Modèle d'équations structurellesLa modélisation d'équations structurelles ou la modélisation par équations structurelles ou encore la modélisation par équations structurales (en anglais structural equation modeling ou SEM) désignent un ensemble diversifié de modèles mathématiques, algorithmes informatiques et méthodes statistiques qui font correspondre un réseau de concepts à des données. On parle alors de modèles par équations structurales, ou de modèles en équations structurales ou encore de modèles d’équations structurelles.
Télévision couleurLa télévision couleur ou télévision en couleurs désigne la technologie permettant de restituer les teintes et nuances chromatiques à l'écran, dont le signal est généralement télédiffusé ou télédistribué par câble. On distingue chronologiquement trois grandes évolutions successives de cette technologie. La première concerne les dispositifs mécaniques, la seconde exploite les circuits électroniques et la troisième est adaptée à la télédiffusion numérique.
Algorithme d'approximationEn informatique théorique, un algorithme d'approximation est une méthode permettant de calculer une solution approchée à un problème algorithmique d'optimisation. Plus précisément, c'est une heuristique garantissant à la qualité de la solution qui fournit un rapport inférieur (si l'on minimise) à une constante, par rapport à la qualité optimale d'une solution, pour toutes les instances possibles du problème.
Color quantizationIn computer graphics, color quantization or color image quantization is applied to color spaces; it is a process that reduces the number of distinct colors used in an , usually with the intention that the new image should be as visually similar as possible to the original image. Computer algorithms to perform color quantization on bitmaps have been studied since the 1970s. Color quantization is critical for displaying images with many colors on devices that can only display a limited number of colors, usually due to memory limitations, and enables efficient compression of certain types of images.
Réduction de la dimensionnalitévignette|320x320px|Animation présentant la projection de points en deux dimensions sur les axes obtenus par analyse en composantes principales, une méthode populaire de réduction de la dimensionnalité La réduction de la dimensionnalité (ou réduction de (la) dimension) est un processus étudié en mathématiques et en informatique, qui consiste à prendre des données dans un espace de grande dimension, et à les remplacer par des données dans un espace de plus petite dimension.
Numerical cognitionNumerical cognition is a subdiscipline of cognitive science that studies the cognitive, developmental and neural bases of numbers and mathematics. As with many cognitive science endeavors, this is a highly interdisciplinary topic, and includes researchers in cognitive psychology, developmental psychology, neuroscience and cognitive linguistics. This discipline, although it may interact with questions in the philosophy of mathematics, is primarily concerned with empirical questions.
Caméra argentiqueUne caméra argentique est un appareil de prise de vues cinématographique (caméra) qui enregistre les photogrammes (images) des plans d'un film sur une pellicule photographique. Son utilisation était limitée aux domaines du cinéma et de la télévision. Elle est aujourd'hui supplantée par les caméras numériques et entrée dans le domaine muséologique. Le terme caméra est issu du latin camera qui signifie « chambre » en français. La camera obscura (« chambre noire ») est un dispositif optique, connu depuis l'Antiquité, qui permet la formation d'une image inversée d'une scène.
Confirmatory factor analysisIn statistics, confirmatory factor analysis (CFA) is a special form of factor analysis, most commonly used in social science research. It is used to test whether measures of a construct are consistent with a researcher's understanding of the nature of that construct (or factor). As such, the objective of confirmatory factor analysis is to test whether the data fit a hypothesized measurement model. This hypothesized model is based on theory and/or previous analytic research.
Nonlinear dimensionality reductionNonlinear dimensionality reduction, also known as manifold learning, refers to various related techniques that aim to project high-dimensional data onto lower-dimensional latent manifolds, with the goal of either visualizing the data in the low-dimensional space, or learning the mapping (either from the high-dimensional space to the low-dimensional embedding or vice versa) itself. The techniques described below can be understood as generalizations of linear decomposition methods used for dimensionality reduction, such as singular value decomposition and principal component analysis.
YUV[[Fichier:Yuv.png|thumb|Exemple d'une plage U-V, où Y' = 0,5, représenté à l'intérieur de la gamme de couleurs R'G'B' ; en noir et blanc, seule Y est utilisée, toutes ces couleurs rendent donc le même gris.]] thumb|Décomposition d'une image en Y'UV. Le modèle YUV ou plus précisément Y'UV''' définit un espace colorimétrique en trois composantes. La première, Y', représente la luma'' (à ne pas confondre avec la luminance relative notée Y, le symbole prime de Y' indiquant une correction de gamma) et les deux autres, U et V, représentent la chrominance.
