Tableau périodique des élémentsvignette|400px|Tableau périodique des éléments au . 400px|vignette|Avec davantage de détails par élément. Le tableau périodique des éléments, également appelé tableau ou table de Mendeleïev, classification périodique des éléments ou simplement tableau périodique, représente tous les éléments chimiques, ordonnés par numéro atomique croissant et organisés en fonction de leur configuration électronique, laquelle sous-tend leurs propriétés chimiques.
MétalEn chimie, les métaux sont des matériaux dont les atomes sont unis par des liaisons métalliques. Il s'agit de corps simples ou d'alliages le plus souvent durs, opaques, brillants, bons conducteurs de la chaleur et de l'électricité. Ils sont généralement malléables, c'est-à-dire qu'ils peuvent être martelés ou pressés pour leur faire changer de forme sans les fissurer, ni les briser. De nombreuses substances qui ne sont pas classées comme métalliques à pression atmosphérique peuvent acquérir des propriétés métalliques lorsqu'elles sont soumises à des pressions élevées.
Métal pauvreEn chimie, un métal pauvre, parfois appelé métal de post-transition ou métal post-transitionnel, est un élément chimique métallique situé, dans le tableau périodique, entre les métaux de transition à leur gauche et les métalloïdes à leur droite. Le terme métal pauvre est assez peu employé, et en concurrence avec diverses autres appellations, également peu employées, recouvrant des notions apparentées, par exemple métal du bloc p ; il rend compte du fait que les propriétés métalliques de ces éléments sont les moins marquées de l'ensemble des métaux.
Électron de valenceUn électron de valence est un électron situé dans la couche de valence d'un atome. Les propriétés physiques d'un élément sont largement déterminées par leur configuration électronique, notamment la configuration de la couche de valence. La présence d'un ou plusieurs électrons de valence joue un rôle important dans cette définition des car elle permet de déterminer la valence . Lorsqu'un atome a une couche de valence incomplète, il peut partager ou donner des électrons de valence avec d'autres atomes pour remplir sa couche externe et former une liaison chimique stable.
Zintl phaseIn chemistry, a Zintl phase is a product of a reaction between a group 1 (alkali metal) or group 2 (alkaline earth metal) and main group metal or metalloid (from groups 13, 14, 15, or 16). It is characterized by intermediate metallic/ionic bonding. Zintl phases are a subgroup of brittle, high-melting intermetallic compounds that are diamagnetic or exhibit temperature-independent paramagnetism and are poor conductors or semiconductors. This type of solid is named after German chemist Eduard Zintl who investigated them in the 1930s.
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.
Élément-trace métalliqueLa notion d’éléments-traces métalliques, ou ETM tend à remplacer celle de métaux lourds mal définie car englobant des métaux toxiques réellement lourds à d'autres (métalloïdes) l'étant moins. Tous les ETM sont toxiques ou toxiques au-delà d'un certain seuil et certains sont radioactifs (radionucléides). Leurs concentrations environnementales (eau, air, sol, organismes) résultent d'apports anthropiques (industrie, transports...
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.
Groupe du tableau périodiquevignette|Tableau périodique de 18 colonnes, avec Lu et Lr dans le groupe 3 Un groupe du tableau périodique comprend les éléments chimiques d'une même colonne du tableau périodique. Le tableau standard est constitué de , tandis que les colonnes contenant les éléments du bloc f ne sont pas numérotées. Les électrons de valence des éléments d'un même groupe partagent la même configuration électronique, ce qui leur confère des propriétés chimiques et physiques semblables. Il existe trois systèmes de numérotation des groupes.
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.
Groupe du platineLes métaux du groupe du platine dits MGP (ou PGM en anglais pour platinum group metals) regroupent six ou sept éléments chimiques appartenant à la famille des métaux de transition et apparentés dans le tableau périodique : ruthénium 44Ru, rhodium 45Rh, palladium 46Pd, osmium 76Os, iridium 77Ir, platine 78Pt, et, selon les sources, rhénium 75Re. Les métaux de ce groupe sont rares et caractérisés par des propriétés communes et inhabituelles chez les métaux. Ce sont notamment de puissants catalyseurs et sous certaines formes ils peuvent être toxiques.
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.
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.
Élément chimiquevignette| redresse=1.6| Échantillons des corps simples, classés selon le tableau périodique. Ceux qui manquent dans le tableau sont trop radioactifs pour être présentés en toute sécurité. Un élément chimique est la classe des atomes dont le noyau compte un même nombre de protons. Ce nombre, noté Z, est le numéro atomique de l'élément, qui détermine la configuration électronique des atomes correspondants, et donc leurs propriétés physicochimiques. Ces atomes peuvent en revanche compter un nombre variable de neutrons dans leur noyau, ce qu'on appelle des isotopes.
Métal de transitionUn métal de transition, ou élément de transition, est, selon la définition de l'IUPAC, « un élément chimique dont les atomes ont une sous-couche électronique d incomplète, ou qui peuvent former des cations dont la sous-couche électronique d est incomplète ». Cette définition correspond à des éléments partageant un ensemble de propriétés communes. Comme tous les métaux, ce sont de bons conducteurs de l'électricité. Ils sont solides dans les conditions normales de température et de pression, avec une masse volumique et une température de fusion élevées.
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.
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.
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.
