Syndrome du cerveau scindéLe syndrome du cerveau scindé ou divisé ou callosum (en anglais split-brain) est un syndrome résultant de la déconnexion des deux hémisphères. La raison est l'absence de corps calleux à la naissance (malformation congénitale) ou la conséquence de sa destruction accidentelle ou chirurgicale. Le corps calleux relie les deux hémisphères du cerveau. L'association de symptômes est produite par la perturbation ou l'interférence de la connexion entre les hémisphères du cerveau.
Détection d'objetthumb|Détection de visage avec la méthode de Viola et Jones. En vision par ordinateur on désigne par détection d'objet (ou classification d'objet) une méthode permettant de détecter la présence d'une instance (reconnaissance d'objet) ou d'une classe d'objets dans une . Une attention particulière est portée à la détection de visage et la détection de personne. Ces méthodes font souvent appel à l'apprentissage supervisé et ont des applications dans de multiples domaines, tels la ou la vidéo surveillance.
Modèle de fondationUn modèle de fondation est un modèle d'intelligence artificielle de grande taille, entraîné sur une grande quantité de données non étiquetées (généralement par apprentissage auto-supervisé ). Le modèle résultant peut être adapté à un large éventail de tâches en aval (downstream tasks en anglais). Depuis leur introduction en 2018, les modèles de fondation ont induit une transformation majeure dans la manière de construire les systèmes d'IA. Les premiers modèles de fondation étaient de grands modèles de langage pré-entraînés, notamment BERT et GPT-3.
Asymétrie cérébraleEn neurosciences cognitives, l'asymétrie cérébrale est l'inégale implication des deux hémisphères du cerveau dans les différentes fonctions mentales. Dans leur anatomie générale, les deux hémisphères sont très semblables mais il existe un certain nombre de caractéristiques plus fines qui les distinguent l'un de l'autre. Le lien entre ces différences structurelles et les différences fonctionnelles reste mal compris.
Probabilistic classificationIn machine learning, a probabilistic classifier is a classifier that is able to predict, given an observation of an input, a probability distribution over a set of classes, rather than only outputting the most likely class that the observation should belong to. Probabilistic classifiers provide classification that can be useful in its own right or when combining classifiers into ensembles. Formally, an "ordinary" classifier is some rule, or function, that assigns to a sample x a class label ŷ: The samples come from some set X (e.
Apprentissage de représentationsEn apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.
Apprentissage superviséL'apprentissage supervisé (supervised learning en anglais) est une tâche d'apprentissage automatique consistant à apprendre une fonction de prédiction à partir d'exemples annotés, au contraire de l'apprentissage non supervisé. On distingue les problèmes de régression des problèmes de classement. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification.
Apprentissage ensemblisteIn statistics and machine learning, ensemble methods use multiple learning algorithms to obtain better predictive performance than could be obtained from any of the constituent learning algorithms alone. Unlike a statistical ensemble in statistical mechanics, which is usually infinite, a machine learning ensemble consists of only a concrete finite set of alternative models, but typically allows for much more flexible structure to exist among those alternatives.
Coloration (microscopie)vignette|redresse=1.9|L'observation en microscopie optique d'une coupe transversale colorée au carmino-vert montre les caractéristiques anatomiques d'une racine de Ficaire : organe végétal à symétrie axiale (cette symétrie caractérise une racine ou une tige alors que la feuille a une symétrie bilatérale) ; présence d'un rhizoderme pouvant former l'assise pilifère ; écorce ou cortex très développé, comprenant, de l'extérieur vers l'intérieur, une ou plusieurs couches de cellules subérifiées (subéroïde ou assise subéreuse), un parenchyme cortical à cellules riches en amyloplastes et méats, tissu végétal à fonction de réserve (non associé à des tissus de soutien, collenchyme et/ou sclérenchyme) et un endoderme constitué de cellules subérifiées.
Meta-learning (computer science)Meta learning is a subfield of machine learning where automatic learning algorithms are applied to metadata about machine learning experiments. As of 2017, the term had not found a standard interpretation, however the main goal is to use such metadata to understand how automatic learning can become flexible in solving learning problems, hence to improve the performance of existing learning algorithms or to learn (induce) the learning algorithm itself, hence the alternative term learning to learn.
