Réseautage socialalt=Visualisation du réseau social Reddit|vignette|283x283px|Visualisation des interactions entre des utilisateurs du réseau social Reddit durant une discussion en 2017. Le réseautage social est un terme qui se rapporte à l'ensemble des moyens « virtuels » mis en œuvre pour relier des personnes physiques ou personnes morales entre elles. Avec l'apparition d'Internet, il recouvre les applications Web connues sous le nom de « services de réseautage social en ligne », plus couramment appelées « réseaux sociaux ».
Méthode de CondorcetLa méthode Condorcet (aussi appelée scrutin de Condorcet ou vote Condorcet) est un système de vote obéissant au principe de Condorcet qui s'énonce ainsi : Le vainqueur, s'il existe, est donc le candidat qui, comparé tour à tour à chacun des autres candidats, s’avère à chaque fois être le candidat préféré. Autrement dit, il bat tous les autres en duel. Un tel candidat est appelé vainqueur de Condorcet. Rien ne garantit la présence d'un candidat satisfaisant à ce critère de victoire : c'est le paradoxe de Condorcet.
Méthode Condorcet avec rangement des paires par ordre décroissantLa méthode Condorcet avec rangement des paires par ordre décroissant est un système de vote qui permet de résoudre certains conflits de la méthode Condorcet. La méthode initialement proposée par Condorcet est développée par Nicolaus Tideman. Chaque électeur range les candidats par ordre de préférence. Comme dans toute méthode Condorcet, toutes les confrontations par paires sont organisées.
TwitterTwitter ( en anglais), rebaptisé progressivement X depuis le , est un réseau social de microblogage. Il permet à un utilisateur d’envoyer gratuitement des micromessages limités à , appelés tweets ou gazouillis par messagerie instantanée ou par SMS. Twitter est créé le par Jack Dorsey, Evan Williams, Biz Stone et Noah Glass. Le service en ligne est rapidement devenu populaire. Le , il compte d’utilisateurs actifs par mois, de tweets envoyés par jour et est disponible en plus de quarante langues.
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.
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.
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.).
Vainqueur de CondorcetEn théorie du choix social, un vainqueur de Condorcet est une option préférée majoritairement à toutes les autres options prises une par une selon la règle majoritaire. Cette notion est nommée en référence à Nicolas de Condorcet. On appelle méthode de Condorcet un mode de scrutin qui élit le vainqueur de Condorcet s'il existe. Il n'existe pas si les préférences des agents (ici, les électeurs) sont contradictoires, c'est-à-dire qu'aucun vainqueur ne peut émerger car les préférences exprimées par les électeurs s'annulent.
Machine à vecteurs de supportLes machines à vecteurs de support ou séparateurs à vaste marge (en anglais support-vector machine, SVM) sont un ensemble de techniques d'apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression. Les SVM sont une généralisation des classifieurs linéaires. Les séparateurs à vaste marge ont été développés dans les années 1990 à partir des considérations théoriques de Vladimir Vapnik sur le développement d'une théorie statistique de l'apprentissage : la théorie de Vapnik-Tchervonenkis.
Modèle de Markov cachéUn modèle de Markov caché (MMC, terme et définition normalisés par l’ISO/CÉI [ISO/IEC 2382-29:1999]) — (HMM)—, ou plus correctement (mais non employé) automate de Markov à états cachés, est un modèle statistique dans lequel le système modélisé est supposé être un processus markovien de paramètres inconnus. Contrairement à une chaîne de Markov classique, où les transitions prises sont inconnues de l'utilisateur mais où les états d'une exécution sont connus, dans un modèle de Markov caché, les états d'une exécution sont inconnus de l'utilisateur (seuls certains paramètres, comme la température, etc.
Hinge lossIn machine learning, the hinge loss is a loss function used for training classifiers. The hinge loss is used for "maximum-margin" classification, most notably for support vector machines (SVMs). For an intended output t = ±1 and a classifier score y, the hinge loss of the prediction y is defined as Note that should be the "raw" output of the classifier's decision function, not the predicted class label. For instance, in linear SVMs, , where are the parameters of the hyperplane and is the input variable(s).
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.
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.
Naine jauneEn astronomie, une étoile jaune de la séquence principale, appelée communément naine jaune, est une étoile de type (lire « G cinq »), c'est-à-dire une étoile appartenant à la séquence principale (classe de luminosité ) de type spectral G (étoile jaune). Sa masse est comprise entre 0,7 et la masse solaire. Une naine jaune est une étoile de taille moyenne dans un état stable. Les naines jaunes transforment dans leur cœur de l'hydrogène en hélium, par un processus de fusion nucléaire (ou fusion thermonucléaire).
Étoile blanche de la séquence principaleEn astronomie, une étoile blanche de la séquence principale est une étoile de type spectral A et de classe de luminosité V. Ce type d'étoiles ne doit pas être confondu avec les naines blanches, qui sont des résidus d'étoiles de faible masse. Les étoiles blanches de la séquence principale, comme leur nom l'indique, sont des étoiles de la séquence principale (classe de luminosité V dans la classification MKK), dont l'énergie provient de la fusion de leur hydrogène en hélium.
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.
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.
Probabilistic classificationIn machine learning, a probabilistic classifier is a classifier that is able to predict, given an observation of an input, a probability distribution over a set of classes, rather than only outputting the most likely class that the observation should belong to. Probabilistic classifiers provide classification that can be useful in its own right or when combining classifiers into ensembles. Formally, an "ordinary" classifier is some rule, or function, that assigns to a sample x a class label ŷ: The samples come from some set X (e.
Apprentissage ensemblisteIn statistics and machine learning, ensemble methods use multiple learning algorithms to obtain better predictive performance than could be obtained from any of the constituent learning algorithms alone. Unlike a statistical ensemble in statistical mechanics, which is usually infinite, a machine learning ensemble consists of only a concrete finite set of alternative models, but typically allows for much more flexible structure to exist among those alternatives.
Feature (machine learning)In machine learning and pattern recognition, a feature is an individual measurable property or characteristic of a phenomenon. Choosing informative, discriminating and independent features is a crucial element of effective algorithms in pattern recognition, classification and regression. Features are usually numeric, but structural features such as strings and graphs are used in syntactic pattern recognition. The concept of "feature" is related to that of explanatory variable used in statistical techniques such as linear regression.
