Spectroscopie RMNvignette|redresse|Spectromètre RMN avec passeur automatique d'échantillons utilisé en chimie organique pour la détermination des structures chimiques. vignette|redresse|Animation présentant le principe de la Résonance Magnétique Nucléaire (RMN). La spectroscopie RMN est une technique qui exploite les propriétés magnétiques de certains noyaux atomiques. Elle est basée sur le phénomène de résonance magnétique nucléaire (RMN), utilisé également en sous le nom d’.
Spectroscopie RMN en deux dimensionsLa spectroscopie RMN en deux dimensions ou spectroscopie RMN bidimensionnelle ou encore RMN-2D est un ensemble de dispositifs de reconnaissance de relations de proximité, dans l'espace ou à travers les liaisons, entre plusieurs noyaux actifs en RMN. Il s'agit de RMN de corrélation. Dans une expérience de spectroscopie RMN bidimensionnelle, le résultat est un spectre en trois dimensions : le déplacement chimique pour le noyau 1 (δ1), le déplacement chimique pour le noyau 2 (δ2) et l'intensité du signal.
Résonance magnétique nucléairevignette|175px|Spectromètre de résonance magnétique nucléaire. L'aimant de 21,2 T permet à l'hydrogène (H) de résonner à . La résonance magnétique nucléaire (RMN) est une propriété de certains noyaux atomiques possédant un spin nucléaire (par exemple H, C, O, F, P, Xe...), placés dans un champ magnétique. Lorsqu'ils sont soumis à un rayonnement électromagnétique (radiofréquence), le plus souvent appliqué sous forme d'impulsions, les noyaux atomiques peuvent absorber l'énergie du rayonnement puis la relâcher lors de la relaxation.
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.
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.
