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.
Q-learningvignette|400x400px|Dans le Q-learning, l'agent exécute une action a en fonction de l'état s et d'une fonction Q. Il perçoit alors le nouvel état s' et une récompense r de l'environnement. Il met alors à jour la fonction Q. Le nouvel état s' devient alors l'état s, et l'apprentissage continue. En intelligence artificielle, plus précisément en apprentissage automatique, le Q-learning est un algorithme d'apprentissage par renforcement. Il ne nécessite aucun modèle initial de l'environnement.
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.
IRM de diffusionL’IRM de diffusion est une technique basée sur l' (IRM). Elle permet de calculer en chaque point de l'image la distribution des directions de diffusion des molécules d'eau. Cette diffusion étant contrainte par les tissus environnants, cette modalité d'imagerie permet d'obtenir indirectement la position, l’orientation et l’anisotropie des structures fibreuses, notamment les faisceaux de matière blanche du cerveau. Le signal de résonance magnétique provient le plus souvent en IRM des noyaux d’hydrogène (protons).
ConnectomeLe connectome est un plan complet des connexions neuronales d'un cerveau. La production et l'étude des connectomes est la connectomique. À l'échelle microscopique, elle décrit la disposition des neurones et des synapses dans tout ou partie du système nerveux d'un organisme. À l'échelle "macroscopique", elle étudie la connectivité fonctionnelle et structurelle entre toutes les aires corticales et les structures sous-corticales.
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.
ConnectomiqueLa connectomique est l'établissement et l'étude du connectome, c'est-à-dire de l'ensemble des connexions neuronales du cerveau. La connectomique est la production et l'étude des connectomes : des cartes complètes des connexions au sein du système nerveux d'un organisme. Plus généralement, on peut considérer qu'il s'agit de l'étude des schémas de câblage neuronaux, en mettant l'accent sur la façon dont la connectivité structurelle, les synapses individuelles, la morphologie et l'ultrastructure cellulaires contribuent à la constitution d'un réseau.
TractographieEn neurosciences, la tractographie est une méthode utilisée pour mettre en évidence les voies neuronales. Elle utilise une technique spéciale d’ avec une technique particulière du tenseur de diffusion. Les résultats sont présentés sous forme d'images deux et trois dimensions. En plus des longues voies qui connectent le cerveau au reste du corps, on trouve un réseau 3D complexe formé de courtes connexions entre les différentes régions corticales et sous-corticales.
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.
