Neural networkA neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.
Relevé du décalage vers le rougedroite|vignette|300x300px|Le rendu des données du relevé 2dFGRS En astronomie, un relevé du décalage vers le rouge (en anglais redshift survey) est un relevé astronomique d'une section du ciel pour mesurer le décalage vers le rouge (redshift) des objets célestes. Il s'agit habituellement de galaxies, mais parfois aussi d'autres objets tels que les amas de galaxies ou les quasars. À l'aide de la loi de Hubble, le décalage vers le rouge peut être utilisé pour estimer la distance entre un objet et la Terre.
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.
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 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).
Analyse en composantes principalesL'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou, selon le domaine d'application, transformation de Karhunen–Loève (KLT) ou transformation de Hotelling, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux.
Lumière fatiguéeLa lumière fatiguée ou « fatigue de la lumière » est une hypothèse proposée pour expliquer la loi de Hubble sans faire intervenir une expansion de l'Univers. Cette loi est déduite de l'observation d'un décalage vers le rouge proportionnel à la distance pour les galaxies. Cette idée a été préconisée par Fritz Zwicky en 1929 comme explication alternative possible. L'expression a été inventée d'après Richard Tolman — comme une interprétation alternative de celle de Georges Lemaître et d'Edwin Hubble du décalage vers le rouge cosmique.
Lentille gravitationnelle fortevignette|Photographie d'un anneau d'Einstein prise par le télescope spatial Hubble. Les lentilles gravitationnelles fortes sont un type de lentilles gravitationnelles qui sont assez fortes pour produire des images multiples, des arcs, et même des anneaux d'Einstein. En général, l'effet de lentille gravitationnelle forte demande une masse de lentille projeté d'une densité massique plus grande que la . Pour une source d'arrière-plan ponctuelle, il y aura plusieurs images, alors que des sources d'arrière-plan étendues entraîneront des arcs ou des anneaux.
Réionisationvignette|Place de l'âge de réionisation dans la chronologie de l'univers, de 400 millions à 1 milliard d'années après le Big Bang. En cosmologie, la réionisation représente l’époque, juste après les âges sombres, où un grand nombre d’atomes existant dans l’Univers a été ionisé par le rayonnement intense de la probable toute première génération d’étoiles à avoir illuminé l’Univers, les étoiles de population III. Elles ont été créées durant l'aube cosmique, qui se poursuit durant la réionisation.
Apprentissage par renforcement profondL'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.
