Empire byzantinL’'Empire byzantin' ou Empire romain d'Orient désigne l'État apparu vers le dans la partie orientale de l'Empire romain, au moment où celui-ci se divise progressivement en deux. Il se caractérise par sa longévité : il puise ses origines dans la fondation même de Rome, et la datation de ses débuts change selon les critères choisis par chaque historien. La fondation de Constantinople, sa capitale, par en 330, autant que la division d’un Empire romain de plus en plus difficile à gouverner et qui devient définitive en 395, sont parfois citées.
Armée byzantinethumb|Fresque provenant du monastère de Saint-Lucas en Grèce L'armée byzantine était le corps militaire terrestre des forces armées byzantines, servant côte à côte avec la marine byzantine. Descendante directe des légions et de la marine romaine de l'ancien Empire romain, l'armée byzantine maintint un niveau similaire de discipline, de prouesse stratégique et d'organisation. Pour une grande part de son histoire, l'armée byzantine fut la plus puissante et la plus performante force militaire de toute l'Europe.
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.
Art byzantinvignette|Le Christ Pantocrator : mosaïque byzantine du dans la basilique Sainte-Sophie de Constantinople. L'art byzantin s'est développé dans l'Empire byzantin entre la disparition de l'Empire romain d'Occident en 476, et la chute de Constantinople en 1453. L'art produit auparavant dans la même région relève de ce qu'il est convenu d'appeler l'art paléochrétien.
Architecture byzantinethumb|350px|alt=Cathédrale Sainte-Sophie de Constantinople|Sainte-Sophie de Constantinople, considérée comme le chef-d’œuvre de l'architecture byzantine. L'architecture byzantine est le style architectural qui s’est développé dans l’Empire byzantin et les pays marqués de son empreinte comme la Bulgarie, la Serbie, la Russie, l’Arménie et la Géorgie après que Constantin a transféré la capitale de l’empire de Rome vers Constantinople en 330.
Apprentissage ensemblisteIn statistics and machine learning, ensemble methods use multiple learning algorithms to obtain better predictive performance than could be obtained from any of the constituent learning algorithms alone. Unlike a statistical ensemble in statistical mechanics, which is usually infinite, a machine learning ensemble consists of only a concrete finite set of alternative models, but typically allows for much more flexible structure to exist among those alternatives.
Dynastie des ComnènesAprès un net recul de ses frontières en Asie Mineure et la perte de ses possessions en Italie dans la deuxième moitié du , l’Empire byzantin entreprit sous les Comnènes une période de redressement continu bien qu’incomplet. Cinq empereurs (Alexis , Jean II, Manuel , Alexis II et Andronic ) tentèrent pendant 104 ans et par divers moyens de tenir tête aux noblesses terrienne et militaire, soit en favorisant des membres de leur propre famille (Alexis ), soit en faisant appel à des conseillers de l’extérieur (Jean II), soit en privilégiant l’une d’elles (Manuel ), soit en persécutant l’une et l’autre (Andronic ).
Adversarial machine learningAdversarial machine learning is the study of the attacks on machine learning algorithms, and of the defenses against such attacks. A survey from May 2020 exposes the fact that practitioners report a dire need for better protecting machine learning systems in industrial applications. To understand, note that most machine learning techniques are mostly designed to work on specific problem sets, under the assumption that the training and test data are generated from the same statistical distribution (IID).
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.
Guerres perso-romainesLes guerres perso-romaines commencent lorsque les Romains, après avoir conquis la Grèce, envahissent l'Asie Mineure et entrent en contact avec l'Empire parthe vers En , Antiochos XIII, dernier monarque séleucide, est détrôné par Pompée qui réduit la Syrie séleucide en province romaine. Les Parthes, occupant les territoires séleucides à l'est de l'Euphrate, deviennent le « concurrent » de l'Empire romain dans l’est de la Méditerranée. La civilisation et la culture des Parthes semblent reprendre celles des Achéménides, particulièrement dans leur système religieux.
Recherche automatique d'architecture neuronaleLa recherche automatique d'architecture neuronale (Neural Architecture Search, NAS) est un ensemble de techniques visant à découvrir automatiquement de nouveaux modèles de réseaux de neurones artificiels. Les principales méthodes employées dans la littérature sont basées soit sur de l'apprentissage par renforcement, sur de la descente de gradient ou bien sur des algorithmes génétiques. Plusieurs méthodes NAS parviennent à obtenir des architectures qui atteignent ou surpassent les performances des modèles créés à la main.
Soie byzantinethumb|right|David, entre les personnifications de la Sagesse et de la Prophétie, sur une chlamyde de soie byzantine. Paris, Psautier du . La soie byzantine (μέταξα, σηρικόν) fut tissée dans l’Empire byzantin du environ jusqu’à la chute de Constantinople en 1453, bien que l’industrie ait été en fort déclin après la chute de Constantinople aux mains des croisés en 1204. Capitale de l’Empire byzantin, Constantinople fut le premier centre important du tissage de la soie en Europe.
Papauté byzantine250px|vignette|Les campagnes de Justinien (en orange pâle) permettent à l'Empire romain (d'Orient, dit « byzantin » depuis le ) de revenir pour deux siècles en Méditerranée occidentale et d'inclure ainsi en Hispanie, en Italie et en Afrique, des régions de tradition, de langue et de liturgie latine. La papauté byzantine est une période de l'histoire de la papauté, qui s'étend de l'an 537 à l'an 752, marquée par l'appartenance territoriale à l'Empire romain d'Orient (dit « byzantin » depuis 1557).
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.
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.
Loss functions for classificationIn machine learning and mathematical optimization, loss functions for classification are computationally feasible loss functions representing the price paid for inaccuracy of predictions in classification problems (problems of identifying which category a particular observation belongs to). Given as the space of all possible inputs (usually ), and as the set of labels (possible outputs), a typical goal of classification algorithms is to find a function which best predicts a label for a given input .
Group method of data handlingGroup method of data handling (GMDH) is a family of inductive algorithms for computer-based mathematical modeling of multi-parametric datasets that features fully automatic structural and parametric optimization of models. GMDH is used in such fields as data mining, knowledge discovery, prediction, complex systems modeling, optimization and pattern recognition. GMDH algorithms are characterized by inductive procedure that performs sorting-out of gradually complicated polynomial models and selecting the best solution by means of the external criterion.
Statistique exhaustiveLes statistiques exhaustives sont liées à la notion d'information et en particulier à l'information de Fisher. Elles servent entre autres à améliorer des estimateurs grâce à l'usage du théorème de Rao-Blackwell et du théorème de Lehmann-Scheffé. Intuitivement, parler d'une statistique exhaustive revient à dire que cette statistique contient l'ensemble de l'information sur le(s) paramètre(s) de la loi de probabilité. Soit un vecteur d'observation de taille , dont les composantes sont indépendantes et identiquement distribués (iid).
Histoire de la BulgarieSi des civilisations se sont épanouies sur l’actuel territoire bulgare dès le néolithique et l’antiquité, l’histoire de la Bulgarie des Balkans commence au avec la fondation du royaume bulgare d’Asparoukh à l'issue de la bataille d'Ongal (il a existé d’autres royaumes bulgares antérieurs autour de la mer d'Azov et sur la moyenne-Volga).
Nombre de sujets nécessairesEn statistique, la détermination du nombre de sujets nécessaires est l'acte de choisir le nombre d'observations ou de répétitions à inclure dans un échantillon statistique. Ce choix est très important pour pouvoir faire de l'inférence sur une population. En pratique, la taille de l'échantillon utilisé dans une étude est déterminée en fonction du coût de la collecte des données et de la nécessité d'avoir une puissance statistique suffisante.
