Méthode sans maillageIn the field of numerical analysis, meshfree methods are those that do not require connection between nodes of the simulation domain, i.e. a mesh, but are rather based on interaction of each node with all its neighbors. As a consequence, original extensive properties such as mass or kinetic energy are no longer assigned to mesh elements but rather to the single nodes. Meshfree methods enable the simulation of some otherwise difficult types of problems, at the cost of extra computing time and programming effort.
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.
Développement multipolaireEn Physique, le développement multipolaire correspond au développement en série d'un potentiel scalaire, comme le potentiel électrique ou gravitationnel, utilisant de manière habituelle des puissances (ou des puissances inverses) de la distance à l'origine, ainsi que de la dépendance angulaire, et dont les coefficients sont appelés moments multipolaire. En principe, un développement multipolaire procure une description exacte du potentiel et converge généralement sous deux conditions, si les sources (i.e.
Histoires consistantesEn mécanique quantique, les histoires consistantes (également appelées histoires décohérentes ou histoires rationnelles) sont une tentative d'interprétation moderne de la mécanique quantique, généralisant l'interprétation conventionnelle de Copenhague et fournissant une interprétation naturelle de la cosmologie quantique. Elle repose sur un critère de consistance (cohérence logique) permettant l'attribution de probabilités à différentes histoires alternatives d'un système, probabilités respectant les règles de la probabilité classique tout en étant cohérentes avec l'équation de Schrödinger.
Algorithme d'apprentissage incrémentalEn informatique, un algorithme d'apprentissage incrémental ou incrémentiel est un algorithme d'apprentissage qui a la particularité d'être online, c'est-à-dire qui apprend à partir de données reçues au fur et à mesure du temps. À chaque incrément il reçoit des données d'entrées et un résultat, l'algorithme calcule alors une amélioration du calcul fait pour prédire le résultat à partir des données d'entrées.
Asymptotic analysisIn mathematical analysis, asymptotic analysis, also known as asymptotics, is a method of describing limiting behavior. As an illustration, suppose that we are interested in the properties of a function f (n) as n becomes very large. If f(n) = n2 + 3n, then as n becomes very large, the term 3n becomes insignificant compared to n2. The function f(n) is said to be "asymptotically equivalent to n2, as n → ∞". This is often written symbolically as f (n) ~ n2, which is read as "f(n) is asymptotic to n2".
Méthode des éléments finisEn analyse numérique, la méthode des éléments finis (MEF, ou FEM pour finite element method en anglais) est utilisée pour résoudre numériquement des équations aux dérivées partielles. Celles-ci peuvent par exemple représenter analytiquement le comportement dynamique de certains systèmes physiques (mécaniques, thermodynamiques, acoustiques).
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.
OrbifoldEn mathématiques, un orbifold (parfois appelé aussi orbivariété) est une généralisation de la notion de variété contenant de possibles singularités. Ces espaces ont été introduits explicitement pour la première fois par Ichirō Satake en 1956 sous le nom de V-manifolds. Pour passer de la notion de variété (différentiable) à celle d'orbifold, on ajoute comme modèles locaux tous les quotients d'ouverts de par l'action de groupes finis. L'intérêt pour ces objets a été ravivé considérablement à la fin des années 70 par William Thurston en relation avec sa conjecture de géométrisation.
Espace de TeichmüllerEn mathématiques, l'espace de Teichmüller d'une surface (réelle) topologique (ou différentielle) , est un espace qui paramétrise des structures complexes sur à l'action des homéomorphismes isotopes à l'identité près. Les espaces Teichmüller portent le nom d'Oswald Teichmüller. Chaque point d'un espace de Teichmüller peut être considérée comme une classe d'isomorphismes de surfaces de Riemann "marquées", où un "marquage" est une classe d'isotopie d'homéomorphismes de sur lui-même.
