Produit tensorielEn mathématiques, le produit tensoriel est un moyen commode de coder les objets multilinéaires. Il est utilisé en algèbre, en géométrie différentielle, en géométrie riemannienne, en analyse fonctionnelle et en physique (mécanique des solides, relativité générale et mécanique quantique). Théorème et définition. Soient et deux espaces vectoriels sur un corps commutatif .
PyTorchPyTorch est une bibliothèque logicielle Python open source d'apprentissage machine qui s'appuie sur développée par Meta. PyTorch est gouverné par la PyTorch Foundation. PyTorch permet d'effectuer les calculs tensoriels nécessaires notamment pour l'apprentissage profond (deep learning). Ces calculs sont optimisés et effectués soit par le processeur (CPU) soit, lorsque c'est possible, par un processeur graphique (GPU) supportant CUDA.
Tenseur symétriqueUn tenseur d'ordre 2 est dit symétrique si la forme bilinéaire associée est symétrique. Un tenseur d'ordre 2 étant défini par rapport à un certain espace vectoriel, on peut y choisir des vecteurs de base et le tenseur est alors représenté par une matrice de composantes . Une définition équivalente à la précédente consiste à dire que la matrice est symétrique, c'est-à-dire que : pour tout couple d'indices i et j, car cette propriété reste inchangée si l'on change de base.
Mathématiquesthumb|upright|Raisonnement mathématique sur un tableau. Les mathématiques (ou la mathématique) sont un ensemble de connaissances abstraites résultant de raisonnements logiques appliqués à des objets divers tels que les ensembles mathématiques, les nombres, les formes, les structures, les transformations ; ainsi qu'aux relations et opérations mathématiques qui existent entre ces objets. Elles sont aussi le domaine de recherche développant ces connaissances, ainsi que la discipline qui les enseigne.
Tenseur (mathématiques)Les tenseurs sont des objets mathématiques issus de l'algèbre multilinéaire permettant de généraliser les scalaires et les vecteurs. On les rencontre notamment en analyse vectorielle et en géométrie différentielle fréquemment utilisés au sein de champs de tenseurs. Ils sont aussi utilisés en mécanique des milieux continus. Le présent article ne se consacre qu'aux tenseurs dans des espaces vectoriels de dimension finie, bien que des généralisations en dimension infinie et même pour des modules existent.
RpropRprop, short for resilient backpropagation, is a learning heuristic for supervised learning in feedforward artificial neural networks. This is a first-order optimization algorithm. This algorithm was created by Martin Riedmiller and Heinrich Braun in 1992. Similarly to the Manhattan update rule, Rprop takes into account only the sign of the partial derivative over all patterns (not the magnitude), and acts independently on each "weight".
TensorFlowTensorFlow est un outil open source d'apprentissage automatique développé par Google. Le code source a été ouvert le par Google et publié sous licence Apache. Il est fondé sur l'infrastructure DistBelief, initiée par Google en 2011, et est doté d'une interface pour Python, Julia et R TensorFlow est l'un des outils les plus utilisés en IA dans le domaine de l'apprentissage machine. À partir de 2011, Google Brain a développé un outil propriétaire d'apprentissage automatique fondé sur l'apprentissage profond.
Théorie MLa théorie M est une théorie physique devant unifier les différentes versions de la théorie des supercordes. L'existence de cette théorie fut conjecturée par Edward Witten en 1995, lors d'un colloque sur la théorie des cordes à l'Université de Californie du Sud. Cette annonce engendra un tourbillon de nouvelles recherches, qu'on a appelé la . Selon Witten le M de théorie M peut signifier magie, mystère ou membrane au choix, et le véritable sens ne s'imposera que quand la théorie sera formulée définitivement.
Théorie des supercordesthumb|Vue d'artiste de la théorie des supercordes. La théorie des supercordes est une tentative pour expliquer l'existence de toutes les particules et forces fondamentales de la nature, en les modélisant comme les vibrations de minuscules cordes supersymétriques. Au début du , elle est considérée comme la plus féconde des théories pour une gravité quantique, même si elle souffre des mêmes défauts que la théorie des cordes en raison de l'impossibilité de la vérifier par l'expérimentation.
Contraction tensorielleEn algèbre multilinéaire, la contraction est un procédé de calcul sur les tenseurs faisant intervenir la dualité. En coordonnées elle se représente de façon très simple en utilisant les notations d'Einstein et consiste à faire une somme sur un indice muet. Il est possible de contracter un tenseur unique de rang p en un tenseur de rang p-2, par exemple en calculant la trace d'une matrice. Il est possible également de contracter deux tenseurs, ce qui généralise la notion de produit matriciel.
Fondements des mathématiquesLes fondements des mathématiques sont les principes de la philosophie des mathématiques sur lesquels est établie cette science. Le logicisme a été prôné notamment par Gottlob Frege et Bertrand Russell. La mathématique pure présente deux caractéristiques : la généralité de son discours et la déductibilité du discours mathématique . En ce que le discours mathématique ne prétend qu’à une vérité formelle, il est possible de réduire les mathématiques à la logique, les lois logiques étant les lois du « vrai ».
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.
