PlanisphèreUn planisphère est une représentation plane de la surface du globe terrestre. La sphère étant une surface courbe, les formes et les tailles des continents, mers, pays, etc ne pourront pas être préservés. Le terme mappemonde est, dans son sens strict, une carte représentant toutes les parties du globe terrestre divisé en deux hémisphères enfermés chacun dans un grand cercle. La création d’un planisphère demande des informations générales sur la planète, notamment les formes et positions relatives des océans ou des continents.
GraphismeLe graphisme est une discipline qui consiste à créer, choisir et utiliser des éléments graphiques (dessins, caractères typographiques, photos, couleurs, etc.) pour élaborer un objet de communication et/ou de culture. C'est une manière de représenter. Chacun des éléments est symbolique et signifiant dans la conception du projet, selon les axes définis éventuellement avec d'autres intervenants du domaine de la communication, dans le but de promouvoir, d'informer ou d'instruire. Selon Annick Lantenois, .
GraphisteUn graphiste est un professionnel de la communication qui conçoit des solutions de communication visuelle. Il travaille sur le sens des messages à l'aide des formes graphiques qu'il utilise sur tout type de supports. Le graphiste est alors un médiateur qui agit sur les conditions de réception et d’appropriation des informations et des savoirs qu’il met en forme. Ses connaissances reposent sur la typographie, l'usage des signes et des s, l'art de la mise en page.
Learning rateIn machine learning and statistics, the learning rate is a tuning parameter in an optimization algorithm that determines the step size at each iteration while moving toward a minimum of a loss function. Since it influences to what extent newly acquired information overrides old information, it metaphorically represents the speed at which a machine learning model "learns". In the adaptive control literature, the learning rate is commonly referred to as gain. In setting a learning rate, there is a trade-off between the rate of convergence and overshooting.
Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
Madhava seriesIn mathematics, a Madhava series is one of the three Taylor series expansions for the sine, cosine, and arctangent functions discovered in 14th or 15th century Kerala by the mathematician and astronomer Madhava of Sangamagrama (c. 1350 – c. 1425) or his followers in the Kerala school of astronomy and mathematics. Using modern notation, these series are: All three series were later independently discovered in 17th century Europe.
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.
Quasi-projective varietyIn mathematics, a quasi-projective variety in algebraic geometry is a locally closed subset of a projective variety, i.e., the intersection inside some projective space of a Zariski-open and a Zariski-closed subset. A similar definition is used in scheme theory, where a quasi-projective scheme is a locally closed subscheme of some projective space. An affine space is a Zariski-open subset of a projective space, and since any closed affine subset can be expressed as an intersection of the projective completion and the affine space embedded in the projective space, this implies that any affine variety is quasiprojective.
Carte routièrethumb|Carte du réseau autoroutier trans-Afrique thumb|portion de la Tabula Peutingeriana thumb|Carte de 1929 de la Nouvelle Angleterre dessinée par Gousha fpour Gulf Oil thumb|carte des rues de Paris thumb|Carte routière schématique thumb|Carte de la Louisiane en 1853, avec en encart les rues de la Nouvelle Orléans thumb|Légende de la carte Michelin de 1940 Une carte routière est une représentation schématique des axes routiers destinée principalement aux automobilistes pour trouver leur itinéraire et pour i
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.
