Astuce du noyauEn apprentissage automatique, l'astuce du noyau, ou kernel trick en anglais, est une méthode qui permet d'utiliser un classifieur linéaire pour résoudre un problème non linéaire. L'idée est de transformer l'espace de représentation des données d'entrées en un espace de plus grande dimension, où un classifieur linéaire peut être utilisé et obtenir de bonnes performances. La discrimination linéaire dans l'espace de grande dimension (appelé aussi espace de redescription) est équivalente à une discrimination non linéaire dans l'espace d'origine.
Méthode des moindres carrés ordinairevignette|Graphique d'une régression linéaire La méthode des moindres carrés ordinaire (MCO) est le nom technique de la régression mathématique en statistiques, et plus particulièrement de la régression linéaire. Il s'agit d'un modèle couramment utilisé en économétrie. Il s'agit d'ajuster un nuage de points selon une relation linéaire, prenant la forme de la relation matricielle , où est un terme d'erreur.
Parallélépipèdevignette|Perspective cavalière d'un parallélépipède. En géométrie dans l'espace, un parallélépipède (ou parallélipipède) est un solide dont les six faces sont des parallélogrammes. Il est au parallélogramme ce que le cube est au carré et ce que le pavé droit est au rectangle. En géométrie affine, où l'on ne tient compte que de la notion de parallélisme, un parallélépipède peut être aussi défini comme un hexaèdre dont les faces sont parallèles deux à deux ; un prisme dont la base est un parallélogramme.
Algèbre extérieureEn mathématiques, et plus précisément en algèbre et en analyse vectorielle, l'algèbre extérieure d'un espace vectoriel E est une algèbre associative graduée, notée . La multiplication entre deux éléments a et b est appelée le produit extérieur et est notée . Le carré de tout élément de E est zéro (), on dit que la multiplication est alternée, ce qui entraîne que pour deux éléments de E : (la loi est « anti-commutative »). L'algèbre extérieure est aussi appelée algèbre de Grassmann nommée ainsi en l'honneur de Hermann Grassmann.
Covariance matrixIn probability theory and statistics, a covariance matrix (also known as auto-covariance matrix, dispersion matrix, variance matrix, or variance–covariance matrix) is a square matrix giving the covariance between each pair of elements of a given random vector. Any covariance matrix is symmetric and positive semi-definite and its main diagonal contains variances (i.e., the covariance of each element with itself). Intuitively, the covariance matrix generalizes the notion of variance to multiple dimensions.
