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.
Extreme learning machineEn apprentissage automatique, le terme extreme learning machine (machine à apprentissage extrême) fait référence à un type de réseau de neurones. Sa spécificité est de n'avoir qu'une seule couche de nœuds cachés, où les poids des entrées de connexion de nœuds cachés sont répartis au hasard et jamais mis à jour. Ces poids entre les nœuds cachés d'entrée et les sorties sont appris en une seule étape, ce qui revient essentiellement à l'apprentissage d'un modèle linéaire.
Grand modèle de langageUn grand modèle de langage, grand modèle linguistique, grand modèle de langue, modèle massif de langage ou encore modèle de langage de grande taille (LLM, pour l'anglais large language model) est un modèle de langage possédant un grand nombre de paramètres (généralement de l'ordre du milliard de poids ou plus). Ce sont des réseaux de neurones profonds entraînés sur de grandes quantités de texte non étiqueté utilisant l'apprentissage auto-supervisé ou l'apprentissage semi-supervisé.
Iterative reconstructionIterative reconstruction refers to iterative algorithms used to reconstruct 2D and 3D images in certain imaging techniques. For example, in computed tomography an image must be reconstructed from projections of an object. Here, iterative reconstruction techniques are usually a better, but computationally more expensive alternative to the common filtered back projection (FBP) method, which directly calculates the image in a single reconstruction step.
Tomographic reconstructionTomographic reconstruction is a type of multidimensional inverse problem where the challenge is to yield an estimate of a specific system from a finite number of projections. The mathematical basis for tomographic imaging was laid down by Johann Radon. A notable example of applications is the reconstruction of computed tomography (CT) where cross-sectional images of patients are obtained in non-invasive manner.
Système de reconnaissance facialeUn système de reconnaissance faciale est une application logicielle visant à reconnaître automatiquement une personne grâce à son visage. Il s'agit d'un sujet particulièrement étudié en vision par ordinateur, avec de très nombreuses publications et brevets, et des conférences spécialisées. La reconnaissance de visage a de nombreuses applications en vidéosurveillance, biométrie, robotique, indexation d'images et de vidéos, , etc. Ces systèmes sont généralement utilisés à des fins de sécurité pour déverrouiller ordinateur/mobile/console, mais aussi en domotique.
Grande Barrière de corailLa Grande Barrière de corail ou récif de la Grande Barrière (en Great Barrier Reef) constitue le plus grand récif corallien du monde. L'ensemble, qui s'étire sur plus de depuis Bundaberg jusqu'à la pointes de la péninsule du cap York, couvre une superficie de . Le site est inscrit en 1981 sur la liste du patrimoine mondial de l'Unesco sous le nom de Grande Barrière. La Grande Barrière de corail, située en mer de Corail au large du Queensland, en Australie, est composée de et .
Benthosvignette|La colonne d'eau et ses différents étages d'espèces. vignette|Représentation schématique du concept de l'halieute Daniel Pauly. Le benthos est l'ensemble des organismes aquatiques (marins ou dulcicoles), appelés benthontes, vivant à proximité du fond des mers et océans, des lacs et cours d'eau. Par opposition, on parle de pélagos (constitué du plancton et du necton) pour désigner l'ensemble des organismes qui occupent la tranche d'eau supérieure, du fond à la surface.
Coral reef fishCoral reef fish are fish which live amongst or in close relation to coral reefs. Coral reefs form complex ecosystems with tremendous biodiversity. Among the myriad inhabitants, the fish stand out as colourful and interesting to watch. Hundreds of species can exist in a small area of a healthy reef, many of them hidden or well camouflaged. Reef fish have developed many ingenious specialisations adapted to survival on the reefs. Coral reefs occupy less than 1% of the surface area of the world oceans, but provide a home for 25% of all marine fish species.
Réseaux antagonistes génératifsEn intelligence artificielle, les réseaux antagonistes génératifs (RAG) parfois aussi appelés réseaux adverses génératifs (en anglais generative adversarial networks ou GANs) sont une classe d'algorithmes d'apprentissage non supervisé. Ces algorithmes ont été introduits par . Ils permettent de générer des images avec un fort degré de réalisme. Un GAN est un modèle génératif où deux réseaux sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex.
Mer RougeLa mer Rouge (arabe : البحر الأحمر al-Bahr al-Ahmar, copte : ⲫⲓⲟⲙ ⲛ̀ϩⲁϩ Phiom enhah ou ⲫⲓⲟⲙ ⲛ̀ϣⲁⲣⲓ Phiom nšari, hébreu : ים סוף Yam Suf, araméen : ܝܡܐ ܣܘܡܩܐ Yammāʾ Summāqā, tigrinya : ቀይሕ ባሕሪ Qeyih Bahri, somali : Badda Cas 𐒁𐒖𐒆𐒆𐒖 𐒋𐒖𐒈.) est une mer intercontinentale du bassin Indo-Pacifique entre l'Afrique du Nord et le Moyen-Orient d'une superficie d'environ . C'est une mer d'une grande importance stratégique et commerciale qui permet aux navigateurs en provenance de la mer Méditerranée et à destination de l'océan Indien (ou vice-versa) de ne pas être contraints de contourner l'Afrique.
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.
