Lave torrentiellethumb|Lave torrentielle dans le canton d'Uri, en Suisse. vignette|Petite lave torrentielle sur le Rieu Bel à Villargondran. Une lave torrentielle est un phénomène géologique en situation de relief, notamment de montagne (composante essentielle de l'évolution paysagère à long terme). Son déclenchement est lié à des précipitations météorologiques violentes, soudaines et concentrées, qui peuvent être accompagnées de grêle ou d'orage.
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.
Science des donnéesLa science des données est l'étude de l’extraction automatisée de connaissance à partir de grands ensembles de données. Plus précisément, la science des données est un domaine interdisciplinaire qui utilise des méthodes, des processus, des algorithmes et des systèmes scientifiques pour extraire des connaissances et des idées à partir de nombreuses données structurées ou non . Elle est souvent associée aux données massives et à l'analyse des données.
Instabilité gravitairevignette|Cônes d'éboulis sur la rive nord de Isfjorden en Norvège. L’instabilité gravitaire est également connue sous le nom de processus de pente, ou mouvement de masse rocheuse. Ce processus géomorphologique implique des mouvements de roches (sol, substrat, régolithe...) le long de l'inclinaison d'une surface topographique sous l'effet de la gravité. Derrière ce nom, se cachent différents processus comme la solifluxion, les glissements de terrain, les laves torrentielles, les avalanches, les effondrements.
Détection d'anomaliesDans l'exploration de données, la détection d'anomalies (en anglais, anomaly detection ou outlier detection) est l'identification d'éléments, d'événements ou d'observations rares qui soulèvent des suspicions en différant de manière significative de la majorité des autres données. Généralement, les anomalies indiquent un problème tel qu'une fraude bancaire, un défaut structurel, un problème médical ou une erreur dans un texte. Les anomalies sont également appelées des valeurs aberrantes, du bruit, des écarts ou des exceptions.
Big dataLe big data ( « grosses données » en anglais), les mégadonnées ou les données massives, désigne les ressources d’informations dont les caractéristiques en termes de volume, de vélocité et de variété imposent l’utilisation de technologies et de méthodes analytiques particulières pour créer de la valeur, et qui dépassent en général les capacités d'une seule et unique machine et nécessitent des traitements parallélisés. L’explosion quantitative (et souvent redondante) des données numériques permet une nouvelle approche pour analyser le monde.
Traitement du signalLe traitement du signal est la discipline qui développe et étudie les techniques de traitement, d'analyse et d' des . Parmi les types d'opérations possibles sur ces signaux, on peut dénoter le contrôle, le filtrage, la compression et la transmission de données, la réduction du bruit, la déconvolution, la prédiction, l'identification, la classification Bien que cette discipline trouve son origine dans les sciences de l'ingénieur (particulièrement l'électronique et l'automatique), elle fait aujourd'hui largement appel à de nombreux domaines des mathématiques, comme la , les processus stochastiques, les espaces vectoriels et l'algèbre linéaire et des mathématiques appliquées, notamment la théorie de l'information, l'optimisation ou encore l'analyse numérique.
Analyse des donnéesL’analyse des données (aussi appelée analyse exploratoire des données ou AED) est une famille de méthodes statistiques dont les principales caractéristiques sont d'être multidimensionnelles et descriptives. Dans l'acception française, la terminologie « analyse des données » désigne donc un sous-ensemble de ce qui est appelé plus généralement la statistique multivariée. Certaines méthodes, pour la plupart géométriques, aident à faire ressortir les relations pouvant exister entre les différentes données et à en tirer une information statistique qui permet de décrire de façon plus succincte les principales informations contenues dans ces données.
Gestion des donnéesLa gestion des données est une discipline de gestion qui tend à valoriser les données en tant que ressources numériques. La gestion des données permet d'envisager le développement d'architectures, de réglementations, de pratiques et de procédures qui gèrent correctement les besoins des organismes sur le plan de tout le cycle de vie des données. Les données sont, avec les traitements, l'un des deux aspects des systèmes d'information traditionnellement identifiés, et l'un ne peut aller sans l'autre pour un management du système d'information cohérent.
Landslide classificationThere have been known various classifications of landslides. Broad definitions include forms of mass movement that narrower definitions exclude. For example, the McGraw-Hill Encyclopedia of Science and Technology distinguishes the following types of landslides: fall (by undercutting) fall (by toppling) slump rockslide earthflow sinkholes, mountain side rockslide that develops into rock avalanche Influential narrower definitions restrict landslides to slumps and translational slides in rock and regolith, not involving fluidisation.
Entrepôt de donnéesvignette|redresse=1.5|Vue d'ensemble d'une architecture entrepôt de données. Le terme entrepôt de données ou EDD (ou base de données décisionnelle ; en anglais, data warehouse ou DWH) désigne une base de données utilisée pour collecter, ordonner, journaliser et stocker des informations provenant de base de données opérationnelles et fournir ainsi un socle à l'aide à la décision en entreprise. Un entrepôt de données est une base de données regroupant une partie ou l'ensemble des données fonctionnelles d'une entreprise.
Algorithme génétiqueLes algorithmes génétiques appartiennent à la famille des algorithmes évolutionnistes. Leur but est d'obtenir une solution approchée à un problème d'optimisation, lorsqu'il n'existe pas de méthode exacte (ou que la solution est inconnue) pour le résoudre en un temps raisonnable. Les algorithmes génétiques utilisent la notion de sélection naturelle et l'appliquent à une population de solutions potentielles au problème donné.
Glissement de terrainvignette|Restes du glissement de terrain ayant détruit le village de Sant'Antonio Morignone, commune de Valdisotto (Italie). vignette|Glissement de terrain ayant emporté une route et une résidence à Saint-Jude (Montérégie, Québec). vignette|Glissement de terrain à Smueia de Badia (Sud-Tyrol, Italie), après l'évènement. vignette|Glissement de terrain ayant emporté des pans de route (d), près de Castleton (Royaume-Uni).
Modèle de donnéesEn informatique, un modèle de données est un modèle qui décrit la manière dont sont représentées les données dans une organisation métier, un système d'information ou une base de données. Le terme modèle de données peut avoir deux significations : Un modèle de données théorique, c'est-à-dire une description formelle ou un modèle mathématique. Voir aussi modèle de base de données Un modèle de données instance, c'est-à-dire qui applique un modèle de données théorique (modélisation des données) pour créer un modèle de données instance.
AvalancheUne avalanche () de neige est d'abord un phénomène physique : une masse de neige qui se détache puis dévale un versant de montagne sous l'effet de la pesanteur, ou, formulé autrement, le mouvement rapide sur une grande pente d'un volume de neige, à la suite d'une rupture d'équilibre dans le manteau neigeux initial. Une avalanche de neige est aussi un aléa avec la possibilité qu'une telle menace (déclenchement, écoulement, impact) se réalise dans un lieu donné à un instant donné.
Data wranglingData wrangling, sometimes referred to as data munging, is the process of transforming and mapping data from one "raw" data form into another format with the intent of making it more appropriate and valuable for a variety of downstream purposes such as analytics. The goal of data wrangling is to assure quality and useful data. Data analysts typically spend the majority of their time in the process of data wrangling compared to the actual analysis of the data.
Barrage naturelthumb|Barrage naturel de faible dimension composé d'un embâcle de bois mort dans le Nord de la France. Un barrage naturel est un obstacle d'origine non humaine et de taille variable qui entrave le lit d'un cours d'eau au point que celui-ci forme une étendue d'eau en amont du barrage. C'est le principal processus de formation des lacs naturels avec l'endoréisme ou la subsidence. Sa rupture plus ou moins soudaine peut provoquer des inondations en aval.
Traitement numérique du signalLe traitement numérique du signal étudie les techniques de traitement (filtrage, compression, etc), d'analyse et d'interprétation des signaux numérisés. À la différence du traitement des signaux analogiques qui est réalisé par des dispositifs en électronique analogique, le traitement des signaux numériques est réalisé par des machines numériques (des ordinateurs ou des circuits dédiés). Ces machines numériques donnent accès à des algorithmes puissants, tel le calcul de la transformée de Fourier.
Glissement de terrain sous-marinthumb|Conglomérat rocheux (Point Reyes, Californie) d’origine sédimentaire (dite « turbidite ») et signant un ancien affaissement sous-marin. Un glissement de terrain sous-marin ou avalanche sous-marine est un phénomène géologique subaquatique où une masse de sédiments et/ou débris rocheux ou coralliens s’affaisse et glisse le long d’une pente, de manière plus ou moins continue et rapide voire brutale.
Data PreprocessingData preprocessing can refer to manipulation or dropping of data before it is used in order to ensure or enhance performance, and is an important step in the data mining process. The phrase "garbage in, garbage out" is particularly applicable to data mining and machine learning projects. Data collection methods are often loosely controlled, resulting in out-of-range values, impossible data combinations, and missing values, amongst other issues. Analyzing data that has not been carefully screened for such problems can produce misleading results.
