Structure hyperfinevignette|Représentation schématique des niveaux fins et hyperfins de l’hydrogène. La structure hyperfine d’un niveau d’énergie dans un atome consiste en une séparation de ce niveau en états d’énergie très proches. Il s’observe essentiellement par une raie spectrale dans le domaine radio ou micro-onde, comme la raie à 21 centimètres de l’hydrogène atomique. La structure hyperfine s’explique en physique quantique comme une interaction entre deux dipôles magnétiques : Le dipôle magnétique nucléaire résultant du spin nucléaire ; Le dipôle magnétique électronique lié au moment cinétique orbital et au spin de l’électron.
Effet Zeemanvignette|Photo de l'effet Zeeman, prise en 1896 par Pieter Zeeman. L’effet Zeeman désigne la séparation d'un niveau atomique d'énergie défini d'un atome ou d'une molécule en plusieurs sous-niveaux d'énergies distinctes, sous l'effet d'un champ magnétique externe. Il y a donc levée de dégénérescence des niveaux énergétiques. L'effet s'observe aisément par spectroscopie : lorsqu'une source de lumière est plongée dans un champ magnétique statique, ses raies spectrales se séparent en plusieurs composantes.
Spectroscopie Mössbauerthumb|right|250px|Spectre Mössbauer du 57Fe La spectroscopie Mössbauer est une méthode de spectroscopie basée sur l'absorption de rayons gamma par les noyaux atomiques dans un solide. Par la mesure des transitions entre les niveaux d'énergie de ces noyaux, elle permet de remonter à différentes informations sur l'environnement local de l'atome. Elle doit son nom à Rudolf Mössbauer qui en a posé les bases en 1957 en démontrant l'existence de ces phénomènes d'absorption résonante sans effet de recul, ce qu'on appelle aujourd'hui l'effet Mössbauer.
Arbre de décisionvignette| Arbre de décision Un arbre de décision est un outil d'aide à la décision représentant un ensemble de choix sous la forme graphique d'un arbre. Les différentes décisions possibles sont situées aux extrémités des branches (les « feuilles » de l'arbre), et sont atteintes en fonction de décisions prises à chaque étape. L'arbre de décision est un outil utilisé dans des domaines variés tels que la sécurité, la fouille de données, la médecine, etc. Il a l'avantage d'être lisible et rapide à exécuter.
Validation croiséeLa validation croisée () est, en apprentissage automatique, une méthode d’estimation de fiabilité d’un modèle fondée sur une technique d’échantillonnage. Supposons posséder un modèle statistique avec un ou plusieurs paramètres inconnus, et un ensemble de données d'apprentissage sur lequel on peut apprendre (ou « entraîner ») le modèle. Le processus d'apprentissage optimise les paramètres du modèle afin que celui-ci corresponde le mieux possible aux données d'apprentissage.
Forêt d'arbres décisionnelsvignette|Illustration du principe de construction d'une forêt aléatoire comme agrégation d'arbre aléatoires. En apprentissage automatique, les forêts d'arbres décisionnels (ou forêts aléatoires de l'anglais random forest classifier) forment une méthode d'apprentissage ensembliste. Ils ont été premièrement proposées par Ho en 1995 et ont été formellement proposées en 2001 par Leo Breiman et Adele Cutler. Cet algorithme combine les concepts de sous-espaces aléatoires et de bagging.
