Classification naïve bayésiennevignette|Exemple de classification naïve bayésienne pour un ensemble de données dont le nombre augmente avec le temps. La classification naïve bayésienne est un type de classification bayésienne probabiliste simple basée sur le théorème de Bayes avec une forte indépendance (dite naïve) des hypothèses. Elle met en œuvre un classifieur bayésien naïf, ou classifieur naïf de Bayes, appartenant à la famille des classifieurs linéaires. Un terme plus approprié pour le modèle probabiliste sous-jacent pourrait être « modèle à caractéristiques statistiquement indépendantes ».
Muscles faciauxthumb|Vue latérale de la tête Les muscles faciaux (ou muscles du visage) sont un groupe de muscles striés innervés par le nerf facial (nerf crânien VII) qui, entre autres choses, contrôlent les expressions faciales. Ces muscles sont également appelés muscles mimétiques. Les muscles faciaux sont des muscles sous-cutanés (situés juste sous la peau) qui contrôlent les expressions faciales. Les muscles faciaux sont innervés par le nerf facial (nerf crânien VII).
Paralysie facialeLa paralysie faciale est une atteinte de la motricité des muscles du visage. Elle peut être secondaire à une atteinte du nerf facial correspondant à la septième paire des nerfs crâniens. Il existe deux types de paralysies faciales : paralysie faciale périphérique ; paralysie faciale centrale. Si le nerf facial ou son noyau situé au niveau du tronc cérébral est atteint il s'agit d'une paralysie faciale périphérique. En cas de lésion en amont du noyau, du faisceau géniculé par exemple, il s'agit d'une paralysie faciale centrale.
Corner detectionCorner detection is an approach used within computer vision systems to extract certain kinds of features and infer the contents of an image. Corner detection is frequently used in motion detection, , video tracking, image mosaicing, panorama stitching, 3D reconstruction and object recognition. Corner detection overlaps with the topic of interest point detection. A corner can be defined as the intersection of two edges. A corner can also be defined as a point for which there are two dominant and different edge directions in a local neighbourhood of the point.
Habileté de construction visuo-spatialeL'habileté de construction visuo-spatiale ou visuoconstruction désigne l’ensemble des processus du cerveau qui permettent d'analyser, de comprendre et de se représenter l’espace (l'environnement) en deux ou trois dimensions. Parmi les processus nécessaires pour y arriver, on note l'imagerie et la navigation mentale, l'évaluation des distances et de la profondeur ainsi que la construction visuo-spatiale. Plus spécifiquement, le processus de construction visuo-spatiale ou la visuo-construction réfère à la capacité à organiser des parties afin de produire une forme.
Système de classeursUn système de classeurs (Learning Classifier System ou LCS en anglais) est un système d'apprentissage automatique utilisant l'apprentissage par renforcement et les algorithmes génétiques. Ils ont été introduits par Holland en 1977 et développé par Goldberg en 1989 Un système de classeurs (aussi appelé classifiers) est composé d'une base de règles, appelée classeur, associés à un poids. Chaque règle est composée d'une partie condition et d'une partie action. Le classeur commence par être initialisé (aléatoirement ou non).
Rotation vectorielleSoit E un espace vectoriel euclidien. Une rotation vectorielle de E est un élément du groupe spécial orthogonal SO(E). Si on choisit une base orthonormée de E, sa matrice dans cette base est orthogonale directe. Matrice de rotation Dans le plan vectoriel euclidien orienté, une rotation vectorielle est simplement définie par son angle . Sa matrice dans une base orthonormée directe est : Autrement dit, un vecteur de composantes a pour image le vecteur de composantes que l'on peut calculer avec l'égalité matricielle : c'est-à-dire que l'on a : et Si par exemple et , désigne un des angles du triangle rectangle de côtés 3, 4 et 5.
Classifieur linéaireEn apprentissage automatique, les classifieurs linéaires sont une famille d'algorithmes de classement statistique. Le rôle d'un classifieur est de classer dans des groupes (des classes) les échantillons qui ont des propriétés similaires, mesurées sur des observations. Un classifieur linéaire est un type particulier de classifieur, qui calcule la décision par combinaison linéaire des échantillons. « Classifieur linéaire » est une traduction de l'anglais linear classifier.
Information de FisherEn statistique, l'information de Fisher quantifie l'information relative à un paramètre contenue dans une distribution. Elle est définie comme l'espérance de l'information observée, ou encore comme la variance de la fonction de score. Dans le cas multi-paramétrique, on parle de matrice d'information de Fisher. Elle a été introduite par R.A. Fisher. Soit f(x ; θ) la distribution de vraisemblance d'une variable aléatoire X (qui peut être multidimensionnelle), paramétrée par θ.
Spatial cognitionSpatial cognition is the acquisition, organization, utilization, and revision of knowledge about spatial environments. It is most about how animals including humans behave within space and the knowledge they built around it, rather than space itself. These capabilities enable individuals to manage basic and high-level cognitive tasks in everyday life. Numerous disciplines (such as cognitive psychology, neuroscience, artificial intelligence, geographic information science, cartography, etc.
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.
Analyse en composantes principalesL'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou, selon le domaine d'application, transformation de Karhunen–Loève (KLT) ou transformation de Hotelling, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux.
