Matière dégénéréeOn dit de la matière qu'elle est dégénérée lorsque sa densité est suffisamment élevée pour que le principe d'exclusion de Pauli intervienne à l'échelle macroscopique, ce qui a pour conséquence de modifier la relation qui lie normalement la pression et le volume d'un gaz avec sa température. À partir d'une certaine pression (ou d'une certaine densité), la matière est déstructurée et se comporte comme un gaz. Elle subit alors une force, exercée par ses électrons, qui s'oppose à sa contraction et empêche sa densité d'augmenter, la pression de dégénérescence.
Statistical assumptionStatistics, like all mathematical disciplines, does not infer valid conclusions from nothing. Inferring interesting conclusions about real statistical populations almost always requires some background assumptions. Those assumptions must be made carefully, because incorrect assumptions can generate wildly inaccurate conclusions. Here are some examples of statistical assumptions: Independence of observations from each other (this assumption is an especially common error). Independence of observational error from potential confounding effects.
Matière noirevignette|redresse=1.1|Répartition de la densité d'énergie de l'Univers après exploitation des premières données du satellite Planck. La matière noire en est une des composantes principales. La matière noire ou matière sombre, est une catégorie de matière hypothétique, invoquée dans le cadre du Modèle ΛCDM pour rendre compte de certaines observations astrophysiques, notamment les estimations de la masse des galaxies ou des amas de galaxies et les propriétés des fluctuations du fond diffus cosmologique.
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.
Medical image computingMedical image computing (MIC) is an interdisciplinary field at the intersection of computer science, information engineering, electrical engineering, physics, mathematics and medicine. This field develops computational and mathematical methods for solving problems pertaining to medical images and their use for biomedical research and clinical care. The main goal of MIC is to extract clinically relevant information or knowledge from medical images.
Substance grisethumb|Hémisphère droit d'un cerveau humain disséqué à la suite d'une coupe sagittale, révélant la substance grise dans la partie externe et la substance blanche dans la partie interne. La substance grise est la partie des tissus du système nerveux central composée essentiellement des corps cellulaires et de l'arbre dendritique des neurones ainsi que de certaines cellules gliales. Au microscope, la substance grise apparaît plus sombre que le reste du tissu nerveux, dit substance blanche, qui est essentiellement constitué des faisceaux de fibres axonales gainées de myéline, à la couleur blanchâtre.
Jeux d'entrainement, de validation et de testEn apprentissage automatique, une tâche courante est l'étude et la construction d'algorithmes qui peuvent apprendre et faire des prédictions sur les données. De tels algorithmes fonctionnent en faisant des prédictions ou des décisions basées sur les données, en construisant un modèle mathématique à partir des données d'entrée. Ces données d'entrée utilisées pour construire le modèle sont généralement divisées en plusieurs jeux de données .
État de la matièreEn physique, un état de la matière est une des quatre formes ordinaires que peut prendre toute substance dans la nature : solide, liquide, gaz, plasma. Diverses propriétés de la matière diffèrent selon l'état : degré de cohésion, densité, structure cristalline, indice de réfraction... Ces propriétés se traduisent par des « comportements » différents, décrits par les lois de la physique : malléabilité, ductilité, viscosité, loi des gaz parfaits... vignette|Les différents états de la matière et leur changement d'état.
Modèles du neurone biologiquevignette|390x390px|Fig. 1. Dendrites, soma et axone myélinisé, avec un flux de signal des entrées aux dendrites aux sorties aux bornes des axones. Le signal est une courte impulsion électrique appelée potentiel d'action ou impulsion. vignette|Figure 2. Évolution du potentiel postsynaptique lors d'une impulsion. L'amplitude et la forme exacte de la tension peut varier selon la technique expérimentale utilisée pour acquérir le signal.
Critère d'information d'AkaikeLe critère d'information d'Akaike, (en anglais Akaike information criterion ou AIC) est une mesure de la qualité d'un modèle statistique proposée par Hirotugu Akaike en 1973. Lorsque l'on estime un modèle statistique, il est possible d'augmenter la vraisemblance du modèle en ajoutant un paramètre. Le critère d'information d'Akaike, tout comme le critère d'information bayésien, permet de pénaliser les modèles en fonction du nombre de paramètres afin de satisfaire le critère de parcimonie.
