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.
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.
Informationvignette|redresse=0.6|Pictogramme représentant une information. L’information est un de la discipline des sciences de l'information et de la communication (SIC). Au sens étymologique, l'« information » est ce qui donne une forme à l'esprit. Elle vient du verbe latin « informare », qui signifie « donner forme à » ou « se former une idée de ». L'information désigne à la fois le message à communiquer et les symboles utilisés pour l'écrire. Elle utilise un code de signes porteurs de sens tels qu'un alphabet de lettres, une base de chiffres, des idéogrammes ou pictogrammes.
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.
CinématiqueEn physique, la cinématique (du grec kinêma, le mouvement) est l'étude des mouvements indépendamment des causes qui les produisent, ou, plus exactement, l'étude de tous les mouvements possibles. À côté de la notion d'espace qui est l'objet de la géométrie, la cinématique introduit la notion de temps. À ne pas confondre avec la , un terme plus général qui concerne la vitesse et les mécanismes d'une grande variété de processus ; en mécanique, cinétique est utilisé comme adjectif pour qualifier deux grandeurs impliquant aussi la masse : le moment cinétique et l'énergie cinétique.
Information contentIn information theory, the information content, self-information, surprisal, or Shannon information is a basic quantity derived from the probability of a particular event occurring from a random variable. It can be thought of as an alternative way of expressing probability, much like odds or log-odds, but which has particular mathematical advantages in the setting of information theory. The Shannon information can be interpreted as quantifying the level of "surprise" of a particular outcome.
Cinématique inverseLa cinématique inverse (souvent abrégée IK, de l'anglais inverse kinematics) désigne l'ensemble des méthodes de calcul des positions et rotations d'un modèle articulaire afin d'obtenir une pose désirée. Les méthodes de cinématique inverse sont principalement utilisées en infographie, en robotique, en animation ou encore en chimie. Le terme cinématique inverse renvoie au fait que la résolution des calculs est généralement basée sur les équations cinématiques du modèle articulaire.
Robot kinematicsIn robotics, robot kinematics applies geometry to the study of the movement of multi-degree of freedom kinematic chains that form the structure of robotic systems. The emphasis on geometry means that the links of the robot are modeled as rigid bodies and its joints are assumed to provide pure rotation or translation. Robot kinematics studies the relationship between the dimensions and connectivity of kinematic chains and the position, velocity and acceleration of each of the links in the robotic system, in order to plan and control movement and to compute actuator forces and torques.
Forward kinematicsIn robot kinematics, forward kinematics refers to the use of the kinematic equations of a robot to compute the position of the end-effector from specified values for the joint parameters. The kinematics equations of the robot are used in robotics, computer games, and animation. The reverse process, that computes the joint parameters that achieve a specified position of the end-effector, is known as inverse kinematics.
Chaîne cinématique (robotique)thumb|Exemple de chaîne cinématique du corps humain. Le genou est représenté comme une liaison pivot, la hanche par une liaison sphérique, etc. La chaîne cinématique est un modèle mathématique des systèmes mécaniques dans lequel un ensemble de solides indéformables (les "corps" ou "liens" du système) sont connectés entre eux par des articulations. Les articulations d'une chaîne cinématique sont des liaisons mécaniques.
Information mutuelleDans la théorie des probabilités et la théorie de l'information, l'information mutuelle de deux variables aléatoires est une quantité mesurant la dépendance statistique de ces variables. Elle se mesure souvent en bit. L'information mutuelle d'un couple de variables représente leur degré de dépendance au sens probabiliste. Ce concept de dépendance logique ne doit pas être confondu avec celui de causalité physique, bien qu'en pratique l'un implique souvent l'autre.
Entropie de ShannonEn théorie de l'information, l'entropie de Shannon, ou plus simplement entropie, est une fonction mathématique qui, intuitivement, correspond à la quantité d'information contenue ou délivrée par une source d'information. Cette source peut être un texte écrit dans une langue donnée, un signal électrique ou encore un fichier informatique quelconque (suite d'octets). Elle a été introduite par Claude Shannon. Du point de vue d'un récepteur, plus la source émet d'informations différentes, plus l'entropie (ou incertitude sur ce que la source émet) est grande.
Liaison (mécanique)thumb|Les contacts piston/bielle et piston/chemise peuvent être modélisés par des liaisons pivots. Un mécanisme, ou transmetteur, est l'association de plusieurs pièces liées entre elles par des contacts physiques qui les rendent totalement ou partiellement solidaires, selon qu'ils autorisent ou non des mouvements relatifs des pièces. La liaison mécanique est le modèle de comportement cinématique utilisé pour décrire cette relation, dont la considération est primordiale dans l'étude des mécanismes.
Information quantiqueLa théorie de l'information quantique, parfois abrégée simplement en information quantique, est un développement de la théorie de l'information de Claude Shannon exploitant les propriétés de la mécanique quantique, notamment le principe de superposition ou encore l'intrication. L'unité qui est utilisée pour quantifier l'information quantique est le qubit, par analogie avec le bit d'information classique.
Radius (os)Le radius (du latin, radius, « rayon »), est un os long interne du zeugopode du membre chiridien des vertébrés tétrapodes. Chez l'Homme, le radius constitue, avec l'ulna, l'avant-bras dont il occupe la partie latérale. Il s'articule au niveau du coude avec l'humérus et l'ulna, et au niveau du poignet avec l'ulna, l'os scaphoïde et l'os lunatum. L'ulna et le radius jouent un rôle fondamental dans le mouvement de pronation / supination de l'avant-bras. Il est constitué d'un corps (la diaphyse) et de deux extrémités (les épiphyses proximale et distale).
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.
Marche à piedLa marche est un mode de locomotion naturel chez l'homme. Elle consiste en un déplacement en appui alternatif sur les pieds, en position debout et en ayant toujours au moins un point d'appui en contact avec le sol, sinon il s'agit de course. C'est un des principaux modes de déplacement, qui fait partie des modes dits « fatigants », « doux » ou « actifs », comme des moyens de transport tels que la bicyclette, la trottinette ou le patinage à roulettes, par opposition aux modes de transport motorisés parfois dits « passifs ».
Human legThe human leg is the entire lower limb of the human body, including the foot, thigh or sometimes even the hip or buttock region. The major bones of the leg are the femur (thigh bone), tibia (shin bone), and adjacent fibula. The thigh is between the hip and knee, while the calf (rear) and shin (front) are between the knee and foot. Legs are used for standing, many forms of human movement, recreation such as dancing, and constitute a significant portion of a person's mass.
Neural networkA neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.
Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
