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.
Géologievignette|Discordance angulaire de Siccar Point (Écosse) où des couches peu pentées de grès rouges du Dévonien recouvrent les formations verticalisées de grauwackes du Silurien. vignette|Carte mondiale des principales plaques, massifs et chaînes de montagnes, et une sélection des principaux points chauds. La géologie est la science dont le principal objet d'étude est la Terre, et plus particulièrement la lithosphère.
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.
Géologie marinevignette|Âge et répartition de la croûte océanique terrestre vignette|Lave en coussins d'un volcan sous-marin à Hawaii. La géologie marine ou géologie océanique est une discipline de l'océanographie étudiant l'évolution du plancher océanique et des zones côtières. Elle utilise les mêmes outils que la géologie à terre : la géophysique, la géochimie, la sédimentologie et la paléontologie. La géologie marine est étroitement liée à l'océanographie physique. vignette|left|Carte des principales plaques tectoniques terrestres.
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.
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.
Réseau de neurones récurrentsUn réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.
Diagraphiethumb|Une diagraphie s'effectue pendant ou après un forage. Une diagraphie (anciennement dénommée un carottage électrique, et en anglais well log) consiste à mesurer, à l'aide de différentes sondes, les caractéristiques des roches traversées lors d'un forage. D'une manière générale, on appelle diagraphie tout enregistrement, en fonction de la profondeur, d'une caractéristique d'une formation géologique traversée par un sondage (géophysique des puits).
Réseau neuronal convolutifEn apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.
Stockage des déchets radioactifs en couche géologique profondeLe stockage en couche géologique profonde, parfois appelé enfouissement, est envisagé pour confiner les déchets nucléaires, en complément du stockage en surface dans plusieurs pays, en particulier pour les déchets de haute et moyenne activité à vie longue. Il consiste à conditionner ces déchets puis à les placer dans une formation géologique stable en interposant des barrières naturelles et artificielles entre les déchets et l'environnement.
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.
Apprentissage par renforcement profondL'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.
Recherche automatique d'architecture neuronaleLa recherche automatique d'architecture neuronale (Neural Architecture Search, NAS) est un ensemble de techniques visant à découvrir automatiquement de nouveaux modèles de réseaux de neurones artificiels. Les principales méthodes employées dans la littérature sont basées soit sur de l'apprentissage par renforcement, sur de la descente de gradient ou bien sur des algorithmes génétiques. Plusieurs méthodes NAS parviennent à obtenir des architectures qui atteignent ou surpassent les performances des modèles créés à la main.
ShaleLe shale (terme anglais) est une roche sédimentaire détritique litée, à grain très fin. Ce terme s'applique aux roches argileuses ou marneuses, voire aux schistes sédimentaires qui peuvent contenir du gaz naturel, contrairement aux schistes de type métamorphique qui ont subi des conditions de température situées entre 250 °C et 300 °C, laissant s'échapper le méthane, principale composante du gaz naturel.
Aide au diagnostic médicalUne aide au diagnostic médical (ou diagnostic assisté par ordinateur) est un système d'aide à la décision médicale utilisé dans le processus du diagnostic médical, qui est composé d'une base de données et d'un moteur de recherche. Il donne accès aux informations de la base de données, et peut proposer des diagnostics différentiels en fonction de données pré-renseignées après un examen clinique, des estimations pronostiques, ou signaler des informations manquantes pour établir un diagnostic. Catégorie:Base
Carte géologiquevignette|Carte géologique de l'Amérique du Nord. Une carte géologique est la représentation des roches et structures géologiques, présentes à l'affleurement ou en subsurface, d'une région. Son objectif est de présenter la répartition spatiale des faciès lithologiques, leur succession, ainsi que les diverses structures d'ordre tectonique. Ces cartes font le plus souvent abstraction des formations superficielles récentes, pour se concentrer sur le substrat rocheux sous-jacent ; cependant, la plupart des cartes géologiques récentes d'échelle locale incorporent ces données, en vue de leur application dans certains domaines, comme la géotechnique.
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.
Formation evaluationIn petroleum exploration and development, formation evaluation is used to determine the ability of a borehole to produce petroleum. Essentially, it is the process of "recognizing a commercial well when you drill one". Modern rotary drilling usually uses a heavy mud as a lubricant and as a means of producing a confining pressure against the formation face in the borehole, preventing blowouts. Only in rare and catastrophic cases, do oil and gas wells come in with a fountain of gushing oil.
Roche magmatiqueLes roches magmatiques ou roches ignées (anciennement, roches éruptives), se forment quand un magma se refroidit et se solidifie, avec ou sans cristallisation complète des minéraux le composant. Cette solidification peut se produire : lentement en profondeur, cas des roches magmatiques plutoniques (dites « intrusives ») ; rapidement à la surface, cas des roches magmatiques volcaniques (dites « extrusives » ou « effusives »).
Automated machine learningAutomated machine learning (AutoML) is the process of automating the tasks of applying machine learning to real-world problems. AutoML potentially includes every stage from beginning with a raw dataset to building a machine learning model ready for deployment. AutoML was proposed as an artificial intelligence-based solution to the growing challenge of applying machine learning. The high degree of automation in AutoML aims to allow non-experts to make use of machine learning models and techniques without requiring them to become experts in machine learning.
