Rule-based machine learningRule-based machine learning (RBML) is a term in computer science intended to encompass any machine learning method that identifies, learns, or evolves 'rules' to store, manipulate or apply. The defining characteristic of a rule-based machine learner is the identification and utilization of a set of relational rules that collectively represent the knowledge captured by the system. This is in contrast to other machine learners that commonly identify a singular model that can be universally applied to any instance in order to make a prediction.
Intérêts composésUn capital est placé à intérêts composés lorsque les intérêts de chaque période sont incorporés au capital pour l'augmenter progressivement et porter intérêts à leur tour. C'est une notion antagoniste à celle d'intérêts simples, où les intérêts ne sont pas réinvestis pour devenir à leur tour porteurs d'intérêts. Pour calculer des intérêts composés annuellement, il faut utiliser une suite géométrique, dont la formule est : où est la valeur finale, la valeur initiale, le taux d'intérêt sur une période, et le nombre de périodes (d'années, semestres, trimestres, etc.
Record linkageRecord linkage (also known as data matching, data linkage, entity resolution, and many other terms) is the task of finding records in a data set that refer to the same entity across different data sources (e.g., data files, books, websites, and databases). Record linkage is necessary when joining different data sets based on entities that may or may not share a common identifier (e.g., database key, URI, National identification number), which may be due to differences in record shape, storage location, or curator style or preference.
Taux d'intérêtLe taux d'intérêt d'un prêt ou d'un emprunt fixe la rémunération du capital prêté (exprimée en pourcentage du montant prêté) versée par l'emprunteur au prêteur. Le taux et les modalités de versement de cette rémunération sont fixés lors de la conclusion du contrat de prêt. Ce pourcentage tient compte de la durée du prêt, de la nature des risques encourus et des garanties offertes par le prêteur. Les taux d'intérêt sont utilisés dans de multiples domaines, des instruments financiers jusqu'aux produits d'épargne (compte d'épargne), en passant par les obligations.
Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
Taux d'intérêt réelEn économie et en sciences actuarielles, le taux d'intérêt réel est le taux d'intérêt nominal auquel on doit effectuer une correction afin qu'il tienne compte du taux d'inflation et de la prime de risque. Avec un taux d'intérêt nominal et un taux d'inflation , tous deux mesurés sur une même période, l'équation du taux d'intérêt réel, noté , sur cette période est la suivante: Il est possible, de façon intuitive, d'approximer le taux d'intérêt réel de la façon suivante : En fait, cette équation approximative peut être déterminée ex post grâce à l'équation de Fisher : Où est le taux d'intérêt réel, le taux d'intérêt nominal, et le taux d'inflation.
