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.
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.
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.
Reconnaissance de formesthumb|Reconnaissance de forme à partir de modélisation en 3D La reconnaissance de formes (ou parfois reconnaissance de motifs) est un ensemble de techniques et méthodes visant à identifier des régularités informatiques à partir de données brutes afin de prendre une décision dépendant de la catégorie attribuée à ce motif. On considère que c'est une branche de l'intelligence artificielle qui fait largement appel aux techniques d'apprentissage automatique et aux statistiques.
Weak supervisionWeak supervision, also called semi-supervised learning, is a paradigm in machine learning, the relevance and notability of which increased with the advent of large language models due to large amount of data required to train them. It is characterized by using a combination of a small amount of human-labeled data (exclusively used in more expensive and time-consuming supervised learning paradigm), followed by a large amount of unlabeled data (used exclusively in unsupervised learning paradigm).
Variété de drapeaux généraliséeEn mathématiques, une variété de drapeaux généralisée ou tordue est un espace homogène d'un groupe (algébrique ou de Lie) qui généralise les espaces projectifs, les grassmanniennes, les quadriques projectives et l'espace de tous les drapeaux de signature donnée d'un espace vectoriel. La plupart des espaces homogènes de points ou de figures de la géométrie classique sont des variétés de drapeaux généralisées ou des espaces symétriques ou des variétés symétriques (analogues en géométrie algébrique des espaces symétriques), ou leur sont liés.
Exec (system call)In computing, exec is a functionality of an operating system that runs an in the context of an already existing process, replacing the previous executable. This act is also referred to as an overlay. It is especially important in Unix-like systems, although it exists elsewhere. As no new process is created, the process identifier (PID) does not change, but the machine code, data, heap, and stack of the process are replaced by those of the new program.
Flux standardEn informatique, les flux standard (standard stream en anglais) sont des canaux pour l'entrée et la sortie de données sur les systèmes d'exploitation UNIX et assimilés. L'accès à ces flux est habituellement fourni par la bibliothèque stdio.h du langage de programmation C. Ces flux sont au nombre de trois, au travers desquels les programmes peuvent faire entrer ou sortir des informations. Les utilisateurs connaissent généralement ces flux comme moyen par lequel un texte provenant d'un input device, et un texte s'affichant sur un afficheur sont transmis.
Sparse dictionary learningSparse dictionary learning (also known as sparse coding or SDL) is a representation learning method which aims at finding a sparse representation of the input data in the form of a linear combination of basic elements as well as those basic elements themselves. These elements are called atoms and they compose a dictionary. Atoms in the dictionary are not required to be orthogonal, and they may be an over-complete spanning set. This problem setup also allows the dimensionality of the signals being represented to be higher than the one of the signals being observed.
Variété algébrique affineEn géométrie algébrique, une variété affine est un modèle local pour les variétés algébriques, c'est-à-dire que celles-ci sont obtenues par recollement de variétés affines. Grossièrement, une variété affine est un ensemble algébrique affine X avec une structure algébrique supplémentaire qui est la donnée de l'anneau des fonctions régulières sur chaque partie ouverte de X. Ensemble algébrique Le point de vue le plus simple pour décrire une variété algébrique affine est l'ensemble des solutions d'un système d'équations polynomiales à coefficients dans un corps commutatif K.
