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.
Transformeurvignette|Schéma représentant l'architecture générale d'un transformeur. Un transformeur (ou modèle auto-attentif) est un modèle d'apprentissage profond introduit en 2017, utilisé principalement dans le domaine du traitement automatique des langues (TAL). Dès 2020, les transformeurs commencent aussi à trouver une application en matière de vision par ordinateur par la création des vision transformers (ViT).
Auto-encodeurUn auto-encodeur (autoencodeur), ou auto-associateur est un réseau de neurones artificiels utilisé pour l'apprentissage non supervisé de caractéristiques discriminantes. L'objectif d'un auto-encodeur est d'apprendre une représentation (encodage) d'un ensemble de données, généralement dans le but de réduire la dimension de cet ensemble. Récemment, le concept d'auto-encodeur est devenu plus largement utilisé pour l'apprentissage de modèles génératifs.
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.
Fluorescence in the life sciencesFluorescence is used in the life sciences generally as a non-destructive way of tracking or analysing biological molecules. Some proteins or small molecules in cells are naturally fluorescent, which is called intrinsic fluorescence or autofluorescence (such as NADH, tryptophan or endogenous chlorophyll, phycoerythrin or green fluorescent protein). Alternatively, specific or general proteins, nucleic acids, lipids or small molecules can be "labelled" with an extrinsic fluorophore, a fluorescent dye which can be a small molecule, protein or quantum dot.
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.
Attention (machine learning)Machine learning-based attention is a mechanism mimicking cognitive attention. It calculates "soft" weights for each word, more precisely for its embedding, in the context window. It can do it either in parallel (such as in transformers) or sequentially (such as recursive neural networks). "Soft" weights can change during each runtime, in contrast to "hard" weights, which are (pre-)trained and fine-tuned and remain frozen afterwards. Multiple attention heads are used in transformer-based large language models.
Diffusion modelIn machine learning, diffusion models, also known as diffusion probabilistic models or score-based generative models, are a class of latent variable models. They are Markov chains trained using variational inference. The goal of diffusion models is to learn the latent structure of a dataset by modeling the way in which data points diffuse through the latent space. In computer vision, this means that a neural network is trained to denoise images blurred with Gaussian noise by learning to reverse the diffusion process.
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 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.
Système temps réelEn informatique, on parle d'un système temps réel lorsque ce système est capable de contrôler (ou piloter) un procédé physique à une vitesse adaptée à l'évolution du procédé contrôlé. Les systèmes informatiques temps réel se différencient des autres systèmes informatiques par la prise en compte de contraintes temporelles dont le respect est aussi important que l'exactitude du résultat, autrement dit le système ne doit pas simplement délivrer des résultats exacts, il doit les délivrer dans des délais imposés.
FluorescenceLa fluorescence est une émission lumineuse provoquée par l'excitation des électrons d'une molécule (ou atome), généralement par absorption d'un photon immédiatement suivie d'une émission spontanée. Fluorescence et phosphorescence sont deux formes différentes de luminescence qui diffèrent notamment par la durée de l'émission après excitation : la fluorescence cesse très rapidement tandis que la phosphorescence perdure plus longtemps. La fluorescence peut entre autres servir à caractériser un matériau.
Liquid fluoride thorium reactorThe liquid fluoride thorium reactor (LFTR; often pronounced lifter) is a type of molten salt reactor. LFTRs use the thorium fuel cycle with a fluoride-based molten (liquid) salt for fuel. In a typical design, the liquid is pumped between a critical core and an external heat exchanger where the heat is transferred to a nonradioactive secondary salt. The secondary salt then transfers its heat to a steam turbine or closed-cycle gas turbine. Molten-salt-fueled reactors (MSRs) supply the nuclear fuel mixed into a molten salt.
Réacteur nucléaire à sels fondusLe réacteur nucléaire à sels fondus (RSF ; molten salt reactor, MSR) est un concept de réacteur nucléaire dans lequel le combustible nucléaire se présente sous forme liquide, dissous dans du sel fondu (à ) qui joue à la fois le rôle de caloporteur et de barrière de confinement. Le réacteur peut être modéré par du graphite (produisant des neutrons thermiques) ou sans modérateur (neutrons rapides). Le concept a été étudié en laboratoire pendant les années 1960, puis délaissé dans les années 1970 faute de financement et malgré des résultats probants.
Linear time-invariant systemIn system analysis, among other fields of study, a linear time-invariant (LTI) system is a system that produces an output signal from any input signal subject to the constraints of linearity and time-invariance; these terms are briefly defined below. These properties apply (exactly or approximately) to many important physical systems, in which case the response y(t) of the system to an arbitrary input x(t) can be found directly using convolution: y(t) = (x ∗ h)(t) where h(t) is called the system's impulse response and ∗ represents convolution (not to be confused with multiplication).
Fonction gaussiennevignette|Fonction gaussienne pour μ = 0, σ = 1 ; courbe centrée en zéro. Une fonction gaussienne est une fonction en exponentielle de l'opposé du carré de l'abscisse (une fonction en exp(-x)). Elle a une forme caractéristique de courbe en cloche. L'exemple le plus connu est la densité de probabilité de la loi normale où μ est l'espérance mathématique et σ est l'écart type. Les fonctions gaussiennes sont analytiques, de limite nulle en l'infini. La largeur à mi-hauteur H vaut la demi-largeur à mi-hauteur vaut donc environ 1,177·σ.
AutocorrélationL'autocorrélation est un outil mathématique souvent utilisé en traitement du signal. C'est la corrélation croisée d'un signal par lui-même. L'autocorrélation permet de détecter des régularités, des profils répétés dans un signal comme un signal périodique perturbé par beaucoup de bruit, ou bien une fréquence fondamentale d'un signal qui ne contient pas effectivement cette fondamentale, mais l'implique avec plusieurs de ses harmoniques. Note : La confusion est souvent faite entre l'auto-covariance et l'auto-corrélation.
Capteur photographique CCDvignette|Capteur photographique CCD pour l'imagerie astronomique. Un capteur photographique CCD est un capteur photographique basé sur un dispositif à transfert de charges (charge coupled device, CCD). Dans les scanners de documents et beaucoup d'autres applications similaires, les dispositifs sont linéaires ; ils passent transversalement sur l'objet à explorer. Dans les appareils photographiques et les caméras vidéo numériques, les capteurs sont regroupés sur une surface rectangulaire, où chaque CCD forme une ligne, souvent dans la plus petite dimension de l'image.
Produit de convolutionEn mathématiques, le produit de convolution est un opérateur bilinéaire et un produit commutatif, généralement noté « ∗ », qui, à deux fonctions f et g sur un même domaine infini, fait correspondre une autre fonction « f ∗ g » sur ce domaine, qui en tout point de celui-ci est égale à l'intégrale sur l'entièreté du domaine (ou la somme si celui-ci est discret) d'une des deux fonctions autour de ce point, pondérée par l'autre fonction autour de l'origine — les deux fonctions étant parcourues en sens contraire
Transfert d'énergie entre molécules fluorescentesLe transfert d'énergie entre molécules fluorescentes ou transfert d'énergie par résonance de type Förster (en anglais, Förster resonance energy transfer ou FRET, resonance energy transfer ou RET ou electronic energy transfer ou EET), bien qu’observé par Perrin au début du , est décrit pour la première fois par Theodor Förster en 1946. Les applications de cette approche à l’étude des interactions protéiques apparaîtront vers la fin du . vignette|Figure 1. Conditions du FRET. A.
