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.
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.
Apprentissage par renforcementEn intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome ( robot, agent conversationnel, personnage dans un jeu vidéo), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative.
Q-learningvignette|400x400px|Dans le Q-learning, l'agent exécute une action a en fonction de l'état s et d'une fonction Q. Il perçoit alors le nouvel état s' et une récompense r de l'environnement. Il met alors à jour la fonction Q. Le nouvel état s' devient alors l'état s, et l'apprentissage continue. En intelligence artificielle, plus précisément en apprentissage automatique, le Q-learning est un algorithme d'apprentissage par renforcement. Il ne nécessite aucun modèle initial de l'environnement.
Interaction protéine-protéinethumb|upright=1.2|L'inhibiteur de la ribonucléase en forme de fer à cheval (en représentation « fil de fer ») forme une interaction protéine–protéine avec la protéine de la ribonucléase. Les contacts entre les deux protéines sont représentés sous forme de taches colorées. Une Interaction protéine–protéine apparait lorsque deux ou plusieurs protéines se lient entre elles, le plus souvent pour mener à bien leur fonction biologique.
Nanomachinevignette|Schéma du de Richard Feynman. Les nanomachines, appelées également machines moléculaires, sont de minuscules machines composées d'assemblages moléculaires dont au moins deux parties sont reliées par un lien mécanique et qui peuvent être animées de mouvements sous l'action d'un stimulus externe. Leur taille est de l'ordre du nanomètre et leur synthèse nécessite parfois un nombre important de réactions chimiques. Elles travaillent directement sur les atomes ou les molécules.
Deeper learningIn U.S. education, deeper learning is a set of student educational outcomes including acquisition of robust core academic content, higher-order thinking skills, and learning dispositions. Deeper learning is based on the premise that the nature of work, civic, and everyday life is changing and therefore increasingly requires that formal education provides young people with mastery of skills like analytic reasoning, complex problem solving, and teamwork. Deeper learning is associated with a growing movement in U.
Protein designProtein design is the rational design of new protein molecules to design novel activity, behavior, or purpose, and to advance basic understanding of protein function. Proteins can be designed from scratch (de novo design) or by making calculated variants of a known protein structure and its sequence (termed protein redesign). Rational protein design approaches make protein-sequence predictions that will fold to specific structures.
Biologie de synthèseLa biologie de synthèse, ou biologie synthétique, est un domaine scientifique et biotechnologique émergeant qui combine biologie et principes d'ingénierie, dans le but de concevoir et construire (« synthétiser ») de nouveaux systèmes et fonctions biologiques, avec des applications notamment développées par les secteurs agropharmaceutique, chimique, agricole et énergétique. Les objectifs de la biologie de synthèse sont de deux types : Tester et améliorer notre compréhension des principes gouvernant la biologie (apprendre en construisant).
Synthetic biological circuitSynthetic biological circuits are an application of synthetic biology where biological parts inside a cell are designed to perform logical functions mimicking those observed in electronic circuits. The applications range from simply inducing production to adding a measurable element, like GFP, to an existing natural biological circuit, to implementing completely new systems of many parts. The goal of synthetic biology is to generate an array of tunable and characterized parts, or modules, with which any desirable synthetic biological circuit can be easily designed and implemented.
Petite moléculeEn biochimie, une petite molécule est un composé organique de faible masse moléculaire qui par définition n'est pas un polymère. En pharmacologie, ce terme est restreint aux molécules qui ont une forte affinité pour des biopolymères tels que des protéines, les acides nucléiques ou les polysaccharides et modifient leur fonction ou leur activité biologique en se liant à eux. On fixe à environ la borne supérieure de la masse d'une petite molécule, ce qui correspond à la limite en dessous de laquelle les molécules peuvent diffuser à travers la membrane cellulaire pour atteindre leur cible à l'intérieur de la cellule.
Biologie des systèmesLa biologie des systèmes (ou biologie intégrative) est un domaine récent de la biologie qui étudie les organismes vivants comme les systèmes qu'ils sont en réalité, par opposition aux approches historiques qui tendent à décomposer l'étude à tous les niveaux, en biologie, physiologie, biochimie... La biologie systémique cherche à intégrer différents niveaux d'informations pour comprendre comment fonctionne réellement un système biologique.
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.
Protéine GLes sont une famille de protéines qui permettent le transfert d'informations à l'intérieur de la cellule. Elles participent ainsi à un mécanisme appelé transduction du signal. Cette protéine est appelée ainsi car elle utilise l'échange de GTP en GDP comme un « interrupteur moléculaire » pour déclencher ou inhiber des réactions biochimiques dans la cellule. La protéine G se lie au GTP et au GDP. Alfred G. Gilman et Martin Rodbell ont obtenu le prix Nobel de physiologie ou médecine en 1994 pour sa découverte et leurs travaux sur les protéines G.
Récepteur couplé aux protéines GLes récepteurs couplés aux protéines G (RCPG) sont une famille de récepteurs transmembranaires chez les mammifères. Parmi les nombreux récepteurs qui jouent un rôle dans la communication cellulaire, les récepteurs couplés aux protéines G (RCPG) constituent la plus grande famille de récepteurs membranaires de mammifères puisqu’elle représente 3,4 % du génome. Plus de la moitié des agents pharmacologiques agissent sur les RCPG : ils sont donc une classe de protéines d'importance thérapeutique majeure.
Pédagogie de projetLa pédagogie de projet est une pratique de pédagogie active qui permet de générer des apprentissages à travers la réalisation d'une production concrète. Le projet peut être individuel (comme un exposé ou une maquette) ou collectif (l'organisation d'une fête, d'un voyage, d'un spectacle). Il est semblable à une En effet, lors de la démarche de projet, l’élève est placé en situation de résolution de problèmes, participant de fait au processus d’apprentissage.
Apprentissage non superviséDans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiquetées comme « balle » ou « poisson »). Il s'agit donc de découvrir les structures sous-jacentes à ces données non étiquetées. Puisque les données ne sont pas étiquetées, il est impossible à l'algorithme de calculer de façon certaine un score de réussite.
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.
Living systemsLiving systems are open self-organizing life forms that interact with their environment. These systems are maintained by flows of information, energy and matter. In the last few decades, some scientists have proposed that a general living systems theory is required to explain the nature of life. Such a general theory, arising out of the ecological and biological sciences, attempts to map general principles for how all living systems work.
