Réseau neuronal convolutifEn apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.
Espèce clé de voûteUne espèce clé de voûte est « une espèce qui a un effet important et disproportionné par rapport à son abondance » sur la stabilité et la diversité spécifique d'une communauté. La caractère clé de voûte d'une espèce n'est pas intrinsèque. En effet, le rôle d'une espèce au sein d'une communauté dépend des conditions biotiques et abiotiques du milieu dans lequel elle se trouve. Ce concept a été introduit pour la première fois par R. T. Paine dans son article « A note on trophic Complexity and Community stability », publié en 1969.
Abondance (écologie)thumb|upright=1.2|On estime que la Tourte voyageuse, maintenant disparue, était l’un des oiseaux les plus abondants au monde avec une population se situant entre 3 et 5 milliards d’individus. Ici un individu naturalisé du Boston Museum of Science. thumb|upright=1.2|Le Travailleur à bec rouge revendique maintenant le statut d’espèce aviaire la plus abondante au monde avec une population d’environ 1,5 milliard d’individus. thumb|upright=1.2|Les activités humaines peuvent avoir un impact important sur l’abondance de nombreuses espèces vivantes.
Réseau neuronal résidueldroite|vignette| Forme canonique d'un réseau neuronal résiduel. Une couche l − 1 est ignoré sur l'activation de l − 2. Un réseau neuronal résiduel ( ResNet ) est un réseau neuronal artificiel (ANN). Il s'agit d'une variante du HighwayNet , le premier réseau neuronal à action directe très profond avec des centaines de couches, beaucoup plus profond que les réseaux neuronaux précédents. Les sauts de connexion ou "raccourcis" sont utilisés pour passer par-dessus certaines couches ( les HighwayNets peuvent également avoir des poids pour les saut eux-mêmes, grâce à une matrice de poids supplémentaire pour leurs portes).
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.
Apprentissage automatiqueL'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
Réseau de neurones à propagation avantUn réseau de neurones à propagation avant, en anglais feedforward neural network, est un réseau de neurones artificiels acyclique, se distinguant ainsi des réseaux de neurones récurrents. Le plus connu est le perceptron multicouche qui est une extension du premier réseau de neurones artificiel, le perceptron inventé en 1957 par Frank Rosenblatt. vignette|Réseau de neurones à propagation avant Le réseau de neurones à propagation avant est le premier type de réseau neuronal artificiel conçu. C'est aussi le plus simple.
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.
Réseau trophiquevignette|Deux représentations rendant compte du fonctionnement d'un écosystème : pyramide écologique (a) et réseau trophique (b). Un réseau trophique est un ensemble de chaînes alimentaires reliées entre elles au sein d'un écosystème et par lesquelles l'énergie et la biomasse circulent (échanges d'éléments tels que le flux de carbone et d'azote entre les différents niveaux de la chaîne alimentaire, échange de carbone entre les végétaux autotrophes et les hétérotrophes).
Superprédateurthumb|right|L'orque adulte en bonne santé n'est la proie d'aucune autre espèce animale et est le superprédateur dont l'aire de répartition est la plus importante. vignette|En superprédateur, le lion régule les espèces en s'attaquant en priorité aux plus faibles des troupeaux. thumb|L'ours brun n'a plus de prédateur naturel mais ce n'est pas un grand chasseur, se nourrissant notamment de charognes et de baies.
