Arbre de décision (apprentissage)L’apprentissage par arbre de décision désigne une méthode basée sur l'utilisation d'un arbre de décision comme modèle prédictif. On l'utilise notamment en fouille de données et en apprentissage automatique. Dans ces structures d'arbre, les feuilles représentent les valeurs de la variable-cible et les embranchements correspondent à des combinaisons de variables d'entrée qui mènent à ces valeurs. En analyse de décision, un arbre de décision peut être utilisé pour représenter de manière explicite les décisions réalisées et les processus qui les amènent.
Modèle graphiqueUn modèle graphique est une représentation d'objets probabilistes. C'est un graphe qui représente les dépendances de variables aléatoires. Ces modèles sont notamment utilisés en apprentissage automatique. Un modèle graphique est un graphe orienté ou non orienté, c'est-à-dire un ensemble, les « sommets », et des liens entre les sommets, les « arêtes ». Chaque sommet représente une variable aléatoire et chaque arête représente une dépendance de ces variables. Dans l'exemple ci-contre, il y a 4 variables aléatoires A, B, C et D.
Shinkansenthumb|Trains Shinkansen dans l'est du Japon. Le est le système de train à grande vitesse en service au Japon. Ce nom désigne aussi bien les trains que l'infrastructure. L'utilisation d'un ensemble de lignes réservées et les techniques employées ont fait du Shinkansen un précurseur, et du Japon le pionnier de la grande vitesse ferroviaire, lors de sa mise en service en 1964. Les rames du Shinkansen sont aujourd'hui mondialement reconnues pour leur confort, leur fiabilité et leur sécurité, ainsi que pour leur gestion des plus rigoureuses (ponctualité, propreté, prestations de services).
