Rasoir d'Ockham

vignette|Frater Occham iste : illustration manuscrite de Guillaume d'Ockham (1341). Le rasoir d'Ockham ou rasoir d'Occam est un principe de raisonnement philosophique entrant dans les concepts de rationalisme et de nominalisme. Le terme vient de « raser » qui, en philosophie, signifie « éliminer des explications non nécessaires d'un phénomène » et du philosophe du Guillaume d'Ockham. Également appelé principe de simplicité, principe d'économie ou principe de parcimonie (en latin « lex parsimoniae »), il peut se formuler comme suit : Une formulation plus moderne est que . C'est un des principes heuristiques fondamentaux en science, sans être pour autant à proprement parler un résultat scientifique. Dans le langage courant, le rasoir d'Ockham pourrait s'exprimer par les phrases ou . Cependant, « la simplicité » dont il est question ici ne signifie pas que l'hypothèse la plus simpliste, la plus évidente ou la plus conventionnelle soit forcément la bonne. Le rasoir ne prétend pas désigner quelle hypothèse est vraie, il indique seulement laquelle devrait être considérée en premier. La rationalité est aujourd'hui comprise comme la pratique de la logique à laquelle on a adjoint le principe de parcimonie. Ce principe, ou principe d'économie d'hypothèses, implique que lorsqu'un chercheur propose . En philosophie, le terme « rasoir » désigne un principe ou une règle générale qui permet de réduire (de « raser ») le nombre d'explications d'un phénomène. Le rasoir d'Ockham tient son nom du frère franciscain anglais Guillaume d'Ockham (v. 1285 - ), philosophe et logicien qui le formula, bien que ce concept fût connu au moins depuis le Grec Empédocle (). Il est parfois orthographié « rasoir d'Occam », ces deux graphies du nom du philosophe étant acceptées. En réalité, on n'a, jusqu'à présent, jamais trouvé l'adage écrit dans l'un des ouvrages du philosophe. Le principe tel que formulé par Guillaume d'Ockham est (Pluralitas non est ponenda sine necessitate), dans son ouvrage Quaestiones et decisiones in quatuor libros Sententiarum cum centilogio theologico, (1319).

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (32)

Personnes associées (2)

Unités associées (4)

Concepts associés (29)

Cours associés (7)

Séances de cours associées (33)

ME-390: Foundations of artificial intelligence

This course provides the students with 1) a set of theoretical concepts to understand the machine learning approach; and 2) a subset of the tools to use this approach for problems arising in mechanica

MATH-101(d): Analysis I

Étudier les concepts fondamentaux d'analyse et le calcul différentiel et intégral des fonctions réelles d'une variable.

DH-406: Machine learning for DH

This course aims to introduce the basic principles of machine learning in the context of the digital humanities. We will cover both supervised and unsupervised learning techniques, and study and imple

Induction (logique)

L'induction est historiquement le nom utilisé pour signifier un genre de raisonnement qui se propose de chercher des lois générales à partir de l'observation de faits particuliers, sur une base probabiliste. Remarque : Bien qu'associée dans le titre de cet article à la logique, la présentation qui suit correspond surtout à la notion bayésienne, utilisée consciemment ou non, de l'induction.

Philosophie des sciences

La philosophie des sciences est la branche de la philosophie qui étudie les fondements philosophiques, les méthodes et les implications de la science, qu'il s'agisse de sciences naturelles ou de sciences sociales. La philosophie des sciences a pour objet la définition de la science, son but et la fiabilité des théories. Dans cette optique, elle s'appuie sur la philosophie (métaphysique, ontologie, éthique) et l'histoire des sciences.

Inférence bayésienne

vignette|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.

Network-based kinetic models: Emergence of a statistical description of the graph topology

Matteo Raviola

In this paper, we propose a novel approach that employs kinetic equations to describe the collective dynamics emerging from graph-mediated pairwise interactions in multi-agent systems. We formally show that for large graphs and specific classes of interact ...

Cambridge2024

Spatiotemporal wildfire modeling through point processes with moderate and extreme marks

Jonathan Koh Boon Han

Accurate spatiotemporal modeling of conditions leading to moderate and large wildfires provides better understanding of mechanisms driving fire-prone ecosystems and improves risk management. Here, we develop a joint model for the occurrence intensity and t ...

2023

Sparse Attacks for Manipulating Explanations in Deep Neural Network Models

Pascal Frossard, Seyed Mohsen Moosavi Dezfooli, Michail Vlachos, Ahmad Ajalloeian

We investigate methods for manipulating classifier explanations while keeping the predictions unchanged. Our focus is on using a sparse attack, which seeks to alter only a minimal number of input features. We present an efficient and novel algorithm for co ...

Los Alamitos2023

Processus d'examen des propositions

Explore la procédure standard pour l'examen des propositions et fournit des conseils précieux pour une nouvelle soumission.

Processus d’examen des propositions : les points de vue de Deplancke

Se penche sur le processus d'examen des propositions, les drapeaux rouges et les conseils de soumission.

Erreur de généralisation COM-406: Foundations of Data Science

Discute des informations mutuelles, des inégalités de traitement des données et des propriétés liées aux fuites dans les systèmes discrets.