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 .
Generalization errorFor supervised learning applications in machine learning and statistical learning theory, generalization error (also known as the out-of-sample error or the risk) is a measure of how accurately an algorithm is able to predict outcome values for previously unseen data. Because learning algorithms are evaluated on finite samples, the evaluation of a learning algorithm may be sensitive to sampling error. As a result, measurements of prediction error on the current data may not provide much information about predictive ability on new data.
Panne de courantthumb|Court-circuit d'une ligne électrique à Troy, Illinois. Une panne de courant est la suspension de la distribution du courant électrique dans une région attribuée. Ceci peut provenir d'un défaut dans une centrale électrique, de l'équipement de distribution endommagé (par exemple, par une tempête de neige ou de pluie verglaçante), un court-circuit ou une surcharge du système. Le terme « blackout » est également utilisé lorsque la panne concerne un grand nombre de clients.
Statistical model validationIn statistics, model validation is the task of evaluating whether a chosen statistical model is appropriate or not. Oftentimes in statistical inference, inferences from models that appear to fit their data may be flukes, resulting in a misunderstanding by researchers of the actual relevance of their model. To combat this, model validation is used to test whether a statistical model can hold up to permutations in the data.
Biologie de synthèseLa biologie de synthèse, ou biologie synthétique, est un domaine scientifique et biotechnologique émergeant qui combine biologie et principes d'ingénierie, dans le but de concevoir et construire (« synthétiser ») de nouveaux systèmes et fonctions biologiques, avec des applications notamment développées par les secteurs agropharmaceutique, chimique, agricole et énergétique. Les objectifs de la biologie de synthèse sont de deux types : Tester et améliorer notre compréhension des principes gouvernant la biologie (apprendre en construisant).
Validation croiséeLa validation croisée () est, en apprentissage automatique, une méthode d’estimation de fiabilité d’un modèle fondée sur une technique d’échantillonnage. Supposons posséder un modèle statistique avec un ou plusieurs paramètres inconnus, et un ensemble de données d'apprentissage sur lequel on peut apprendre (ou « entraîner ») le modèle. Le processus d'apprentissage optimise les paramètres du modèle afin que celui-ci corresponde le mieux possible aux données d'apprentissage.
Réseaux antagonistes génératifsEn intelligence artificielle, les réseaux antagonistes génératifs (RAG) parfois aussi appelés réseaux adverses génératifs (en anglais generative adversarial networks ou GANs) sont une classe d'algorithmes d'apprentissage non supervisé. Ces algorithmes ont été introduits par . Ils permettent de générer des images avec un fort degré de réalisme. Un GAN est un modèle génératif où deux réseaux sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex.
Regression validationIn statistics, regression validation is the process of deciding whether the numerical results quantifying hypothesized relationships between variables, obtained from regression analysis, are acceptable as descriptions of the data. The validation process can involve analyzing the goodness of fit of the regression, analyzing whether the regression residuals are random, and checking whether the model's predictive performance deteriorates substantially when applied to data that were not used in model estimation.
Courant continu haute tensionthumb|upright=1.5|Convertisseurs à thyristors sur le pôle 2 de la ligne Inter-Island en Nouvelle-Zélande.thumb|upright=1.5|Symbole d'un convertisseur AC/DC. Le courant continu haute tension (CCHT), en anglais High Voltage Direct Current (HVDC), est une technologie d'électronique de puissance utilisée pour le transport de l'électricité en courant continu haute tension. Son utilisation est minoritaire par rapport au transport électrique à courant alternatif (AC) traditionnel de nos réseaux électriques.
Bayesian hierarchical modelingBayesian hierarchical modelling is a statistical model written in multiple levels (hierarchical form) that estimates the parameters of the posterior distribution using the Bayesian method. The sub-models combine to form the hierarchical model, and Bayes' theorem is used to integrate them with the observed data and account for all the uncertainty that is present. The result of this integration is the posterior distribution, also known as the updated probability estimate, as additional evidence on the prior distribution is acquired.
Pointe de consommation électriqueUne est la consommation la plus élevée d’un réseau électrique pendant une période définie (jour, mois, saison). Elle dépend de la localisation et de la période étudiée et, du fait de la dificulté du stockage de l'électricité, pose des problèmes particuliers aux gestionnaires de réseaux et aux producteurs d’électricité. Contrairement à d'autres formes d'énergie, l'énergie électrique ne peut généralement pas être stockée telle quelle à grande échelle, chaque kilowatt-heure devant donc être produit au moment de sa consommation.
Courant triphaséUn système de courant (ou tension) triphasé est constitué de trois courants (ou tensions) sinusoïdaux de même fréquence et de même amplitude qui sont déphasés entre eux d'un tiers de tour soit radians (ou 120 degrés) dans le cas idéal. Si la fréquence est de , alors les trois phases sont retardées l'une par rapport à l'autre de (soit ). Lorsque les trois conducteurs sont parcourus par des courants de même valeur efficace et sont déphasés de , le système est dit équilibré.
Réponse à la demandeLa réponse à la demande (demand response) comprend, de manière générale, tous les moyens mis en place pour changer le profil de consommation de l'électricité par les utilisateurs et donc la consommation totale électrique. D'après la Federal Energy Regulatory Commission américaine, elle est le changement d'utilisation de l'électricité par le consommateur final par rapport à l'usage habituel en réponse aux changements de prix de l'électricité au cours du temps, ou des remboursements destinés à diminuer l'usage de l'électricité lors de maxima des prix dans le marché de gros ou lors d'instabilité du réseau électrique.
Loi de probabilité à plusieurs variablesvignette|Représentation d'une loi normale multivariée. Les courbes rouge et bleue représentent les lois marginales. Les points noirs sont des réalisations de cette distribution à plusieurs variables. Dans certains problèmes interviennent simultanément plusieurs variables aléatoires. Mis à part les cas particuliers de variables indépendantes (notion définie ci-dessous) et de variables liées fonctionnellement, cela introduit la notion de loi de probabilité à plusieurs variables autrement appelée loi jointe.
Transport d'énergie électriquevignette|Lignes électriques de en courant triphasé reliant le barrage de Grand Coulee au réseau électrique. Le transport d'énergie électrique est le mouvement massif d'énergie électrique d'un site de production, tel qu'une centrale électrique, à un poste électrique. Les lignes interconnectées qui facilitent ce mouvement forment le réseau de transport. Celui-ci est distinct du câblage local entre les sous-stations à haute tension et les clients, qui forme la distribution d'énergie électrique.
Predictive modellingPredictive modelling uses statistics to predict outcomes. Most often the event one wants to predict is in the future, but predictive modelling can be applied to any type of unknown event, regardless of when it occurred. For example, predictive models are often used to detect crimes and identify suspects, after the crime has taken place. In many cases, the model is chosen on the basis of detection theory to try to guess the probability of an outcome given a set amount of input data, for example given an email determining how likely that it is spam.
Loi de ParetoEn théorie des probabilités, la loi de Pareto, d'après Vilfredo Pareto, est un type particulier de loi de puissance qui a des applications en sciences physiques et sociales. Elle permet notamment de donner une base théorique au « principe des 80-20 », aussi appelé principe de Pareto. Soit la variable aléatoire X qui suit une loi de Pareto de paramètres (x,k), avec k un réel positif, alors la loi est caractérisée par : Les lois de Pareto sont des lois continues.
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.
Électricité domestiqueL’électricité domestique est l'électricité du réseau électrique distribuée et utilisée dans les logements de particuliers ainsi que dans les lieux où les besoins sont similaires : bureaux, boutiques... Le réseau domestique est relié par un câble, généralement sous la terre, au réseau électrique d'Électricité de France (EDF). La mise à la terre permet de drainer un courant en cas de défaut d'isolement interne d'un équipement électrique avant que ce défaut ne devienne dangereux pour les utilisateurs.
Surapprentissagevignette|300x300px|La ligne verte représente un modèle surappris et la ligne noire représente un modèle régulier. La ligne verte classifie trop parfaitement les données d'entrainement, elle généralise mal et donnera de mauvaises prévisions futures avec de nouvelles données. Le modèle vert est donc finalement moins bon que le noir. En statistique, le surapprentissage, ou sur-ajustement, ou encore surinterprétation (en anglais « overfitting »), est une analyse statistique qui correspond trop précisément à une collection particulière d'un ensemble de données.
