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 .
Chemical thermodynamicsChemical thermodynamics is the study of the interrelation of heat and work with chemical reactions or with physical changes of state within the confines of the laws of thermodynamics. Chemical thermodynamics involves not only laboratory measurements of various thermodynamic properties, but also the application of mathematical methods to the study of chemical questions and the spontaneity of processes. The structure of chemical thermodynamics is based on the first two laws of thermodynamics.
Vitesse de convergence des suitesEn analyse numérique — une branche des mathématiques — on peut classer les suites convergentes en fonction de leur vitesse de convergence vers leur point limite. C'est une manière d'apprécier l'efficacité des algorithmes qui les génèrent. Les suites considérées ici sont convergentes sans être stationnaires (tous leurs termes sont même supposés différents du point limite). Si une suite est stationnaire, tous ses éléments sont égaux à partir d'un certain rang et il est alors normal de s'intéresser au nombre d'éléments différents du point limite.
Matériau à changement de phase (thermique)On appelle matériau à changement de phase, ou MCP, tout matériau capable de changer d'état physique dans une plage de température restreinte. Cette plage est située entre et environ. Dans cet intervalle de température, le changement de phase prépondérant reste la fusion/solidification. Ces températures sont accessibles naturellement et sont omniprésentes dans la vie quotidienne (température d'ambiance d'une maison, température d'un corps humain, de l'eau chaude sanitaire).
Stockage intersaisonnier de chaleurLe stockage saisonnier d'énergie thermique, stockage thermique intersaisonnier (ou STES pour seasonal thermal energy storage) est le stockage de chaleur ou de froid pour des périodes pouvant aller jusqu'à quelques mois. L'énergie thermique peut être recueillie partout où elle est disponible et être utilisée quand on en a besoin. Ainsi, la chaleur des capteurs solaires, la chaleur perdue des équipements d'air conditionné ou des processus industriels peut être collectée pendant la saison chaude et utilisée pour le chauffage quand elle est nécessaire, y compris pendant les mois d'hiver.
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.
Électrocatalyseurthumb|Mesure de la stabilité d'un électrocatalyseur à cathode en platine. Un électrocatalyseur est un catalyseur de réactions électrochimiques. Un électrocatalyseur facilite le transfert d'électrons entre la surface de l'électrode et les réactifs. Dans certains cas, un électrocatalyseur facilite une transformation chimique intermédiaire qui est décrite par une demi-réaction globale. Un électrocatalyseur peut être hétérogène (exemple : une surface de platine ou des nanoparticules), ou homogène (exemple : un complexe de coordination ou une enzyme).
Automated machine learningAutomated machine learning (AutoML) is the process of automating the tasks of applying machine learning to real-world problems. AutoML potentially includes every stage from beginning with a raw dataset to building a machine learning model ready for deployment. AutoML was proposed as an artificial intelligence-based solution to the growing challenge of applying machine learning. The high degree of automation in AutoML aims to allow non-experts to make use of machine learning models and techniques without requiring them to become experts in machine learning.
Agriculture biologiqueLagriculture biologique est une méthode de production agricole qui vise à respecter les systèmes et cycles naturels, maintenir et améliorer l’état du sol, de l’eau et de l’air, la santé des végétaux et des animaux, ainsi que l’équilibre entre ceux-ci.vignette |Fruits et légumes cultivés en agriculture biologique. À cette fin, elle exclut le recours à la plupart des produits chimiques de synthèse, utilisés notamment par l'agriculture industrielle et intensive depuis le début du , les organismes génétiquement modifiés par transgénèse et la conservation des cultures par irradiation.
Réaction organiqueLes réactions organiques sont des réactions chimiques impliquant des composés organiques. Les principaux types de réactions organiques sont l'élimination, l'addition, la substitution, le réarrangement et les réactions d'oxydoréduction impliquant des composés organiques. Ces réactions sont utilisées en synthèse organique pour construire de nouvelles molécules organiques. La production de nombreuses substances chimiques, comme les médicaments, les plastiques, les additifs alimentaires, etc., met en jeu des réactions organiques.
Modélisation de protéines par homologiethumb|Modélisation de protéines par homologie La modélisation de protéines par homologie, également connue sous le nom de modélisation comparative des protéines, se réfère à la construction d’un modèle d’une protéine « cible », dont la résolution est de niveau atomique, à partir de sa séquence d’acides aminés et d'une structure expérimentale tridimensionnelle d’une protéine homologue connexe (le « modèle »).
Réseau neuronal convolutifEn apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.
