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 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.
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.
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.
Extension abélienneEn algèbre générale, plus précisément en théorie de Galois, une extension abélienne est une extension de Galois dont le groupe de Galois est abélien. Lorsque ce groupe est cyclique, l'extension est dite cyclique. Toute extension finie d'un corps fini est une extension cyclique. L'étude de la théorie des corps de classes décrit de façon détaillée toutes les extensions abéliennes dans le cas des corps de nombres, et des corps de fonctions de courbes algébriques sur des corps finis, ainsi que dans le cas des corps locaux (Théorie du corps de classes local).
Extension de corpsEn mathématiques, plus particulièrement en algèbre, une extension d'un corps commutatif K est un corps L qui contient K comme sous-corps. Par exemple, le corps C des nombres complexes est une extension du corps R des nombres réels, lequel est lui-même une extension du corps Q des nombres rationnels. On note parfois L/K pour indiquer que L est une extension de K. Soit K un corps. Une extension de K est un couple (L, j) où L est un corps et j un morphisme de corps de K dans L (les morphismes de corps étant systématiquement injectifs).
Réseau neuronal convolutifEn apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.
Extension séparableEn mathématiques, et plus spécifiquement en algèbre, une extension L d'un corps K est dite séparable si elle est algébrique et si le polynôme minimal de tout élément de L n'admet que des racines simples (dans une clôture algébrique de K). La séparabilité est une des propriétés des extensions de Galois. Toute extension finie séparable satisfait le théorème de l'élément primitif. Les corps dont toutes les extensions algébriques sont séparables (c'est-à-dire les corps parfaits) sont nombreux.
Extension de groupesEn mathématiques, plus précisément en théorie des groupes, une extension de groupes est une manière de décrire un groupe en termes de deux groupes « plus petits ». Plus précisément, une extension d'un groupe Q par un groupe N est un groupe G qui s'insère dans une suite exacte courte Autrement dit : G est une extension de Q par N si (à isomorphismes près) N est un sous-groupe normal de G et Q est le groupe quotient G/N. L'extension est dite centrale si N est inclus dans le centre de G.
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.
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.
Extension normaleEn mathématiques, une extension L d'un corps K est dite normale ou quasi-galoisienne si c'est une extension algébrique et si tout morphisme de corps de L dans un corps le contenant, induisant l'identité sur K, a son image contenue dans L. De façon équivalente, l'extension L/K est normale si elle est algébrique et si tout conjugué d'un élément de L appartient encore à L. Cette propriété est utilisée pour définir une extension de Galois : c'est une extension algébrique séparable et normale.
Indice boursierUn indice boursier représente le taux de croissance, entre deux dates, de la juste valeur d'un portefeuille théorique d'actions cotées sur les marchés organisés appartenant à une liste d'entreprises sélectionnée par des choix raisonnés. Un indice boursier désigne, quasiment toujours depuis la fin du , un nombre dont le taux de croissance, entre deux dates, est celui de la juste valeur d'un portefeuille théorique d'actions cotées sur les marchés organisés appartenant à une liste d'entreprises sélectionnée par des choix raisonnés.
Fonds indicielUn fonds indiciel (index fund ou tracker en anglais) est un fonds de placement qui cherche à reproduire dans la mesure du possible le rendement d'un indice boursier précis, comme le CAC 40 ou le S&P 500. La gestion passive de tels fonds entraîne des frais de gestion généralement moins élevés que les fonds dits traditionnels (généralement moins de 1 %). En France, ces fonds gérés par des organismes de placement collectif en valeurs mobilières sont également désignés par OPCVM indiciels.
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.
Types of artificial neural networksThere are many types of artificial neural networks (ANN). Artificial neural networks are computational models inspired by biological neural networks, and are used to approximate functions that are generally unknown. Particularly, they are inspired by the behaviour of neurons and the electrical signals they convey between input (such as from the eyes or nerve endings in the hand), processing, and output from the brain (such as reacting to light, touch, or heat). The way neurons semantically communicate is an area of ongoing research.
Réseau neuronal résidueldroite|vignette| Forme canonique d'un réseau neuronal résiduel. Une couche l − 1 est ignoré sur l'activation de l − 2. Un réseau neuronal résiduel ( ResNet ) est un réseau neuronal artificiel (ANN). Il s'agit d'une variante du HighwayNet , le premier réseau neuronal à action directe très profond avec des centaines de couches, beaucoup plus profond que les réseaux neuronaux précédents. Les sauts de connexion ou "raccourcis" sont utilisés pour passer par-dessus certaines couches ( les HighwayNets peuvent également avoir des poids pour les saut eux-mêmes, grâce à une matrice de poids supplémentaire pour leurs portes).
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.
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.
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.
