Cyclotronvignette|redresse=2|Un électroaimant de cyclotron au Lawrence Hall of Science. Les parties noires sont en acier et se prolongent sous terre. Les bobines de l'aimant sont situées dans les cylindres blancs. La chambre à vide se situerait dans l’espace horizontal entre les pôles de l'aimant. vignette|droite|upright=1.25|Cœur du premier cyclotron belge, construit à Heverlee en 1947. Le cyclotron est un type d’accélérateur de particules inventé par Ernest Orlando Lawrence et Milton Stanley Livingston de l'Université de Californie à Berkeley au début des années 1930.
Grand collisionneur de hadronsvignette|Tunnel du LHC avec le tube contenant les électroaimants supraconducteurs. Le Grand collisionneur de hadrons (en anglais : Large Hadron Collider — LHC), est un accélérateur de particules mis en fonction en 2008 au CERN et situé dans la région frontalière entre la France et la Suisse entre la périphérie nord-ouest de Genève et le pays de Gex (France). C'est le plus puissant accélérateur de particules construit à ce jour, a fortiori depuis son amélioration achevée en 2015 après deux ans de mise à l'arrêt.
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.
Condition initialeEn physique ou en mathématique, on définit comme conditions initiales les éléments nécessaires à la détermination de la solution complète et si possible unique d'un problème, éléments qui décrivent l'état du système à l'instant initial, c'est-à-dire l'état de départ. Plus formellement, on appelle « condition initiale » l'espace d'état d'un système étudié à l'instant initial. C'est ce qui permet de déterminer les coefficients des solutions des équations différentielles, par exemple les équations de mouvement des corps.
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.
Réseau de neurones récurrentsUn réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.
Types of artificial neural networksThere are many types of artificial neural networks (ANN). Artificial neural networks are computational models inspired by biological neural networks, and are used to approximate functions that are generally unknown. Particularly, they are inspired by the behaviour of neurons and the electrical signals they convey between input (such as from the eyes or nerve endings in the hand), processing, and output from the brain (such as reacting to light, touch, or heat). The way neurons semantically communicate is an area of ongoing research.
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.
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 par cœurvignette|250px|Un tableau de Nikolaos Gysis de 1883, « apprendre par cœur ». L'apprentissage par cœur ou par cœur est une technique de mémorisation basée sur la répétition. L'idée est que plus l'individu répète une notion, plus il va rapidement être en mesure de rappeler celle-ci. Certaines des alternatives à l'apprentissage par cœur comprennent l'apprentissage par le sens, l'apprentissage associatif, et l'apprentissage actif.
