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.
Transformateur électriqueUn transformateur électrique (parfois abrégé en « transfo ») est une machine électrique permettant de modifier la tension efficace délivrée par une source d'énergie électrique alternative, une transformation qu'il effectue avec un excellent rendement. On distingue les transformateurs statiques et les commutatrices. Dans un transformateur statique, l'énergie est transférée du primaire au secondaire par l'intermédiaire du circuit magnétique que constitue la carcasse du transformateur.
NeuroscientistA neuroscientist (or neurobiologist) is a scientist who has specialised knowledge in neuroscience, a branch of biology that deals with the physiology, biochemistry, psychology, anatomy and molecular biology of neurons, neural circuits, and glial cells and especially their behavioral, biological, and psychological aspect in health and disease. Neuroscientists generally work as researchers within a college, university, government agency, or private industry setting.
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).
Brain simulationBrain simulation is the concept of creating a functioning computer model of a brain or part of a brain. Brain simulation projects intend to contribute to a complete understanding of the brain, and eventually also assist the process of treating and diagnosing brain diseases. Various simulations from around the world have been fully or partially released as open source software, such as C. elegans, and the Blue Brain Project Showcase.
Colliculus supérieurvignette|Rhombencéphale et mésencéphale ; vue postero-latérale. Le colliculus supérieur est colorié ici en bleu. vignette Le colliculus supérieur (pluriel : colliculi supérieurs) est une structure sous-corticale bilatérale, située sur le toit du mésencéphale. Le terme colliculus supérieur est généralement utilisé pour les mammifères et le terme tectum optique pour les autres animaux vertébrés. Son rôle est de diriger les récepteurs sensoriels de la tête vers des objets d'intérêt.
TractographieEn neurosciences, la tractographie est une méthode utilisée pour mettre en évidence les voies neuronales. Elle utilise une technique spéciale d’ avec une technique particulière du tenseur de diffusion. Les résultats sont présentés sous forme d'images deux et trois dimensions. En plus des longues voies qui connectent le cerveau au reste du corps, on trouve un réseau 3D complexe formé de courtes connexions entre les différentes régions corticales et sous-corticales.
Résonance magnétique nucléairevignette|175px|Spectromètre de résonance magnétique nucléaire. L'aimant de 21,2 T permet à l'hydrogène (H) de résonner à . La résonance magnétique nucléaire (RMN) est une propriété de certains noyaux atomiques possédant un spin nucléaire (par exemple H, C, O, F, P, Xe...), placés dans un champ magnétique. Lorsqu'ils sont soumis à un rayonnement électromagnétique (radiofréquence), le plus souvent appliqué sous forme d'impulsions, les noyaux atomiques peuvent absorber l'énergie du rayonnement puis la relâcher lors de la relaxation.
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.
Registraire de nom de domaineUn registraire de nom de domaine ou bureau d'enregistrement est une société ou une association gérant la réservation de noms de domaine Internet, dans les domaines de premier niveau où il n'y a pas de vente directe pour le registre de noms de domaine. Le registraire est en contact direct avec le client final. Il s'est inscrit auprès des divers registres de noms de domaine en fonction des extensions qu'il souhaite commercialiser (il paye pour cela une redevance annuelle).
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.
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.
