Chaîne de Markovvignette|Exemple élémentaire de chaîne de Markov, à deux états A et E. Les flèches indiquent les probabilités de transition d'un état à un autre. En mathématiques, une chaîne de Markov est un processus de Markov à temps discret, ou à temps continu et à espace d'états discret. Un processus de Markov est un processus stochastique possédant la propriété de Markov : l'information utile pour la prédiction du futur est entièrement contenue dans l'état présent du processus et n'est pas dépendante des états antérieurs (le système n'a pas de « mémoire »).
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.
Markov modelIn probability theory, a Markov model is a stochastic model used to model pseudo-randomly changing systems. It is assumed that future states depend only on the current state, not on the events that occurred before it (that is, it assumes the Markov property). Generally, this assumption enables reasoning and computation with the model that would otherwise be intractable. For this reason, in the fields of predictive modelling and probabilistic forecasting, it is desirable for a given model to exhibit the Markov property.
Propriété de Markovvignette|Exemple de processus stochastique vérifiant la propriété de Markov: un mouvement Brownien (ici représenté en 3D) d'une particule dont la position à un instant t+1 ne dépend que de la position précédente à l'instant t. En probabilité, un processus stochastique vérifie la propriété de Markov si et seulement si la distribution conditionnelle de probabilité des états futurs, étant donnés les états passés et l'état présent, ne dépend en fait que de l'état présent et non pas des états passés (absence de « mémoire »).
Modèle de Markov cachéUn modèle de Markov caché (MMC, terme et définition normalisés par l’ISO/CÉI [ISO/IEC 2382-29:1999]) — (HMM)—, ou plus correctement (mais non employé) automate de Markov à états cachés, est un modèle statistique dans lequel le système modélisé est supposé être un processus markovien de paramètres inconnus. Contrairement à une chaîne de Markov classique, où les transitions prises sont inconnues de l'utilisateur mais où les états d'une exécution sont connus, dans un modèle de Markov caché, les états d'une exécution sont inconnus de l'utilisateur (seuls certains paramètres, comme la température, etc.
Calcul par réservoirLe calcul par réservoir (de l'anglais reservoir computing) est un cadre de calcul dérivé de la théorie des réseaux de neurones récurrents qui mappe un ou plusieurs signaux d'entrée dans des espaces de calcul de dimension supérieure grâce à la dynamique d'un système fixe et non linéaire appelé réservoir . Une fois que le signal d'entrée est introduit dans le réservoir, qui est traité comme une « boîte noire », un simple mécanisme de lecture est entraîné pour lire l'état du réservoir et le mapper à la sortie souhaitée.
Vanishing gradient problemIn machine learning, the vanishing gradient problem is encountered when training artificial neural networks with gradient-based learning methods and backpropagation. In such methods, during each iteration of training each of the neural networks weights receives an update proportional to the partial derivative of the error function with respect to the current weight. The problem is that in some cases, the gradient will be vanishingly small, effectively preventing the weight from changing its value.
Attention (machine learning)Machine learning-based attention is a mechanism mimicking cognitive attention. It calculates "soft" weights for each word, more precisely for its embedding, in the context window. It can do it either in parallel (such as in transformers) or sequentially (such as recursive neural networks). "Soft" weights can change during each runtime, in contrast to "hard" weights, which are (pre-)trained and fine-tuned and remain frozen afterwards. Multiple attention heads are used in transformer-based large language models.
Époque d'EdoL' ou est la subdivision traditionnelle de l'histoire du Japon qui commence vers 1600, avec la prise de pouvoir de Tokugawa Ieyasu lors de la bataille de Sekigahara, et se termine vers 1868 avec la restauration Meiji. Elle est dominée par le shogunat Tokugawa dont Edo (ancien nom de Tokyo) est la capitale. Oda Nobunaga Au cours de la seconde moitié du , trois chefs militaires se succèdent au pouvoir et contribuent à l'unification de tout l'archipel japonais. Oda Nobunaga commence ce processus d'unification de 1560 à 1582.
Époque SengokuL' est une ère de l'histoire du Japon marquée par des turbulences sociales, des intrigues politiques et des conflits militaires quasi permanents, qui s'étend du milieu du à la fin du au Japon. Au sens strict, cette période débute à la fin des guerres d'Ōnin en 1477 et dure jusqu'en 1573, lorsque le seigneur de la guerre Oda Nobunaga destitue le dernier shogun Ashikaga. Elle couvre approximativement la seconde moitié de l'époque de Muromachi entendue au sens large, qui correspond au shogunat des Ashikaga et s'étend de 1336 à 1573.
Période 3 du tableau périodiqueLa période 3 du tableau périodique est la troisième ligne, ou période, du tableau périodique des éléments. Elle contient des éléments du bloc s et du bloc p : {| class="wikitable" ! colspan="3" | Élément chimique ! Famille d'éléments ! Configuration électronique |- | 11 ! Na | Sodium | Métal alcalin | |- | 12 ! Mg | Magnésium | Métal alcalino-terreux | |- | 13 ! Al | Aluminium | Métal pauvre | |- | 14 ! Si | Silicium | Métalloïde | |- | 15 ! P | Phosphore | Non-métal | |- | 16 ! S | Soufre | Non-métal | |-
Période du tableau périodiqueDans le tableau périodique des éléments, une période est une ligne de la table. Les éléments chimiques d'une même période ont le même nombre de couches électroniques. Sept périodes contiennent les éléments observés à ce jour, et une huitième période hypothétique a été décrite. L'organisation du tableau en lignes nommées périodes et colonnes nommées groupes reflète la périodicité des propriétés physico-chimiques des éléments lorsque le nombre atomique augmente.
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.
Loi normaleEn théorie des probabilités et en statistique, les lois normales sont parmi les lois de probabilité les plus utilisées pour modéliser des phénomènes naturels issus de plusieurs événements aléatoires. Elles sont en lien avec de nombreux objets mathématiques dont le mouvement brownien, le bruit blanc gaussien ou d'autres lois de probabilité. Elles sont également appelées lois gaussiennes, lois de Gauss ou lois de Laplace-Gauss des noms de Laplace (1749-1827) et Gauss (1777-1855), deux mathématiciens, astronomes et physiciens qui l'ont étudiée.
Loi log-normaleEn théorie des probabilités et statistique, une variable aléatoire X est dite suivre une loi log-normale de paramètres et si la variable suit une loi normale d'espérance et de variance . Cette loi est parfois appelée loi de Galton. Elle est habituellement notée dans le cas d'une seule variable ou dans un contexte multidimensionnel. Une variable peut être modélisée par une loi log-normale si elle est le résultat de la multiplication d'un grand nombre de petits facteurs indépendants.
Tendances périodiquesvignette|313x313px|Les tendances périodiques des propriétés des éléments. Les tendances périodiques sont des patterns d'évolution de certaines propriétés des éléments à travers le tableau périodique. Ils ont été découverts par le chimiste russe Dmitri Mendeleïev en 1863. Les tendances principales sont le rayon atomique, l'énergie d'ionisation, l'affinité électronique, l'électronégativité, la valence et le caractère métallique. Ces tendances donnent une évaluation qualitative des propriétés des éléments.
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.
MexiqueLe Mexique, officiellement et en forme longue les États-Unis mexicains (en espagnol : México et Estados Unidos Mexicanos), est un pays situé dans la partie méridionale de l'Amérique du Nord. Délimité à l'est-sud-est par le Guatemala et le Belize, et au nord-nord-ouest par les États-Unis d'Amérique, il est bordé à l'est par le golfe du Mexique et la mer des Caraïbes et au sud-ouest par l'océan Pacifique. C'est le quatorzième pays en superficie, avoisinant deux millions de kilomètres carrés.
Parti de la révolution démocratiqueLe Parti de la révolution démocratique (Partido de la Revolución Democrática) ou PRD est un parti politique mexicain fondé le d'une scission du Parti révolutionnaire institutionnel (PRI), avec une idéologie politique de centre gauche. Il est longtemps l'un des trois partis majeurs du Mexique, avant de s'affaiblir au profit du Mouvement de régénération nationale. Il est membre de l'Internationale socialiste et de la Conférence permanente des partis politiques d'Amérique latine et des Caraïbes (COPPPAL).
NumPyNumPy est une bibliothèque pour langage de programmation Python, destinée à manipuler des matrices ou tableaux multidimensionnels ainsi que des fonctions mathématiques opérant sur ces tableaux. Plus précisément, cette bibliothèque logicielle libre et open source fournit de multiples fonctions permettant notamment de créer directement un tableau depuis un fichier ou au contraire de sauvegarder un tableau dans un fichier, et manipuler des vecteurs, matrices et polynômes.
