Segmentation d'imageLa segmentation d'image est une opération de s consistant à détecter et rassembler les pixels suivant des critères, notamment d'intensité ou spatiaux, l'image apparaissant ainsi formée de régions uniformes. La segmentation peut par exemple montrer les objets en les distinguant du fond avec netteté. Dans les cas où les critères divisent les pixels en deux ensembles, le traitement est une binarisation. Des algorithmes sont écrits comme substitut aux connaissances de haut niveau que l'homme mobilise dans son identification des objets et structures.
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.
Medical image computingMedical image computing (MIC) is an interdisciplinary field at the intersection of computer science, information engineering, electrical engineering, physics, mathematics and medicine. This field develops computational and mathematical methods for solving problems pertaining to medical images and their use for biomedical research and clinical care. The main goal of MIC is to extract clinically relevant information or knowledge from medical images.
Apprentissage par transfertL'apprentissage par transfert (transfer learning en anglais) est l'un des champs de recherche de l'apprentissage automatique qui vise à transférer des connaissances d'une ou plusieurs tâches sources vers une ou plusieurs tâches cibles. Il peut être vu comme la capacité d’un système à reconnaître et appliquer des connaissances et des compétences, apprises à partir de tâches antérieures, sur de nouvelles tâches ou domaines partageant des similitudes. Adaptation de domaine (domain adaptation en anglais) Catég
Object co-segmentationIn computer vision, object co-segmentation is a special case of , which is defined as jointly segmenting semantically similar objects in multiple images or video frames. It is often challenging to extract segmentation masks of a target/object from a noisy collection of images or video frames, which involves object discovery coupled with . A noisy collection implies that the object/target is present sporadically in a set of images or the object/target disappears intermittently throughout the video of interest.
Forêtalt=|vignette|344x344px|Forêt tropicale d'Amérique du Sud vignette|upright=1.3|Vue intérieure d'une forêt tempérée mixte en France. vignette|upright=1.3|Bush australien. vignette|upright=1.3|Forêt inondée en Pologne. vignette|upright=1.3|Forêt tempérée de résineuxîles San Juan, État de Washington. Une forêt ou un massif forestier est un écosystème, relativement étendu, constitué principalement d'un d'arbres, arbustes et arbrisseaux (fruticée), ainsi que de l'ensemble des autres espèces qui lui sont associées et qui vivent en interaction au sein de ce milieu.
Experiential learningExperiential learning (ExL) is the process of learning through experience, and is more narrowly defined as "learning through reflection on doing". Hands-on learning can be a form of experiential learning, but does not necessarily involve students reflecting on their product. Experiential learning is distinct from rote or didactic learning, in which the learner plays a comparatively passive role. It is related to, but not synonymous with, other forms of active learning such as action learning, adventure learning, free-choice learning, cooperative learning, service-learning, and situated learning.
Culture associéevignette|alt=Classification des principaux groupes de système de culture : monoculture, polyculture, cultures multiples, cultures en dérobé.|upright=1.5|Classification des principaux groupes de système de culture : monoculture, polyculture (dont les associations de culture : cultures multiples simultanées). thumb|Piment (répulsif pour de nombreuses espèces) cultivé en association avec du café (dans le département de Cauca, dans le Sud-Ouest de la Colombie).
DonnéeUne donnée est ce qui est connu et qui sert de point de départ à un raisonnement ayant pour objet la détermination d'une solution à un problème en relation avec cette donnée. Cela peut être une description élémentaire qui vise à objectiver une réalité, le résultat d'une comparaison entre deux événements du même ordre (mesure) soit en d'autres termes une observation ou une mesure. La donnée brute est dépourvue de tout raisonnement, supposition, constatation, probabilité.
ApprentissageL’apprentissage est un ensemble de mécanismes menant à l'acquisition de savoir-faire, de savoirs ou de connaissances. L'acteur de l'apprentissage est appelé apprenant. On peut opposer l'apprentissage à l'enseignement dont le but est de dispenser des connaissances et savoirs, l'acteur de l'enseignement étant l'enseignant.
Labeled dataLabeled data is a group of samples that have been tagged with one or more labels. Labeling typically takes a set of unlabeled data and augments each piece of it with informative tags. For example, a data label might indicate whether a photo contains a horse or a cow, which words were uttered in an audio recording, what type of action is being performed in a video, what the topic of a news article is, what the overall sentiment of a tweet is, or whether a dot in an X-ray is a tumor.
Forêt primairevignette|Troncs morts dans la forêt de Białowieża. vignette|Contrairement à une idée reçue, sauf sur ses lisières, une forêt primaire est rarement impénétrable. La flore couvrant le sol, au printemps, peut être riche et dense (parc national de Bialowieza, Pologne). vignette|Le bison d'Europe, grand herbivore des forêts d'Europe, a été réintroduit dans la forêt de Białowieża.
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 superviséL'apprentissage supervisé (supervised learning en anglais) est une tâche d'apprentissage automatique consistant à apprendre une fonction de prédiction à partir d'exemples annotés, au contraire de l'apprentissage non supervisé. On distingue les problèmes de régression des problèmes de classement. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification.
Traitement automatique du langage naturelLe traitement automatique du langage naturel (TALN), en anglais natural language processing ou NLP, est un domaine multidisciplinaire impliquant la linguistique, l'informatique et l'intelligence artificielle, qui vise à créer des outils de traitement du langage naturel pour diverses applications. Il ne doit pas être confondu avec la linguistique informatique, qui vise à comprendre les langues au moyen d'outils informatiques.
Forêt humideUne forêt humide est une forêt caractérisée par des précipitations abondantes, avec une pluviométrie entre . Forêt tempérée humide La forêt tempérée humide est un type de forêt tempérée sempervirente. Composée de conifères ou de feuillus, on la trouve aux latitudes tempérées, dans des zones où les précipitations sont abondantes. La plupart de ces forêts se trouvent dans des climats océaniques humides : Nord-ouest de l'Amérique du Nord, de la Californie au sud-est de l'Alaska ; Nord-ouest de l'Europe : îles Britanniques, Bretagne, Norvège ; Sud du Chili ; Sud-est de l'Australie (Tasmanie, Victoria), Nouvelle-Galles du Sud ; Côte ouest de l'île sud de la Nouvelle-Zélande.
MonocroppingIn agriculture, monocropping is the practice of growing a single crop year after year on the same land. Maize, soybeans, and wheat are three common crops often monocropped. Monocropping is also referred to as continuous cropping, as in "continuous corn." Monocropping allows for farmers to have consistent crops throughout their entire farm. They can plant only the most profitable crop, use the same seed, pest control, machinery, and growing method on their entire farm, which may increase overall farm profitability.
Bio-informatiqueLa bioinformatique (ou bio-informatique), est un champ de recherche multidisciplinaire de la biotechnologie où travaillent de concert biologistes, médecins, informaticiens, mathématiciens, physiciens et bioinformaticiens, dans le but de résoudre un problème scientifique posé par la biologie. Plus généralement, la bio-informatique est l'application de la statistique et de l'informatique à la science biologique. Le spécialiste qui travaille à mi-chemin entre ces sciences et l'informatique est appelé bioinformaticien ou bionaute.
PolycultureEn agriculture, la polyculture est le fait de cultiver plusieurs espèces végétales au sein d'une même ferme, ou plus largement dans une région naturelle. Son association à l'élevage, la polyculture-élevage, est la norme dans de nombreuses régions du monde. Les agronomes distinguent deux types de polyculture : la rotation culturale (suite de variétés échelonnées au fil des années sur une même parcelle) et les cultures multiples (cultures de deux ou plusieurs plantes en séquence sur la même parcelle au cours d'une même année).
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.
