Publication
Topology classification with deep learning to improve real-time event selection at the LHC
Concepts associés (35)
Apprentissage profond
L'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.
Topologie géométrique
En mathématiques, la topologie géométrique est l'étude des variétés et des applications entre elles, en particulier les plongements d'une variété dans une autre. Quelques exemples de sujets en topologie géométrique sont l'orientablité, la décomposition en anses, la platitude locale et le théorème de Jordan-Schoenflies dans le plan et en dimensions supérieures.
Collisionneur
vignette|Photographie d'un morceau du Large Hadron Collider, le plus grand collisionneur de particules du monde (27 km de diamètre). Un collisionneur est un type d'accélérateur de particules mettant en jeu des faisceaux dirigés de particules élémentaires. Les collisionneurs se répartissent en accélérateurs circulaires et accélérateurs linéaires. En physique des particules, pour en savoir davantage sur les particules élémentaires on accélère ces dernières jusqu'à ce qu'elles atteignent une énergie cinétique élevée et on les fait entrer en collision avec d'autres particules.
Sélection de parentèle
La est une théorie permettant d'expliquer l'apparition, au cours de l'évolution, d'un comportement altruiste chez des organismes vis-à-vis d'autres organismes. Elle affirme, en général, que les instincts altruistes augmentent avec l'apparentement sous l'effet de la sélection naturelle. La sélection de parentèle permet d'expliquer l'origine des comportements altruistes au sein des sociétés animales. Cette théorie fut développée en 1964 par le biologiste anglais William Donald Hamilton et le premier résultat théorique d'importance fut produit par le biologiste américain George Price en 1970 et publié dans Nature.
Sélection de groupe
vignette|En 1994, et , propose la théorie de la sélection multi-niveaux, illustrée par l'emboîtement de poupées russes. La sélection naturelle pourrait s'exercer au niveau du gène, de la cellule, de l'organisme ou du groupe La sélection de groupe est une généralisation de la théorie de l'évolution par voie de sélection naturelle de Darwin, selon laquelle un groupe d'organismes qui coopèrent fonctionne mieux, à terme, qu'un groupe dont les membres sont en compétition.
Données brutes
Les données brutes (aussi connu comme données primaires) sont les données non interprétées émanant d'une source primaire, ayant des caractéristiques liées à celle-ci et qui n'ont été soumises à aucun traitement ou toute autre manipulation. Les données brutes peuvent être entrées dans un programme informatique ou utilisées dans des procédures manuelles telles que l'analyse statistique d'une enquête. Il peut s'agir des données binaires des périphériques de stockage électroniques comme les lecteurs de disque dur.
Apprentissage par renforcement profond
L'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.
Système temps réel
En informatique, on parle d'un système temps réel lorsque ce système est capable de contrôler (ou piloter) un procédé physique à une vitesse adaptée à l'évolution du procédé contrôlé. Les systèmes informatiques temps réel se différencient des autres systèmes informatiques par la prise en compte de contraintes temporelles dont le respect est aussi important que l'exactitude du résultat, autrement dit le système ne doit pas simplement délivrer des résultats exacts, il doit les délivrer dans des délais imposés.
Family-wise error rate
In statistics, family-wise error rate (FWER) is the probability of making one or more false discoveries, or type I errors when performing multiple hypotheses tests. John Tukey developed in 1953 the concept of a familywise error rate as the probability of making a Type I error among a specified group, or "family," of tests. Ryan (1959) proposed the related concept of an experimentwise error rate, which is the probability of making a Type I error in a given experiment.
Q-learning
vignette|400x400px|Dans le Q-learning, l'agent exécute une action a en fonction de l'état s et d'une fonction Q. Il perçoit alors le nouvel état s' et une récompense r de l'environnement. Il met alors à jour la fonction Q. Le nouvel état s' devient alors l'état s, et l'apprentissage continue. En intelligence artificielle, plus précisément en apprentissage automatique, le Q-learning est un algorithme d'apprentissage par renforcement. Il ne nécessite aucun modèle initial de l'environnement.