Effet isotopique cinétiqueL'effet isotopique cinétique (en anglais, kinetic isotope effect ou KIE) est la variation de la vitesse d'une réaction chimique lorsqu'un atome d'un des réactifs est remplacé par l'un de ses isotopes. Par exemple, le remplacement d'un atome C par un atome C conduit à un effet isotopique cinétique défini par le rapport des constantes de vitesse (on met en général au numérateur la constante qui concerne l'isotope le plus léger). Dans la substitution nucléophile du bromure de méthyle par l'ion cyanure, le rapport mesuré est de .
Arbre de décisionvignette| Arbre de décision Un arbre de décision est un outil d'aide à la décision représentant un ensemble de choix sous la forme graphique d'un arbre. Les différentes décisions possibles sont situées aux extrémités des branches (les « feuilles » de l'arbre), et sont atteintes en fonction de décisions prises à chaque étape. L'arbre de décision est un outil utilisé dans des domaines variés tels que la sécurité, la fouille de données, la médecine, etc. Il a l'avantage d'être lisible et rapide à exécuter.
Arbre de décision (apprentissage)L’apprentissage par arbre de décision désigne une méthode basée sur l'utilisation d'un arbre de décision comme modèle prédictif. On l'utilise notamment en fouille de données et en apprentissage automatique. Dans ces structures d'arbre, les feuilles représentent les valeurs de la variable-cible et les embranchements correspondent à des combinaisons de variables d'entrée qui mènent à ces valeurs. En analyse de décision, un arbre de décision peut être utilisé pour représenter de manière explicite les décisions réalisées et les processus qui les amènent.
Mécanisme réactionnelEn chimie, un mécanisme réactionnel est l'enchainement d'étapes, de réactions élémentaires, par lequel un changement chimique a lieu. Bien que, pour la plupart des réactions, seul le bilan global (transformation des réactifs en produits) soit observable directement, des expériences permettent de déterminer la séquence possible des étapes du mécanisme réactionnel associé. Un mécanisme réactionnel décrit en détail ce qui se passe à chaque étape d'une transformation chimique.
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.
Forêt d'arbres décisionnelsvignette|Illustration du principe de construction d'une forêt aléatoire comme agrégation d'arbre aléatoires. En apprentissage automatique, les forêts d'arbres décisionnels (ou forêts aléatoires de l'anglais random forest classifier) forment une méthode d'apprentissage ensembliste. Ils ont été premièrement proposées par Ho en 1995 et ont été formellement proposées en 2001 par Leo Breiman et Adele Cutler. Cet algorithme combine les concepts de sous-espaces aléatoires et de bagging.
Cinétique chimiqueLa cinétique chimique est l'étude de la vitesse des réactions chimiques. Sur le plan disciplinaire, elle fait partie de la chimie physique. Certaines réactions sont totales et très rapides, voire instantanées, comme les explosions. D'autres sont tellement lentes qu'elles durent plusieurs années (comme la formation de la rouille), voire plusieurs siècles (comme la formation du charbon ou du pétrole). Certaines sont même tellement lentes que les réactifs de départ sont considérés comme stables, par exemple la transformation du diamant en carbone graphite.
Cinétique enzymatiqueLa cinétique enzymatique a pour objet d'identifier et de décrire les mécanismes des réactions biochimiques, catalysées par les enzymes (réaction enzymatique), en étudiant leur vitesse c'est-à-dire leur évolution en fonction du temps. En partant des enzymes isolées et en allant vers les systèmes métaboliques organisés et intégrés, la cinétique enzymatique permet de décrire quantitativement les propriétés catalytiques des enzymes et les mécanismes mis en place pour leur régulation.
Énergie d'activationL'énergie d'activation est une notion introduite en 1889 par le scientifique suédois Svante August Arrhenius, après avoir constaté la loi empirique qui porte son nom et qui décrit l’évolution d’une vitesse de réaction chimique avec la température. Dans sa loi (voir ci-dessous), il apparaît un terme qui possède la dimension d’une énergie molaire et qu’il appelle énergie d’activation. Le sens intuitif qui peut être donné à cette notion est celui d'une énergie qui doit être apportée à un système chimique pour que la réaction ait lieu.
Rate equationIn chemistry, the rate law or rate equation for a chemical reaction is a mathematical equation that links the rate of forward reaction with the concentrations or pressures of the reactants and constant parameters (normally rate coefficients and partial reaction orders). For many reactions, the initial rate is given by a power law such as where [\mathrm{A}] and [\mathrm{B}] express the concentration of the species \mathrm{A} and \mathrm{B}, usually in moles per liter (molarity, M).
PerceptronLe perceptron est un algorithme d'apprentissage supervisé de classifieurs binaires (c'est-à-dire séparant deux classes). Il a été inventé en 1957 par Frank Rosenblatt au laboratoire d'aéronautique de l'université Cornell. Il s'agit d'un neurone formel muni d'une règle d'apprentissage qui permet de déterminer automatiquement les poids synaptiques de manière à séparer un problème d'apprentissage supervisé. Si le problème est linéairement séparable, un théorème assure que la règle du perceptron permet de trouver une séparatrice entre les deux classes.
Gradient boostingGradient boosting is a machine learning technique used in regression and classification tasks, among others. It gives a prediction model in the form of an ensemble of weak prediction models, i.e., models that make very few assumptions about the data, which are typically simple decision trees. When a decision tree is the weak learner, the resulting algorithm is called gradient-boosted trees; it usually outperforms random forest.
Chimie quantiqueLa chimie quantique est une branche de la chimie théorique qui applique la mécanique quantique aux systèmes moléculaires pour étudier les processus et les propriétés chimiques. Le comportement électronique et nucléaire des molécules étant responsable des propriétés chimiques, il ne peut être décrit adéquatement qu'à partir de l'équation du mouvement quantique (équation de Schrödinger) et des autres postulats fondamentaux de la mécanique quantique. Cette nécessité a motivé le développement de concepts (notamment orbitale moléculaire.
Algorithme d'apprentissage incrémentalEn informatique, un algorithme d'apprentissage incrémental ou incrémentiel est un algorithme d'apprentissage qui a la particularité d'être online, c'est-à-dire qui apprend à partir de données reçues au fur et à mesure du temps. À chaque incrément il reçoit des données d'entrées et un résultat, l'algorithme calcule alors une amélioration du calcul fait pour prédire le résultat à partir des données d'entrées.
Isotopethumb|upright=1.2|Quelques isotopes de l'oxygène, de l'azote et du carbone. On appelle isotopes (d'un certain élément chimique) les nucléides partageant le même nombre de protons (caractéristique de cet élément), mais ayant un nombre de neutrons différent. Autrement dit, si l'on considère deux nucléides dont les nombres de protons sont Z et Z, et les nombres de neutrons N et N, ces nucléides sont dits isotopes si Z = Z et N ≠ N.
Bootstrap aggregatingLe bootstrap aggregating, également appelé bagging (de bootstrap aggregating), est un meta-algorithme d'apprentissage ensembliste conçu pour améliorer la stabilité et la précision des algorithmes d'apprentissage automatique. Il réduit la variance et permet d'éviter le surapprentissage. Bien qu'il soit généralement appliqué aux méthodes d'arbres de décision, il peut être utilisé avec n'importe quel type de méthode. Le bootstrap aggregating est un cas particulier de l'approche d'apprentissage ensembliste.
Méthode ab initio de chimie quantiqueLes méthodes ab initio de chimie quantique sont des méthodes de chimie numérique basées sur la chimie quantique. La méthode ab initio la plus simple de calcul de structure électronique est le schéma Hartree-Fock (HF), dans laquelle la répulsion coulombienne électron-électron n'est pas spécifiquement prise en compte. Seul son effet moyen est inclus dans le calcul. Lorsque la taille de la base est augmentée, l'énergie et la fonction d'onde tendent vers une limite appelée limite Hartree-Fock.
Méthode quantique semi-empiriqueLes méthodes semi-empiriques sont des techniques de résolution de l'équation de Schrödinger de systèmes à plusieurs électrons. Contrairement aux méthodes ab initio, les méthodes semi-empiriques utilisent des données ajustées sur des résultats expérimentaux afin de simplifier les calculs. La longueur et la difficulté des calculs est en grande partie due aux intégrales biélectroniques qui apparaissent au cours du processus de résolution.
Traceur isotopiqueLes traceurs isotopiques sont utilisés en chimie, en hydrochimie, en géologie isotopique et en biochimie afin de mieux comprendre certaines réactions chimiques, interactions ou la cinétique environnementale de certains éléments. Les processus biologiques, physiques et chimiques induisent en effet une répartition différentielle des isotopes légers et lourds, comportement appelé fractionnement isotopique. Le traçage isotopique utilise cette propriété des traceurs isotopiques.
Chimie numériqueLa chimie numérique ou chimie informatique, parfois aussi chimie computationnelle, est une branche de la chimie et de la physico-chimie qui utilise les lois de la chimie théorique exploitées dans des programmes informatiques spécifiques afin de calculer structures et propriétés d'objets chimiques tels que les molécules, les solides, les agrégats atomiques (ou clusters), les surfaces, etc., en appliquant autant que possible ces programmes à des problèmes chimiques réels.
