VerbeLe verbe (du latin verbum : mot, verbe) constitue avec le nom la catégorie de mots ou partie du discours principale de toute langue. La tradition grammaticale présente le verbe en opposition au nom à cause de sa capacité d'exprimer un procès, en traduisant une action accomplie ( Il regarde un film) ou subie par le sujet ( Il a été déçu par ce film), ou un état ( Il est satisfait) ou des modifications du sujet ( Il a changé d'avis).
ImageUne image est une représentation visuelle, voire mentale, de quelque chose (objet, être vivant ou concept). Elle peut être naturelle (ombre, reflet) ou artificielle (sculpture, peinture, photographie), visuelle ou non, tangible ou conceptuelle (métaphore), elle peut entretenir un rapport de ressemblance directe avec son modèle ou au contraire y être liée par un rapport plus symbolique. Pour la sémiologie ou sémiotique, qui a développé tout un secteur de sémiotique visuelle, l'image est conçue comme produite par un langage spécifique.
Verbe à particuleUn verbe à particule est un mot composé constitué d'un verbe de base associé à un élément d'origine non verbale (la « particule ») qui en complète ou en modifie le sens. La particule peut tirer son origine d'un adverbe ou d'une adposition, moins souvent d'un nom ou d'un adjectif. Les verbes à particule sont particulièrement typiques de la grammaire des langues germaniques, bien qu'ils ne soient pas limités à cette famille de langues. L'allemand et le néerlandais se caractérisent par des règles complexes qui régissent la position de la particule dans la proposition.
Reconnaissance de formesthumb|Reconnaissance de forme à partir de modélisation en 3D La reconnaissance de formes (ou parfois reconnaissance de motifs) est un ensemble de techniques et méthodes visant à identifier des régularités informatiques à partir de données brutes afin de prendre une décision dépendant de la catégorie attribuée à ce motif. On considère que c'est une branche de l'intelligence artificielle qui fait largement appel aux techniques d'apprentissage automatique et aux statistiques.
Correspondence problemThe correspondence problem refers to the problem of ascertaining which parts of one image correspond to which parts of another image, where differences are due to movement of the camera, the elapse of time, and/or movement of objects in the photos.
Compound verbIn linguistics, a compound verb or complex predicate is a multi-word compound that functions as a single verb. One component of the compound is a light verb or vector, which carries any inflections, indicating tense, mood, or aspect, but provides only fine shades of meaning. The other, "primary", component is a verb or noun which carries most of the semantics of the compound, and determines its arguments. It is usually in either base or [in Verb + Verb compounds] conjunctive participial form.
Reconnaissance de l'écriture manuscriteLa reconnaissance de l’écriture manuscrite (en anglais, handwritten text recognition ou HTR) est un traitement informatique qui a pour but de traduire un texte écrit en un texte codé numériquement. Il faut distinguer deux reconnaissances distinctes, avec des problématiques et des solutions différentes : la reconnaissance en-ligne ; la reconnaissance hors-ligne. La reconnaissance de l’écriture manuscrite fait appel à la reconnaissance de forme, mais également au traitement automatique du langage naturel.
Text-to-image modelA text-to-image model is a machine learning model which takes an input natural language description and produces an image matching that description. Such models began to be developed in the mid-2010s, as a result of advances in deep neural networks. In 2022, the output of state of the art text-to-image models, such as OpenAI's DALL-E 2, Google Brain's , StabilityAI's Stable Diffusion, and Midjourney began to approach the quality of real photographs and human-drawn art.
Verbe d'étatUn verbe d'état, ou verbe statique, ou encore verbe attributif, est un type sémantique de verbe dont le procès indique que son sujet possède une propriété particulière tel que l'état, le devenir, la façon d'être. Ces formes verbales n'expriment aucune action, n'impliquent pas de durée, et ne fournissent qu'une description d'une condition. Exemples en français : « avoir l'air », « consister », « demeurer », « devenir », « passer pour », « rester », « s'appeler », « sembler », « se trouver », « paraître », « être », « naitre », « mourir » Du point de vue des fonctions syntaxiques, les verbes d'état sont ceux qui définissent un sujet et son attribut.
Modèle génératifvignette|Schéma représentant la différence entre un modèle discriminatif et un modèle génératif. En classement automatique un modèle génératif est un modèle statistique défini par opposition à un modèle discriminatif. Étant donné une variable X à laquelle il doit associer une autre variable Y, le modèle génératif cherchera à décrire la probabilité conditionnelle ainsi que la probabilité puis d'utiliser la formule de Bayes pour calculer la probabilité .
Reconnaissance optique de caractèresvignette|Vidéo montrant un processus de reconnaissance optique de caractères effectué en direct grâce à un scanner portable. La reconnaissance optique de caractères (ROC, ou OCR pour l'anglais optical character recognition), ou océrisation, désigne les procédés informatiques pour la traduction d'images de textes imprimés ou dactylographiés en fichiers de texte. Un ordinateur réclame pour l'exécution de cette tâche un logiciel d'OCR.
Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
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.
Modèle discriminatifDiscriminative models, also referred to as conditional models, are a class of logistical models used for classification or regression. They distinguish decision boundaries through observed data, such as pass/fail, win/lose, alive/dead or healthy/sick. Typical discriminative models include logistic regression (LR), conditional random fields (CRFs) (specified over an undirected graph), decision trees, and many others. Typical generative model approaches include naive Bayes classifiers, Gaussian mixture models, variational autoencoders, generative adversarial networks and others.
Verbe auxiliaireEn grammaire, un auxiliaire est un verbe qui se combine à un verbe principal pour constituer ainsi un temps composé ou périphrastique. Il ajoute divers traits grammaticaux au verbe principal, dont les plus fréquents sont la personne, le temps, l'aspect, la voix, le mode, mais aussi d'autres catégories grammaticales comme la polarité négative, dans les langues ouraliennes. En français, il en existe deux de base : être et avoir suivis du verbe au participe passé.
Modèle de langageEn traitement automatique des langues, un modèle de langage ou modèle linguistique est un modèle statistique de la distribution de symboles distincts (lettres, phonèmes, mots) dans une langue naturelle. Un modèle de langage peut par exemple prédire le mot suivant dans une séquence de mots. Un modèle de langage n-gramme est un modèle de langage qui modélise des séquences de mots comme un processus de Markov. Il utilise l'hypothèse simplificatrice selon laquelle la probabilité du mot suivant dans une séquence ne dépend que d'une fenêtre de taille fixe de mots précédents.
Sous-titrageLe sous-titrage est une technique liée aux contenus audiovisuels, notamment cinématographiques, consistant en l'affichage de texte au bas de l'image, lors de la diffusion d'un programme, comme un film. Cette technique qui a d'abord été utilisée pour le cinéma, a ensuite été transposée à la télévision, où elle peut concerner tous types de programmes comme les séries télévisées, les documentaires, les journaux télévisés, etc. Elle s'applique désormais à tous les médias audiovisuels : DVD-Video, Internet, etc.
Intransitive verbIn grammar, an intransitive verb is a verb whose context does not entail a direct object. That lack of transitivity distinguishes intransitive verbs from transitive verbs, which entail one or more objects. Additionally, intransitive verbs are typically considered within a class apart from modal verbs and defective verbs. In the following sentences, verbs are used without a direct object: "Rivers flow." "I sneezed." "My dog ran." "Water evaporates when it's hot." "You've grown since I last saw you!" "I wonder how old I will be when I die.
Verbe impersonnelEn grammaire, un verbe impersonnel est un verbe qui n’a pas de sujet agent. D’une part, il y a des verbes impersonnels qui ne peuvent avoir aucune espèce de sujet (dans certaines langues) ou qui ne peuvent avoir qu’un sujet appelé « apparent » (dans d’autres langues), et d’autres verbes, qui peuvent avoir un sujet, mais qui n’est pas l’agent du procès. Ce sujet peut être un nom, un pronom, un verbe à un mode impersonnel ou une proposition subordonnée.
Regular and irregular verbsA regular verb is any verb whose conjugation follows the typical pattern, or one of the typical patterns, of the language to which it belongs. A verb whose conjugation follows a different pattern is called an irregular verb. This is one instance of the distinction between regular and irregular inflection, which can also apply to other word classes, such as nouns and adjectives. In English, for example, verbs such as play, enter, and like are regular since they form their inflected parts by adding the typical endings -s, -ing and -ed to give forms such as plays, entering, and liked.
