Matière noirevignette|redresse=1.1|Répartition de la densité d'énergie de l'Univers après exploitation des premières données du satellite Planck. La matière noire en est une des composantes principales. La matière noire ou matière sombre, est une catégorie de matière hypothétique, invoquée dans le cadre du Modèle ΛCDM pour rendre compte de certaines observations astrophysiques, notamment les estimations de la masse des galaxies ou des amas de galaxies et les propriétés des fluctuations du fond diffus cosmologique.
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.
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.
Maximum de vraisemblanceEn statistique, l'estimateur du maximum de vraisemblance est un estimateur statistique utilisé pour inférer les paramètres de la loi de probabilité d'un échantillon donné en recherchant les valeurs des paramètres maximisant la fonction de vraisemblance. Cette méthode a été développée par le statisticien Ronald Aylmer Fisher en 1922. Soient neuf tirages aléatoires x1, ..., x9 suivant une même loi ; les valeurs tirées sont représentées sur les diagrammes ci-dessous par des traits verticaux pointillés.
Amas de galaxiesUn amas de galaxies, ou amas galactique, est l'association de plus d'une centaine de galaxies liées entre elles par la gravitation. En dessous de 100, on parle plutôt de groupe de galaxies, même si la frontière entre groupe et amas n'est pas clairement définie. Ces amas se caractérisent par leur forme spécifique (sphérique, symétrique ou quelconque), ainsi que par la répartition et leurs nombres de galaxies (jusqu'à plusieurs milliers). Ils se sont formés il y a 10 milliards d'années et plus.
Halo de matière noirevignette|Halo de matière noire créé par une simulation cosmologique à N corps. Un halo de matière noire est un composant hypothétique d'une galaxie qui enveloppe le disque galactique et s'étend bien au-delà des limites visibles de la galaxie. La masse du halo est la portion dominante de la masse totale de la galaxie. Étant donné qu'ils sont constitués de matière noire, les halos ne peuvent pas être observés directement, mais leur existence est déduite de leurs effets sur le mouvement des étoiles et du gaz dans les galaxies.
Analyse sémantique latenteL’analyse sémantique latente (LSA, de l'anglais : Latent semantic analysis) ou indexation sémantique latente (ou LSI, de l'anglais : Latent semantic indexation) est un procédé de traitement des langues naturelles, dans le cadre de la sémantique vectorielle. La LSA fut brevetée en 1988 et publiée en 1990. Elle permet d'établir des relations entre un ensemble de documents et les termes qu'ils contiennent, en construisant des « concepts » liés aux documents et aux termes.
Galaxy groups and clustersGalaxy groups and clusters are the largest known gravitationally bound objects to have arisen thus far in the process of cosmic structure formation. They form the densest part of the large-scale structure of the Universe. In models for the gravitational formation of structure with cold dark matter, the smallest structures collapse first and eventually build the largest structures, clusters of galaxies. Clusters are then formed relatively recently between 10 billion years ago and now.
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.
Simulation d'un système à N corpsvignette| Une simulation à N corps de la formation cosmologique d'un amas de galaxies dans un univers en expansion. En physique et en astronomie, une simulation à N corps est une simulation d'un système dynamique de particules, généralement sous l'influence de forces physiques, telles que la gravité (voir problème à N corps pour d'autres applications). Les simulations à N corps sont des outils largement utilisés en astrophysique, depuis l'étude de la dynamique de systèmes à quelques corps comme le système Terre - Lune - Soleil, jusqu'à la compréhension de l'évolution de la structure à grande échelle de l'univers observable.
Théorie de l'estimationEn statistique, la théorie de l'estimation s'intéresse à l'estimation de paramètres à partir de données empiriques mesurées ayant une composante aléatoire. Les paramètres décrivent un phénomène physique sous-jacent tel que sa valeur affecte la distribution des données mesurées. Un estimateur essaie d'approcher les paramètres inconnus à partir des mesures.
Matière noire chaudeLa matière noire chaude (HDM pour hot dark matter) est une forme hypothétique de matière noire qui consiste en particules se déplaçant à une vitesse très proche de celle de la lumière. Le meilleur candidat à cette identité est le neutrino. Les neutrinos ont des masses infinitésimales et ne participent pas à deux des quatre forces fondamentales, l'interaction électromagnétique et l'interaction forte. En revanche, ils participent effectivement à l'interaction faible et à la gravité, mais du fait de l'intensité très faible de ces forces, ils sont difficiles à détecter.
Principe cosmologiqueLa cosmologie ne peut s’envisager qu’en faisant des hypothèses simplificatrices que l’on appelle des « principes cosmologiques ». Sans cet artifice, il faudrait en effet connaître les vitesses et les positions de toutes les particules dans l’espace, ce qui est tout simplement impossible. On distingue actuellement quatre grands principes : Le principe cosmologique d'homogénéité et d'isotropie ; Le principe cosmologique parfait (ou d'équivalence temporelle) ; Le principe cosmologique global ; Le principe cosmologique de l'Univers fractal.
Robustesse (statistiques)En statistiques, la robustesse d'un estimateur est sa capacité à ne pas être perturbé par une modification dans une petite partie des données ou dans les paramètres du modèle choisi pour l'estimation. Ricardo A. Maronna, R. Douglas Martin et Victor J. Yohai; Robust Statistics - Theory and Methods, Wiley Series in Probability and Statistics (2006). Dagnelie P.; Statistique théorique et appliquée. Tome 2 : Inférence statistique à une et à deux dimensions, Paris et Bruxelles (2006), De Boeck et Larcier.
Inférence bayésiennevignette|Illustration comparant les approches fréquentiste et bayésienne (Christophe Michel, 2018). L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. Le raisonnement bayésien construit, à partir d'observations, une probabilité de la cause d'un type d'événements.
Physical cosmologyPhysical cosmology is a branch of cosmology concerned with the study of cosmological models. A cosmological model, or simply cosmology, provides a description of the largest-scale structures and dynamics of the universe and allows study of fundamental questions about its origin, structure, evolution, and ultimate fate. Cosmology as a science originated with the Copernican principle, which implies that celestial bodies obey identical physical laws to those on Earth, and Newtonian mechanics, which first allowed those physical laws to be understood.
Amas de la ViergeL'amas de la Vierge est un grand amas de galaxies situé à une distance de . Il fut découvert par Charles Messier en 1781, qui cartographia un grand nombre de ses galaxies les plus importantes, notamment la galaxie géante M87. Cet amas est au centre du superamas de la Vierge, dont fait partie le Groupe local et a fortiori la Voie lactée. Il est situé dans la constellation de la Vierge et son diamètre angulaire est d'environ 8 degrés. Il comporte approximativement entre et , dont beaucoup sont visibles avec un petit télescope.
Weakly interacting massive particlesEn astrophysique, les WIMPs (acronyme anglais pour Weakly Interacting Massive Particles, pouvant se traduire par « particules massives interagissant faiblement ») sont des particules hypothétiques constituant une solution au problème de la matière noire. En dehors des interactions gravitationnelles, ces particules interagissent très faiblement avec la matière ordinaire (nucléons, électrons), leur section efficace d'interaction est de l'ordre du picobarn.
Galaxievignette|redresse=1.5|M51, la Galaxie du Tourbillon, un exemple typique de galaxie spirale. Une galaxie est une structure cosmique formée par le rassemblement d'étoiles et de leurs planètes éventuelles, de gaz, de poussière interstellaire, peut-être essentiellement de matière noire, et contenant souvent un trou noir supermassif en son centre. Les galaxies peuvent elles-mêmes se rassembler en groupes de galaxies, eux-mêmes pouvant se structurer en amas et superamas de galaxies.
Partitionnement de donnéesvignette|upright=1.2|Exemple de clustering hiérarchique. Le partitionnement de données (ou data clustering en anglais) est une méthode en analyse des données. Elle vise à diviser un ensemble de données en différents « paquets » homogènes, en ce sens que les données de chaque sous-ensemble partagent des caractéristiques communes, qui correspondent le plus souvent à des critères de proximité (similarité informatique) que l'on définit en introduisant des mesures et classes de distance entre objets.
