Décalage vers le rougeLe décalage vers le rouge (en en anglais) est un phénomène astronomique de décalage vers les grandes longueurs d'onde des raies spectrales et de l'ensemble du spectre — ce qui se traduit par un décalage vers le rouge pour le spectre visible — observé parmi les objets astronomiques lointains. À la suite des travaux de Lemaître et Hubble c'est un phénomène bien documenté, considéré comme la preuve initiale de l'expansion de l'Univers et du modèle cosmologique avec le Big Bang.
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.
Wilkinson Microwave Anisotropy ProbeWilkinson Microwave Anisotropy Probe ou WMAP est un observatoire spatial américain de la NASA lancé en pour dresser une carte de l'anisotropie du fond diffus cosmologique. Par rapport à l'observatoire spatial COBE qui l'a précédé dans les années 1980, la mission a permis d'améliorer d'un facteur la précision des valeurs des principaux paramètres cosmologiques comme l'âge de l'Univers (13,77 milliards d'années) et la proportion de ses composants : matière baryonique (4,6 %), matière noire (24 %) et énergie sombre (71 %).
Fond diffus cosmologiqueLe fond diffus cosmologique (FDC, ou CMB pour l'anglais cosmic microwave background, « fond cosmique de micro-ondes ») est un rayonnement électromagnétique très homogène observé dans toutes les directions du ciel et dont le pic d'émission est situé dans le domaine des micro-ondes. On le qualifie de diffus parce qu'il ne provient pas d'une ou plusieurs sources localisées, et de cosmologique parce que, selon l'interprétation qu'on en fait, il est présent dans tout l'Univers (le cosmos).
Réseau de neurones récurrentsUn réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.
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.
Loi de Hubble-LemaîtreEn astronomie, la loi de Hubble-Lemaître (anciennement loi de Hubble) énonce que les galaxies s'éloignent les unes des autres à une vitesse approximativement proportionnelle à leur distance. Autrement dit, plus une galaxie est loin de nous, plus elle semble s'éloigner rapidement. Cette loi ne concerne que la partie de l'univers accessible aux observations. L'extrapolation de la loi de Hubble-Lemaître sur des distances plus grandes est possible, mais uniquement si l'univers demeure homogène et isotrope sur de plus grandes distances.
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.
Milieu interstellaire300px|vignette|La répartition d'hydrogène ionisé dans des régions du milieu interstellaire, vue depuis l'hémisphère nord de la Terre. En astronomie, le milieu interstellaire (en anglais, interstellar medium ou ISM) est la matière qui, dans une galaxie, remplit l'espace entre les étoiles et se fond dans le milieu intergalactique environnant. Il est un mélange de gaz (ionisés, atomiques et moléculaires), de rayons cosmiques et de poussières. L'énergie qui occupe le même volume, sous forme de rayonnement électromagnétique, correspond au champ de rayonnement interstellaire.
Raie à 21 centimètresvignette|Représentation du phénomène physique. En astronomie, l'expression raie à 21 cm désigne la raie spectrale en émission de longueur d'onde égale à dans le vide, et donc détectée dans le domaine des ondes radio. Le rayonnement électromagnétique à cette longueur d'onde est produit par de grands nuages d’hydrogène atomique (neutres). Le processus physique sous-jacent est la transition atomique entre les deux sous-niveaux de la structure hyperfine du niveau fondamental de l’atome d'hydrogène.
Neural networkA neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.
Relevé du décalage vers le rougedroite|vignette|300x300px|Le rendu des données du relevé 2dFGRS En astronomie, un relevé du décalage vers le rouge (en anglais redshift survey) est un relevé astronomique d'une section du ciel pour mesurer le décalage vers le rouge (redshift) des objets célestes. Il s'agit habituellement de galaxies, mais parfois aussi d'autres objets tels que les amas de galaxies ou les quasars. À l'aide de la loi de Hubble, le décalage vers le rouge peut être utilisé pour estimer la distance entre un objet et la Terre.
Réseau de neurones à propagation avantUn réseau de neurones à propagation avant, en anglais feedforward neural network, est un réseau de neurones artificiels acyclique, se distinguant ainsi des réseaux de neurones récurrents. Le plus connu est le perceptron multicouche qui est une extension du premier réseau de neurones artificiel, le perceptron inventé en 1957 par Frank Rosenblatt. vignette|Réseau de neurones à propagation avant Le réseau de neurones à propagation avant est le premier type de réseau neuronal artificiel conçu. C'est aussi le plus simple.
Types of artificial neural networksThere are many types of artificial neural networks (ANN). Artificial neural networks are computational models inspired by biological neural networks, and are used to approximate functions that are generally unknown. Particularly, they are inspired by the behaviour of neurons and the electrical signals they convey between input (such as from the eyes or nerve endings in the hand), processing, and output from the brain (such as reacting to light, touch, or heat). The way neurons semantically communicate is an area of ongoing research.
Réseau neuronal résidueldroite|vignette| Forme canonique d'un réseau neuronal résiduel. Une couche l − 1 est ignoré sur l'activation de l − 2. Un réseau neuronal résiduel ( ResNet ) est un réseau neuronal artificiel (ANN). Il s'agit d'une variante du HighwayNet , le premier réseau neuronal à action directe très profond avec des centaines de couches, beaucoup plus profond que les réseaux neuronaux précédents. Les sauts de connexion ou "raccourcis" sont utilisés pour passer par-dessus certaines couches ( les HighwayNets peuvent également avoir des poids pour les saut eux-mêmes, grâce à une matrice de poids supplémentaire pour leurs portes).
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.
Lumière fatiguéeLa lumière fatiguée ou « fatigue de la lumière » est une hypothèse proposée pour expliquer la loi de Hubble sans faire intervenir une expansion de l'Univers. Cette loi est déduite de l'observation d'un décalage vers le rouge proportionnel à la distance pour les galaxies. Cette idée a été préconisée par Fritz Zwicky en 1929 comme explication alternative possible. L'expression a été inventée d'après Richard Tolman — comme une interprétation alternative de celle de Georges Lemaître et d'Edwin Hubble du décalage vers le rouge cosmique.
Lentille gravitationnelle fortevignette|Photographie d'un anneau d'Einstein prise par le télescope spatial Hubble. Les lentilles gravitationnelles fortes sont un type de lentilles gravitationnelles qui sont assez fortes pour produire des images multiples, des arcs, et même des anneaux d'Einstein. En général, l'effet de lentille gravitationnelle forte demande une masse de lentille projeté d'une densité massique plus grande que la . Pour une source d'arrière-plan ponctuelle, il y aura plusieurs images, alors que des sources d'arrière-plan étendues entraîneront des arcs ou des anneaux.
Réionisationvignette|Place de l'âge de réionisation dans la chronologie de l'univers, de 400 millions à 1 milliard d'années après le Big Bang. En cosmologie, la réionisation représente l’époque, juste après les âges sombres, où un grand nombre d’atomes existant dans l’Univers a été ionisé par le rayonnement intense de la probable toute première génération d’étoiles à avoir illuminé l’Univers, les étoiles de population III. Elles ont été créées durant l'aube cosmique, qui se poursuit durant la réionisation.
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.
