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 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 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.
Automated machine learningAutomated machine learning (AutoML) is the process of automating the tasks of applying machine learning to real-world problems. AutoML potentially includes every stage from beginning with a raw dataset to building a machine learning model ready for deployment. AutoML was proposed as an artificial intelligence-based solution to the growing challenge of applying machine learning. The high degree of automation in AutoML aims to allow non-experts to make use of machine learning models and techniques without requiring them to become experts in machine learning.
Apprentissage par transfertL'apprentissage par transfert (transfer learning en anglais) est l'un des champs de recherche de l'apprentissage automatique qui vise à transférer des connaissances d'une ou plusieurs tâches sources vers une ou plusieurs tâches cibles. Il peut être vu comme la capacité d’un système à reconnaître et appliquer des connaissances et des compétences, apprises à partir de tâches antérieures, sur de nouvelles tâches ou domaines partageant des similitudes. Adaptation de domaine (domain adaptation en anglais) Catég
ApprentissageL’apprentissage est un ensemble de mécanismes menant à l'acquisition de savoir-faire, de savoirs ou de connaissances. L'acteur de l'apprentissage est appelé apprenant. On peut opposer l'apprentissage à l'enseignement dont le but est de dispenser des connaissances et savoirs, l'acteur de l'enseignement étant l'enseignant.
Théorie de l'apprentissageLearning theory describes how students receive, process, and retain knowledge during learning. Cognitive, emotional, and environmental influences, as well as prior experience, all play a part in how understanding, or a worldview, is acquired or changed and knowledge and skills retained. Behaviorists look at learning as an aspect of conditioning and advocate a system of rewards and targets in education.
Génération automatique de textesLa génération automatique de texte (GAT) est une sous discipline de la linguistique computationnelle qui vise à exprimer sous une forme textuelle, syntaxiquement et sémantiquement correcte, une représentation formelle d'un contenu. Outre ses nombreuses applications existantes ou potentielles - par exemple pour produire automatiquement des bulletins météorologiques, ou des rapports automatisés - elle offre par ailleurs un cadre d'investigation des théories linguistiques, et particulièrement de ses mécanismes de production.
Rouge-vert-bleuvignette|Cellules lumineuses rouge, vert, bleu d'un écran vidéo, en gros plan. Rouge-vert-bleu (RVB, ou RGB pour l'anglais red-green-blue) désigne un système de traitement optique, d'affichage électronique ou d'un codage de signal vidéo analogique ou un codage informatique des couleurs. Pour restituer la perception humaine colorée d'une image, différentes méthodes existent, en peinture, en imprimerie, en projection photographique, vidéo ou en affichage électronique et notamment, grâce au principe de la trichromie.
Impulsion électromagnétiquevignette|redresse=1.2|Simulateur d'EMP HAGII-C testé sur un avion Boeing E-4 (1979). Une impulsion électromagnétique (IEM), également connue sous le nom EMP (de l'anglais electromagnetic pulse) est une émission d'ondes électromagnétiques brève et de très forte amplitude qui peut détruire de nombreux appareils électriques et électroniques (reliés au courant et non protégés) et brouiller les télécommunications.
Rayonnement électromagnétiquethumb|Répartition du rayonnement électromagnétique par longueur d'onde. Le rayonnement électromagnétique est une forme de transfert d'énergie linéaire. La lumière visible est un rayonnement électromagnétique, mais ne constitue qu'une petite tranche du large spectre électromagnétique. La propagation de ce rayonnement, d'une ou plusieurs particules, donne lieu à de nombreux phénomènes comme l'atténuation, l'absorption, la diffraction et la réfraction, le décalage vers le rouge, les interférences, les échos, les parasites électromagnétiques et les effets biologiques.
Algorithme d'apprentissage incrémentalEn informatique, un algorithme d'apprentissage incrémental ou incrémentiel est un algorithme d'apprentissage qui a la particularité d'être online, c'est-à-dire qui apprend à partir de données reçues au fur et à mesure du temps. À chaque incrément il reçoit des données d'entrées et un résultat, l'algorithme calcule alors une amélioration du calcul fait pour prédire le résultat à partir des données d'entrées.
Channel (digital image)Color digital images are made of pixels, and pixels are made of combinations of primary colors represented by a series of code. A channel in this context is the grayscale image of the same size as a color image, made of just one of these primary colors. For instance, an image from a standard digital camera will have a red, green and blue channel. A grayscale image has just one channel. In geographic information systems, channels are often referred to as raster bands.
Lightning strikeA lightning strike is a lightning event in which the electric discharge takes place between the atmosphere and the ground. Most originate in a cumulonimbus cloud and terminate on the ground, called cloud-to-ground (CG) lightning. A less common type of strike, ground-to-cloud (GC) lightning, is upward-propagating lightning initiated from a tall grounded object and reaching into the clouds. About 25% of all lightning events worldwide are strikes between the atmosphere and earth-bound objects.
Ingénierie des caractéristiquesL'ingénierie des caractéristiques (en anglais feature engineering) a un rôle important, notamment dans l’analyse des données. Sans données, les algorithmes d’exploitation et d’apprentissage automatique de données ne seront pas en mesure de fonctionner. En effet, il s’avère qu’en réalité, on ne pourrait réaliser que peu de choses si nous ne disposions que de très peu de caractéristiques afin de pouvoir représenter les données, ou les banques de données, sous-jacentes.
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.
ParatonnerreLe paratonnerre est un dispositif conçu afin de fournir un point d'impact à la foudre ainsi qu'un chemin contrôlant l'évacuation des charges électriques. Autrement dit, il protège de la foudre les bâtiments et toutes les hautes structures. Selon l'histoire officielle, il est inventé le par Benjamin Franklin à Philadelphie. Depuis, les notions caractérisant le dispositif portent le nom d'effet de pointe en électrostatique et de cage de Faraday. Pour établir une protection contre la foudre, il faut construire une cage de Faraday enveloppant l'édifice à protéger.
Champ électromagnétiqueUn champ électromagnétique ou Champ EM (en anglais, electromagnetic field ou EMF) est la représentation dans l'espace de la force électromagnétique qu'exercent des particules chargées. Concept important de l'électromagnétisme, ce champ représente l'ensemble des composantes de la force électromagnétique s'appliquant sur une particule chargée se déplaçant dans un référentiel galiléen. Une particule de charge q et de vecteur vitesse subit une force qui s'exprime par : où est le champ électrique et est le champ magnétique.
Interférence électromagnétiquestart=06:49:05|vignette|300x300px|Enregistrement du débat de la Chambre des représentants des États-Unis le 8 octobre 2002, interrompu et déformé par des interférences électromagnétiques dues à une éruption solaire à environ 16h30. droite|vignette|300x300px| Interférence électromagnétique dans le signal TV analogique Une interférence électromagnétique ( IEM ou EMI ), également appelée interférence radioélectrique (RFI) lorsqu'elles se trouve dans le spectre des radiofréquences, est une perturbation (générée par une source externe) qui affecte un circuit électrique par induction électromagnétique, couplage électrostatique ou conduction.
Rule-based machine learningRule-based machine learning (RBML) is a term in computer science intended to encompass any machine learning method that identifies, learns, or evolves 'rules' to store, manipulate or apply. The defining characteristic of a rule-based machine learner is the identification and utilization of a set of relational rules that collectively represent the knowledge captured by the system. This is in contrast to other machine learners that commonly identify a singular model that can be universally applied to any instance in order to make a prediction.
