Observatoire de neutrinosthumb|Intérieur de , un détecteur de neutrinos lancé en 2002. Un observatoire de neutrinos est un dispositif permettant de détecter les neutrinos. En raison de la très faible interaction des neutrinos avec la matière, ces dispositifs doivent être très étendus pour en détecter un nombre significatif. De tels observatoires sont souvent construits sous terre, pour isoler le détecteur des rayons cosmiques et autres rayonnements d'arrière-plan. De nombreuses méthodes de détection ont été inventées.
Astronomie neutrinoL’astronomie neutrino (parfois astronomique neutrinique) est la branche de l'astronomie qui observe les objets célestes à l'aide de détecteurs de neutrinos, des leptons neutres de faible masse décrits par la théorie électrofaible. Étant donné leur très faible interaction avec la matière, les neutrinos ont la capacité de traverser des distances cosmologiques sans dévier de leur trajectoire initiale, faisant d'eux d'excellents messagers astronomiques permettant de retracer directement l'origine de leur lieu de production.
NeutrinoLe neutrino est une particule élémentaire du modèle standard de la physique des particules. Les neutrinos sont des fermions de , plus précisément des leptons. Ils sont électriquement neutres. Il en existe trois « saveurs » : électronique, muonique et tauique. L’existence du neutrino a été postulée pour la première fois en 1930 par Wolfgang Pauli pour expliquer le spectre continu de la désintégration bêta ainsi que l’apparente non-conservation du moment cinétique, et sa première confirmation expérimentale remonte à 1956.
Problème des neutrinos solairesLe problème des neutrinos solaires est apparu récemment avec la création de structures permettant la détection des neutrinos, et en particulier Super-Kamiokande dans les années 1990 au Japon. Il provient d'une quantité trop faible de neutrinos détectés par rapport à la valeur théorique. Des notions de physique quantique sont nécessaires pour comprendre ce problème. Les neutrinos et antineutrinos sont des particules élémentaires de masse très faible (elle était souvent supposée nulle au début des recherches), introduits dans la théorie de la physique quantique pour assurer la conservation de l'énergie dans les processus de réaction nucléaire.
Oscillation des neutrinosvignette|Phénomène périodique L'oscillation du neutrino est un phénomène de la mécanique quantique dans lequel un neutrino créé avec une certaine saveur leptonique (neutrino électronique, muonique ou tauique) peut être mesuré plus tard ayant une saveur différente. La probabilité d'avoir une valeur donnée de cette propriété varie de façon périodique alors que la particule se propage. L'oscillation du neutrino est d'intérêt tant théorique qu'expérimental, puisque l'observation de ce phénomène implique la non-nullité de la masse de la particule, .
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.
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.
Supernova neutrinosSupernova neutrinos are weakly interactive elementary particles produced during a core-collapse supernova explosion. A massive star collapses at the end of its life, emitting on the order of 1058 neutrinos and antineutrinos in all lepton flavors. The luminosity of different neutrino and antineutrino species are roughly the same. They carry away about 99% of the gravitational energy of the dying star as a burst lasting tens of seconds. The typical supernova neutrino energies are 10MeV.
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.
Fond cosmologique de neutrinosLe fond cosmologique de neutrinos (, en abrégé : CNB ou CνB (lire : « C-nu-B ») représente l'ensemble des neutrinos qui ont été produits lors du Big Bang. Ils représentent en nombre et en énergie totale la très grande majorité des neutrinos de tout l'univers. L'énergie individuelle des neutrinos cosmologiques est par contre très faible. Elle est du même ordre que celle des photons du fond diffus cosmologique, soit environ 0,2 milliélectron-volt si leur masse est nulle.
Arbre de décisionvignette| Arbre de décision Un arbre de décision est un outil d'aide à la décision représentant un ensemble de choix sous la forme graphique d'un arbre. Les différentes décisions possibles sont situées aux extrémités des branches (les « feuilles » de l'arbre), et sont atteintes en fonction de décisions prises à chaque étape. L'arbre de décision est un outil utilisé dans des domaines variés tels que la sécurité, la fouille de données, la médecine, etc. Il a l'avantage d'être lisible et rapide à exécuter.
Convenience samplingConvenience sampling (also known as grab sampling, accidental sampling, or opportunity sampling) is a type of non-probability sampling that involves the sample being drawn from that part of the population that is close to hand. This type of sampling is most useful for pilot testing. Convenience sampling is not often recommended for research due to the possibility of sampling error and lack of representation of the population. But it can be handy depending on the situation. In some situations, convenience sampling is the only possible option.
Arbre de décision (apprentissage)L’apprentissage par arbre de décision désigne une méthode basée sur l'utilisation d'un arbre de décision comme modèle prédictif. On l'utilise notamment en fouille de données et en apprentissage automatique. Dans ces structures d'arbre, les feuilles représentent les valeurs de la variable-cible et les embranchements correspondent à des combinaisons de variables d'entrée qui mènent à ces valeurs. En analyse de décision, un arbre de décision peut être utilisé pour représenter de manière explicite les décisions réalisées et les processus qui les amènent.
Gradient boostingGradient boosting is a machine learning technique used in regression and classification tasks, among others. It gives a prediction model in the form of an ensemble of weak prediction models, i.e., models that make very few assumptions about the data, which are typically simple decision trees. When a decision tree is the weak learner, the resulting algorithm is called gradient-boosted trees; it usually outperforms random forest.
Sample mean and covarianceThe sample mean (sample average) or empirical mean (empirical average), and the sample covariance or empirical covariance are statistics computed from a sample of data on one or more random variables. The sample mean is the average value (or mean value) of a sample of numbers taken from a larger population of numbers, where "population" indicates not number of people but the entirety of relevant data, whether collected or not. A sample of 40 companies' sales from the Fortune 500 might be used for convenience instead of looking at the population, all 500 companies' sales.
Decision stumpA decision stump is a machine learning model consisting of a one-level decision tree. That is, it is a decision tree with one internal node (the root) which is immediately connected to the terminal nodes (its leaves). A decision stump makes a prediction based on the value of just a single input feature. Sometimes they are also called 1-rules. Depending on the type of the input feature, several variations are possible.
Nombre de sujets nécessairesEn statistique, la détermination du nombre de sujets nécessaires est l'acte de choisir le nombre d'observations ou de répétitions à inclure dans un échantillon statistique. Ce choix est très important pour pouvoir faire de l'inférence sur une population. En pratique, la taille de l'échantillon utilisé dans une étude est déterminée en fonction du coût de la collecte des données et de la nécessité d'avoir une puissance statistique suffisante.
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.
Biais de sélectionDans une étude statistique, le terme biais de sélection désigne une erreur systématique faite lors de la sélection des sujets à étudier. Ce terme regroupe tous les biais pouvant conduire à ce que les sujets effectivement observés lors d'une enquête ne constituent pas un groupe représentatif des populations censées être étudiées et ne permettent donc pas de répondre aux questions posées dans le protocole. Les biais de sélection se produisent lors de l'échantillonnage, c'est-à-dire lors de la sélection d'un échantillon représentatif de la population étudiée.
BoostingLe boosting est un domaine de l'apprentissage automatique (branche de l'intelligence artificielle). C'est un principe qui regroupe de nombreux algorithmes qui s'appuient sur des ensembles de classifieurs binaires : le boosting optimise leurs performances. Le principe est issu de la combinaison de classifieurs (appelés également hypothèses). Par itérations successives, la connaissance d'un classifieur faible - weak classifier - est ajoutée au classifieur final - strong classifier.
