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.
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 auto-superviséL'apprentissage auto-supervisé ("self-supervised learning" en anglais) (SSL) est une méthode d'apprentissage automatique. Il apprend à partir d'échantillons de données non étiquetés. Il peut être considéré comme une forme intermédiaire entre l'apprentissage supervisé et non supervisé. Il est basé sur un réseau de neurones artificiels. Le réseau de neurones apprend en deux étapes. Tout d'abord, la tâche est résolue sur la base de pseudo-étiquettes qui aident à initialiser les poids du réseau.
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.
Forêt primairevignette|Troncs morts dans la forêt de Białowieża. vignette|Contrairement à une idée reçue, sauf sur ses lisières, une forêt primaire est rarement impénétrable. La flore couvrant le sol, au printemps, peut être riche et dense (parc national de Bialowieza, Pologne). vignette|Le bison d'Europe, grand herbivore des forêts d'Europe, a été réintroduit dans la forêt de Białowieża.
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.
Régression linéaireEn statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.
Cycle sylvigénétiqueLe cycle sylvigénétique (aussi appelé cycle sylvogénétique) est le cycle d'évolution naturelle d'une forêt sauvage (non exploitée par l'homme). Cette succession écologique inclut des dynamiques successives d'évolution interne de la forêt et de ses milieux, partant d’un stade dit pionnier et tendant à aboutir à un stade dit climacique jusqu’à ce qu'une perturbation (chablis résultant de tempêtes, incendies, glissements de terrain, avalanches...) réintroduise les conditions d’expression du premier stade.
Régression (statistiques)En mathématiques, la régression recouvre plusieurs méthodes d’analyse statistique permettant d’approcher une variable à partir d’autres qui lui sont corrélées. Par extension, le terme est aussi utilisé pour certaines méthodes d’ajustement de courbe. En apprentissage automatique, on distingue les problèmes de régression des problèmes de classification. 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.
Paysage forestier intactUn paysage forestier intact ou PFI (plus souvent désigné par Intact Forest Landscape ou IFL dans la littérature) désigne un paysage « naturel » considéré comme à la fois non artificiellement morcelé et non dégradé. La dégradation peut porter tant sur la continuité écologique que sur les composantes écosystémiques générales, que plus spécifiquement floristiques, faunistiques et d'habitats .
Régression logistiqueEn statistiques, la régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit d'expliquer au mieux une variable binaire (la présence ou l'absence d'une caractéristique donnée) par des observations réelles nombreuses, grâce à un modèle mathématique. En d'autres termes d'associer une variable aléatoire de Bernoulli (génériquement notée ) à un vecteur de variables aléatoires . La régression logistique constitue un cas particulier de modèle linéaire généralisé.
Transformeurvignette|Schéma représentant l'architecture générale d'un transformeur. Un transformeur (ou modèle auto-attentif) est un modèle d'apprentissage profond introduit en 2017, utilisé principalement dans le domaine du traitement automatique des langues (TAL). Dès 2020, les transformeurs commencent aussi à trouver une application en matière de vision par ordinateur par la création des vision transformers (ViT).
Forêt boréale canadiennevignette|Vue sur le fleuve Yukon près de Carmacks (Yukon), Canada. La forêt boréale canadienne couvre environ 28% de la forêt boréale planétaire. Elle est constituée d'arbres tolérants au froid, conifères et de nombreuses espèces résineuses (pins, épinettes, mélèzes, sapins et thuyas) et de quelques espèces feuillues (peupliers et bouleaux). À l'intérieur de la zone boréale, la répartition actuelle des espèces boréales s'explique par la capacité de ces espèces à supporter le climat froid et par l'histoire postglaciaire de la zone.
Régression non linéaireUne régression non linéaire consiste à ajuster un modèle, en général non linéaire, y = ƒa1, ..., am(x) pour un ensemble de valeurs (xi, yi)1 ≤ i ≤ n. Les variables xi et yi peuvent être des scalaires ou des vecteurs. Par « ajuster », il faut comprendre : déterminer les paramètres de la loi, (a1, ..., am), afin de minimiser S = ||ri||, avec : ri = yi - ƒa1, ..., am(xi). ||...|| est une norme. On utilise en général la norme euclidienne, ou norme l2 ; on parle alors de méthode des moindres carrés.
Programme Landsatthumb|Une image satellite en fausses couleurs de Calcutta (Inde) prise par Landsat 7. Le programme Landsat est le premier programme spatial d'observation de la Terre destiné à des fins civiles. Il est développé au milieu des années 1960 par l'agence spatiale américaine, la NASA à l'instigation de l'Institut des études géologiques américain (USGS) et du département de l'agriculture. Sept satellites Landsat sont lancés entre 1972 et 1999 et un huitième le .
Diffusion modelIn machine learning, diffusion models, also known as diffusion probabilistic models or score-based generative models, are a class of latent variable models. They are Markov chains trained using variational inference. The goal of diffusion models is to learn the latent structure of a dataset by modeling the way in which data points diffuse through the latent space. In computer vision, this means that a neural network is trained to denoise images blurred with Gaussian noise by learning to reverse the diffusion process.
Forêt tropicalethumb|Forêt tropicale primaire de Bébour (Île de La Réunion). La forêt tropicale est la forêt caractéristique des régions tropicales et équatoriales. Sous ce terme se cachent des réalités très différentes, des forêts tropophiles, composées d'arbres assez épars poussant sous un climat tropical de savane, à la forêt dite tropicale humide dans des zones à climat équatorial, en passant par les forêts de nuages relativement froides.
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.
Multinomial logistic regressionIn statistics, multinomial logistic regression is a classification method that generalizes logistic regression to multiclass problems, i.e. with more than two possible discrete outcomes. That is, it is a model that is used to predict the probabilities of the different possible outcomes of a categorically distributed dependent variable, given a set of independent variables (which may be real-valued, binary-valued, categorical-valued, etc.).
Forêt secondairevignette|Carte mondiale du World Resources Institute représentant les forêts plantées (planted forest) et les cultures arbustives (tree crops). thumb|Redwood endommagé par le typhon Frieda et repousse, Parc Stanley, Vancouver (Canada) La forêt secondaire, par opposition à la forêt primaire, est une forêt (biomasse ligneuse) qui a repoussé, en une ou plusieurs phases après avoir été détruite (par exemple par l'agriculture sur brûlis) ou exploitée par l'homme par des coupes rases ou avec des impacts plus discrets mais significatifs pour les essences ou la structure forestières.
