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.
Student teacherA student teacher or prac teacher (practice teacher) is a college, university or graduate student who is teaching under the supervision of a certified teacher in order to qualify for a degree in education. The term is also often used interchangeably with pre-service teacher. It is a much broader term to include those students that are studying the required coursework in pedagogy, as well as their specialty, but have not entered the supervised teaching portion of their training.
Educational neuroscienceEducational neuroscience (or neuroeducation, a component of Mind Brain and Education) is an emerging scientific field that brings together researchers in cognitive neuroscience, developmental cognitive neuroscience, educational psychology, educational technology, education theory and other related disciplines to explore the interactions between biological processes and education. Researchers in educational neuroscience investigate the neural mechanisms of reading, numerical cognition, attention and their attendant difficulties including dyslexia, dyscalculia and ADHD as they relate to education.
Teacher educationTeacher education or teacher training refers to programs, policies, procedures, and provision designed to equip (prospective) teachers with the knowledge, attitudes, behaviors, approaches, methodologies and skills they require to perform their tasks effectively in the classroom, school, and wider community. The professionals who engage in training the prospective teachers are called teacher educators (or, in some contexts, teacher trainers). There is a longstanding and ongoing debate about the most appropriate term to describe these activities.
ÉtudiantUn étudiant ou une étudiante est un mot dérivé du latin studere qui signifie « s'appliquer à apprendre quelque chose ». Cependant, le terme ne s'applique pas à toute personne qui apprend. On le réserve généralement aux personnes intégrées dans un parcours scolaire ou universitaire. Dans la plupart des pays francophones, l'usage du mot « étudiant » est encore plus restreint. Le plus couramment, il désigne les personnes engagées dans un cursus d'enseignement supérieur.
Rétroactionvignette|Représentation d'une boucle de rétroaction. La rétroaction (en anglais feedback) est un processus dans lequel un effet intervient aussi comme agent causal sur sa propre origine, la séquence des expressions de la cause principale et des effets successifs formant une boucle de rétroaction. Une rétroaction est une interaction dans laquelle la perturbation d’une variable provoque le changement d'une seconde variable, qui influe à son tour sur la variable initiale. Une rétroaction forme une boucle fermée dans un diagramme de causalité.
Organisation de représentation étudianteLes organisations de représentation étudiante sont des associations étudiantes qui ont pour but de défendre les intérêts des étudiants et d'exprimer leurs opinions sur la gestion universitaire en général, que ce soit les infrastructures (restauration universitaire, logements étudiants), la stratégie (recherche scientifique) ou la conduite politique (discrimination). Elles sont présentes au niveau intra-universitaire (facultés et université), régional, national et international. Leur structure est en général associative.
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.
Technologies de l'éducationLes technologies de l'éducation (Edtech en anglais, pour Educational technology) désignent l'ensemble des nouvelles technologies permettant de faciliter l’enseignement et l'apprentissage. On parle alors de technologies pédagogiques qui permettent d'apprendre de nouveaux contenus sous une forme ludique, stimulante et innovante. Le terme Edtech, né de la contraction d'« éducation » et de « technologie », est apparu dans la littérature anglophone en 2010. Il est devenu populaire pour désigner les startups qui innovent au service de l'éducation.
Apprentissage non superviséDans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiquetées comme « balle » ou « poisson »). Il s'agit donc de découvrir les structures sous-jacentes à ces données non étiquetées. Puisque les données ne sont pas étiquetées, il est impossible à l'algorithme de calculer de façon certaine un score de réussite.
Contre-réactionvignette|Modèle simple de contre-réaction. En électronique le principe de la contre-réaction permet le contrôle des circuits d', de filtrage ou d'asservissement. Elle permet de rendre leurs caractéristiques de fonctionnement indépendantes, dans une large mesure, des différents constituants internes de ces systèmes. Le principe de la contre-réaction a été découvert par Harold Stephen Black le 2 août 1927. Cette idée lui serait venue alors qu'il se rendait à son travail aux laboratoires Bell.
Deep belief networkIn machine learning, a deep belief network (DBN) is a generative graphical model, or alternatively a class of deep neural network, composed of multiple layers of latent variables ("hidden units"), with connections between the layers but not between units within each layer. When trained on a set of examples without supervision, a DBN can learn to probabilistically reconstruct its inputs. The layers then act as feature detectors. After this learning step, a DBN can be further trained with supervision to perform classification.
