Machine à vecteurs de supportLes machines à vecteurs de support ou séparateurs à vaste marge (en anglais support-vector machine, SVM) sont un ensemble de techniques d'apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression. Les SVM sont une généralisation des classifieurs linéaires. Les séparateurs à vaste marge ont été développés dans les années 1990 à partir des considérations théoriques de Vladimir Vapnik sur le développement d'une théorie statistique de l'apprentissage : la théorie de Vapnik-Tchervonenkis.
Jeux d'entrainement, de validation et de testEn apprentissage automatique, une tâche courante est l'étude et la construction d'algorithmes qui peuvent apprendre et faire des prédictions sur les données. De tels algorithmes fonctionnent en faisant des prédictions ou des décisions basées sur les données, en construisant un modèle mathématique à partir des données d'entrée. Ces données d'entrée utilisées pour construire le modèle sont généralement divisées en plusieurs jeux de données .
Weak supervisionWeak supervision, also called semi-supervised learning, is a paradigm in machine learning, the relevance and notability of which increased with the advent of large language models due to large amount of data required to train them. It is characterized by using a combination of a small amount of human-labeled data (exclusively used in more expensive and time-consuming supervised learning paradigm), followed by a large amount of unlabeled data (used exclusively in unsupervised learning paradigm).
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.
Astuce du noyauEn apprentissage automatique, l'astuce du noyau, ou kernel trick en anglais, est une méthode qui permet d'utiliser un classifieur linéaire pour résoudre un problème non linéaire. L'idée est de transformer l'espace de représentation des données d'entrées en un espace de plus grande dimension, où un classifieur linéaire peut être utilisé et obtenir de bonnes performances. La discrimination linéaire dans l'espace de grande dimension (appelé aussi espace de redescription) est équivalente à une discrimination non linéaire dans l'espace d'origine.
Votethumb|150px|Urne de vote. Le vote (terme dérivé de l'anglais vote, provenant du latin votum signifiant « vœu ») est une méthode permettant à un groupe une prise de décision commune. Les organisations formelles ou informelles ont recours à cette pratique, de toute nature (économiques, politiques, associatives, etc.). La pratique du vote vise à donner une légitimité à la décision en montrant qu'elle ne vient pas d'un individu isolé.
Feature (machine learning)In machine learning and pattern recognition, a feature is an individual measurable property or characteristic of a phenomenon. Choosing informative, discriminating and independent features is a crucial element of effective algorithms in pattern recognition, classification and regression. Features are usually numeric, but structural features such as strings and graphs are used in syntactic pattern recognition. The concept of "feature" is related to that of explanatory variable used in statistical techniques such as linear regression.
Système électoralthumb|400px|Système électoral utilisé pour élire la chambre basse par pays. Système majoritaire Système semi-proportionnel Système proportionnel Système mixte Autre Le 'système électoral, mode de scrutin', système de vote ou régime électoral, désigne tout type de processus permettant l'expression du choix d'un corps électoral donné, souvent la désignation d'élus pour exercer un mandat en tant que représentants de ce corps (élection), ou moins souvent le choix direct (référendum) d'une option parmi plusieurs.
Vote par valeursvignette|Un image qui représente le vote de valeurs qui est un système de vote Le vote par valeurs, vote par notes, vote par notation ou vote de valeur est un système de vote, ou plus exactement une famille de systèmes. Le principe consiste à ce que chaque électeur associe une note à chaque candidat. Ce mode de scrutin est efficace pour favoriser les candidats consensuels, pour s'affranchir du "vote utile" et pour exprimer sa désapprobation autant que son approbation et permet d'empêcher les phénomènes de tyrannie de la majorité.
Majority ruleMajority rule is the principle that the group that has the most supporters gets its way. A majority is more than half of the voters involved, and rule by such a majority is thought to be to the benefit of more than rule by less than half (a mere minority) would be. Majority rule is the binary decision rule most often used in decision-making bodies, including many legislatures of democratic nations. Where no one party wins a majority of the seats in a legislature, the majority of legislators that wields power is partly composed of members of other parties in support.
Précision et rappelvignette|350px|Précision et rappel (« recall »). La précision compte la proportion d'items pertinents parmi les items sélectionnés alors que le rappel compte la proportion d'items pertinents sélectionnés parmi tous les items pertinents sélectionnables. Dans les domaines de la reconnaissance de formes, de la recherche d'information et de la classification automatique, la précision (ou valeur prédictive positive) est la proportion des items pertinents parmi l'ensemble des items proposés ; le rappel (ou sensibilité) est la proportion des items pertinents proposés parmi l'ensemble des items pertinents.
Méthode de meilleure médianeLes méthodes de meilleure médiane sont des modes de scrutin du type vote par valeurs, où le candidat qui l'emporte est un candidat ayant obtenu la meilleure évaluation médiane. En effet, dans un vote par valeurs, chaque électeur évalue les différents candidats sur une échelle ordonnée, numérique ou verbale. Les différentes méthodes de meilleure médiane se distinguent par l'échelle de valeur utilisée et par leur traitement des ex aequo, c'est-à-dire par la méthode de classement des candidats ayant obtenu la même évaluation médiane.
Trouble cognitif légerLe déficit cognitif léger représente un trouble cognitif particulier, intermédiaire entre les changements cognitifs liés à l'âge (comme l'oubli bénin lié à l'âge), et les pathologies dégénératives responsables de troubles cognitifs évolutifs, en particulier la maladie d'Alzheimer. Cette entité fut mise en avant par R.C. Petersen dans les années 2000. Il se définit par une plainte cognitive (très souvent la mémoire), confirmée par des tests psychométriques (bilan neuropsychologique) qui confirment que la mémoire est moins bonne que celle d'une personne normale du même âge, mais sans conséquence sur la vie quotidienne (sans besoin d'aide).
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.
Méthode des k plus proches voisinsEn intelligence artificielle, plus précisément en apprentissage automatique, la méthode des k plus proches voisins est une méthode d’apprentissage supervisé. En abrégé KPPV ou k-PPV en français, ou plus fréquemment k-NN ou KNN, de l'anglais k-nearest neighbors. Dans ce cadre, on dispose d’une base de données d'apprentissage constituée de N couples « entrée-sortie ». Pour estimer la sortie associée à une nouvelle entrée x, la méthode des k plus proches voisins consiste à prendre en compte (de façon identique) les k échantillons d'apprentissage dont l’entrée est la plus proche de la nouvelle entrée x, selon une distance à définir.
Plurality votingPlurality voting refers to electoral systems in which a candidate(s), who poll more than any other counterpart (that is, receive a plurality), are elected. In systems based on single-member districts, it elects just one member per district and may also be referred to as first-past-the-post (FPTP), single-member plurality (SMP/SMDP), single-choice voting (an imprecise term as non-plurality voting systems may also use a single choice), simple plurality or relative majority (as opposed to an absolute majority, where more than half of votes is needed, this is called majority voting).
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.
Vote préférentielLe vote préférentiel est une modalité du scrutin proportionnel plurinominal dans lequel les électeurs peuvent voter pour un ou plusieurs candidats sur une ou plusieurs listes. Le nombre de sièges est réparti proportionnellement entre les listes, puis les sièges obtenus par chaque liste sont distribués entre les candidats en fonction de leur score personnel. En France, la loi électorale du (article 15) permettait aux électeurs de modifier l'ordre d'inscription des candidats sur les listes en inscrivant un numéro d'ordre en face du nom d'un, de plusieurs ou de tous les candidats de la liste selon la formule du vote préférentiel.
Ingénierie des caractéristiquesL'ingénierie des caractéristiques (en anglais feature engineering) a un rôle important, notamment dans l’analyse des données. Sans données, les algorithmes d’exploitation et d’apprentissage automatique de données ne seront pas en mesure de fonctionner. En effet, il s’avère qu’en réalité, on ne pourrait réaliser que peu de choses si nous ne disposions que de très peu de caractéristiques afin de pouvoir représenter les données, ou les banques de données, sous-jacentes.
Théorie des ensemblesLa théorie des ensembles est une branche des mathématiques, créée par le mathématicien allemand Georg Cantor à la fin du . La théorie des ensembles se donne comme primitives les notions d'ensemble et d'appartenance, à partir desquelles elle reconstruit les objets usuels des mathématiques : fonctions, relations, entiers naturels, relatifs, rationnels, nombres réels, complexes... C'est pourquoi la théorie des ensembles est considérée comme une théorie fondamentale dont Hilbert a pu dire qu'elle était un « paradis » créé par Cantor pour les mathématiciens.
