MotivationLa motivation désigne, au sein d'un organisme vivant, la composante ou le processus en jeu pour l'engagement dans une activité précise. Elle en détermine le déclenchement, la direction, l'intensité et en assure la prolongation jusqu'à l'aboutissement ou l'interruption. Cette notion se distingue du potentiel, de l'odorat ou encore de l'optimisme. La motivation prend de nos jours une place de premier plan dans les organisations. Elle est déterminante pour l'apprentissage (y compris chez les nourrissons) et génère la productivité dans de nombreuses activités personnelles ou professionnelles.
Work motivationWork motivation is a person's internal disposition toward work. To further this, an incentive is the anticipated reward or aversive event available in the environment. While motivation can often be used as a tool to help predict behavior, it varies greatly among individuals and must often be combined with ability and environmental factors to actually influence behavior and performance. Results from a 2012 study, which examined age-related differences in work motivation, suggest a "shift in people's motives" rather than a general decline in motivation with age.
Revenu minimumLe revenu minimum est un niveau minimal de revenu que les États décident de garantir à tous leurs citoyens. Les étrangers en situation irrégulière ne sont pas concernés (en France sauf pour les étrangers titulaires d'un titre de séjour les autorisant à travailler depuis au moins ). Des critères d'âge sont utilisés ( dans la majorité des pays et en France ; sous cet âge, il est considéré que les parents doivent subvenir au besoin des individus). Par ailleurs, ce revenu est modulé en fonction du type de ménage (nombre d’enfants).
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.
Stratégie d'évaluation (informatique)Un langage de programmation utilise une stratégie d'évaluation pour déterminer « quand » évaluer les arguments à l'appel d'une fonction (ou encore, opération, méthode) et « comment » passer les arguments à la fonction. Par exemple, dans l'appel par valeur, les arguments doivent être évalués avant d'être passés à la fonction. La stratégie d'évaluation d'un langage de programmation est spécifiée par la définition du langage même. En pratique, la plupart des langages de programmation (Java, C...
Salaire minimumLe salaire minimum, ou salaire minimal, est la rémunération minimale qu'un employeur peut légalement accorder à un employé pour un travail. Des abattements au salaire minimal sont parfois prévus par des dispositifs législatifs ou réglementaires. est l'adjectif qualifiant ce qui constitue un minimum. L'expression est critiquée par certains linguistes selon lesquels elle présente le défaut de juxtaposer deux substantifs (le salaire et le minimum) sur le modèle anglophone. Les formulations correctes seraient ici , ou .
Évaluation paresseuseL’évaluation paresseuse (), appelée aussi appel par nécessité ou évaluation retardée est une technique d'implémentation des programmes récursifs pour laquelle l'évaluation d'un paramètre de fonction ne se fait pas avant que les résultats de cette évaluation ne soient réellement nécessaires. Ces résultats, une fois calculés, sont préservés pour des réutilisations ultérieures. Dans un langage comme Haskell, l'évaluation est paresseuse par défaut.
Nonlinear dimensionality reductionNonlinear dimensionality reduction, also known as manifold learning, refers to various related techniques that aim to project high-dimensional data onto lower-dimensional latent manifolds, with the goal of either visualizing the data in the low-dimensional space, or learning the mapping (either from the high-dimensional space to the low-dimensional embedding or vice versa) itself. The techniques described below can be understood as generalizations of linear decomposition methods used for dimensionality reduction, such as singular value decomposition and principal component analysis.
