Aversion pour la pertevignette|Graphique de la valeur perçue du gain et de la perte par rapport à la valeur numérique stricte du gain et de la perte : Une perte de 0,05 estperc\cuecommeuneperted′utiliteˊbeaucoupplusimportantequel′augmentationd′utiliteˊd′ungainde0,05. L'aversion pour la perte est une notion issue de l'économie comportementale, elle est un biais comportemental qui fait que les humains attachent plus d'importance à une perte qu'à un gain du même montant. Framing (social sciences)In the social sciences, framing comprises a set of concepts and theoretical perspectives on how individuals, groups, and societies organize, perceive, and communicate about reality. Framing can manifest in thought or interpersonal communication. Frames in thought consist of the mental representations, interpretations, and simplifications of reality. Frames in communication consist of the communication of frames between different actors. Framing is a key component of sociology, the study of social interaction among humans.
Cadrage (décision)En psychologie du raisonnement et de la décision ainsi qu'en psychologie sociale, le cadrage est l'action de présenter un « cadre cognitif » comme approprié pour réfléchir sur un sujet. Ce cadrage peut avoir un effet sur le raisonnement et conduire à des choix différents en fonction de la façon dont le problème a été formulé. La notion de cadrage a été explorée notamment par Tversky et Kahneman. Ils présentent ainsi une expérience durant laquelle des étudiants doivent imaginer qu'une épidémie s'est déclenchée dans leur pays et indiquer quelle politique leur semble la plus raisonnable.
Z-bufferthumb|Contenu d'un Z-Buffer En infographie, le Z-buffer ou tampon de profondeur est une méthode employée dans le cadre de l'affichage d'une scène 3D. Le Z-Buffer permet de gérer le problème de la visibilité qui consiste à déterminer quels éléments de la scène doivent être rendus, lesquels sont cachés par d'autres et dans quel ordre l'affichage des primitives doit se faire. Il est principalement utilisé par l'accélération matérielle de la 3D, mais l'est aussi dans beaucoup de moteurs 3D logiciels.
Compression de donnéesLa compression de données ou codage de source est l'opération informatique consistant à transformer une suite de bits A en une suite de bits B plus courte pouvant restituer les mêmes informations, ou des informations voisines, en utilisant un algorithme de décompression. C'est une opération de codage qui raccourcit la taille (de transmission, de stockage) des données au prix d'un travail de compression. Celle-ci est l'opération inverse de la décompression.
Diffusion en direct sur InternetLa diffusion en direct sur Internet (en anglais : live streaming), parfois appelé live est la diffusion sur Internet de contenus vidéo au moment de leur production. C'est une nouvelle forme de communication qui s’inscrit dans la révolution Web 2.0 : c’est un outil simple d’utilisation, accessible au moyen d'une webcam et d'un micro et qui permet à l’internaute de devenir un éditeur. L’une des tendances les plus lourdes de ce phénomène est le lifecasting ou la diffusion quotidienne sans interruption de sa propre vie.
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.
Perte de paquetsLa perte de paquets se produit lorsqu'un ou plusieurs paquets de données transitant par un réseau informatique n'arrivent pas à destination. La perte de paquets est causée soit par des erreurs de transmission de données, généralement sur des réseaux sans fil soit par une congestion du réseau. La perte de paquets est mesurée en pourcentage des paquets perdus par rapport aux paquets envoyés. Le protocole de transmission de données informatiques (TCP en anglais) détecte la perte de paquets et effectue des retransmissions pour assurer une messagerie fiable .
Densité de chargeLa densité de charge électrique désigne la quantité de charge électrique par unité d'espace. Selon que l'on considère un problème à 1, 2 ou 3 dimensions, c'est-à-dire une ligne, une surface ou un volume, on parlera de densité linéique, surfacique ou volumique de charge. Leurs unités sont respectivement le coulomb par mètre (), le coulomb par mètre carré () et le coulomb par mètre cube () dans le Système international. Comme il existe des charges négatives comme des charges positives, la densité de charge peut prendre des valeurs négatives.
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.
Stencil bufferA stencil buffer is an extra data buffer, in addition to the color buffer and Z-buffer, found on modern graphics hardware. The buffer is per pixel and works on integer values, usually with a depth of one byte per pixel. The Z-buffer and stencil buffer often share the same area in the RAM of the graphics hardware. In the simplest case, the stencil buffer is used to limit the area of rendering (stenciling). More advanced usage of the stencil buffer makes use of the strong connection between the Z-buffer and the stencil buffer in the rendering pipeline.
Taylor expansions for the moments of functions of random variablesIn probability theory, it is possible to approximate the moments of a function f of a random variable X using Taylor expansions, provided that f is sufficiently differentiable and that the moments of X are finite. Given and , the mean and the variance of , respectively, a Taylor expansion of the expected value of can be found via Since the second term vanishes. Also, is . Therefore, It is possible to generalize this to functions of more than one variable using multivariate Taylor expansions.
