biaisé n'est donc pas un échantillon de personnes biaisées (bien que ça puisse être le cas) mais avant tout un échantillon sélectionné de façon biaisée.
Réseau de neurones récurrentsUn réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.
Nonprobability samplingSampling is the use of a subset of the population to represent the whole population or to inform about (social) processes that are meaningful beyond the particular cases, individuals or sites studied. Probability sampling, or random sampling, is a sampling technique in which the probability of getting any particular sample may be calculated. In cases where external validity is not of critical importance to the study's goals or purpose, researchers might prefer to use nonprobability sampling.
Sampling errorIn statistics, sampling errors are incurred when the statistical characteristics of a population are estimated from a subset, or sample, of that population. It can produced biased results. Since the sample does not include all members of the population, statistics of the sample (often known as estimators), such as means and quartiles, generally differ from the statistics of the entire population (known as parameters). The difference between the sample statistic and population parameter is considered the sampling error.
Neural networkA neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.
Forêt d'arbres décisionnelsvignette|Illustration du principe de construction d'une forêt aléatoire comme agrégation d'arbre aléatoires. En apprentissage automatique, les forêts d'arbres décisionnels (ou forêts aléatoires de l'anglais random forest classifier) forment une méthode d'apprentissage ensembliste. Ils ont été premièrement proposées par Ho en 1995 et ont été formellement proposées en 2001 par Leo Breiman et Adele Cutler. Cet algorithme combine les concepts de sous-espaces aléatoires et de bagging.
Pic de HubbertLe pic de Hubbert ou courbe de Hubbert, est une courbe en cloche proposée dans les années 1940 par le géophysicien Marion King Hubbert, qui modélise la production d'une matière première donnée, en particulier celle du pétrole. Cette courbe devint célèbre quand Hubbert en fit la présentation officielle à l'American Petroleum Institute en 1956, avec les deux points importants suivants : cette courbe en cloche passe par un maximum, indiquant que la production décline forcément par la suite ; elle est relativement symétrique par rapport à ce maximum.
Réseau de neurones à propagation avantUn réseau de neurones à propagation avant, en anglais feedforward neural network, est un réseau de neurones artificiels acyclique, se distinguant ainsi des réseaux de neurones récurrents. Le plus connu est le perceptron multicouche qui est une extension du premier réseau de neurones artificiel, le perceptron inventé en 1957 par Frank Rosenblatt. vignette|Réseau de neurones à propagation avant Le réseau de neurones à propagation avant est le premier type de réseau neuronal artificiel conçu. C'est aussi le plus simple.
Apprentissage superviséL'apprentissage supervisé (supervised learning en anglais) est une tâche d'apprentissage automatique consistant à apprendre une fonction de prédiction à partir d'exemples annotés, au contraire de l'apprentissage non supervisé. On distingue les problèmes de régression des problèmes de classement. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification.
