DataFranca - Contributions [fr]

Abaque de la loi de Poisson

2022-07-15T22:20:35Z

Sihem :

== Définition ==
La loi de Poisson décrit la probabilité qu'un événement se produise durant un intervalle de temps donné, alors que la probabilité de réalisation d'un événement est très faible, et que le nombre d'essais est très grand.

== Français ==
'''abaque de la loi de Poisson'''

== Anglais ==
'''Poisson probability paper'''



[http://isi.cbs.nl/glossary/term2504.htm Source : ISI ]

[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=abaque+loi+poisson&index=alt&codom2nd_wet=1 Source : Termium]

[[:Catégorie:Statistiques | © Glossaire de la statistique DataFranca]] 
[[Catégorie:publication]]

Théorie des probabilités

2021-01-25T05:27:52Z

Sihem :

==en construction==

== Définition ==
La théorie des probabilités en mathématiques est l’étude des phénomènes caractérisés par le hasard et l’incertitude. Elle forme avec la statistique les deux sciences du hasard qui sont partie intégrante des mathématiques. Les débuts de l’étude des probabilités correspondent aux premières observations du hasard dans les jeux ou dans les phénomènes climatiques par exemple.

== Français ==
''' Théorie des probabilités'''

== Anglais ==
''' Probability theory'''



[https://fr.wikipedia.org/wiki/Th%C3%A9orie_des_probabilit%C3%A9s Source : Wikipedia ]

[[Catégorie:vocabulary]]
[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Test d'hypothèses

2021-01-25T04:10:39Z

Sihem :

==en construction==

== Définition ==
Le processus de test d’hypothèse consiste à tirer des inférences ou des conclusions sur l’ensemble de la population ou des données en effectuant des tests statistiques sur un échantillon. Les mêmes inférences sont tirées pour différents modèles d’apprentissage automatique par le test T.

Pour tirer quelques inférences, nous devons faire des hypothèses qui conduisent à deux termes qui sont utilisés dans le test d’hypothèse.

Hypothèse nulle : il s’agit de l’hypothèse selon laquelle il n’y a pas de modèle d’anomalie ou de croyance selon l’hypothèse faite.

Hypothèse alternative : contrairement à l’hypothèse nulle, elle montre que l’observation est le résultat d’un effet réel.

== Français ==
''' Test d'hypothèse'''

== Anglais ==
''' Hypothesis Testing '''


https://www.datacamp.com/community/tutorials/hypothesis-testing-machine-learning

https://www.coursera.org/learn/ibm-ai-workflow-data-analysis-hypothesis-testing

[https://fr.wikipedia.org/wiki/Test_statistique Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]

[[Catégorie:9]]

Test d'hypothèses

2021-01-25T04:09:47Z

Sihem :

==en construction==

== Définition ==
Le processus de test d’hypothèse consiste à tirer des inférences ou des conclusions sur l’ensemble de la population ou des données en effectuant des tests statistiques sur un échantillon. Les mêmes inférences sont tirées pour différents modèles d’apprentissage automatique par le test T.

Pour tirer quelques inférences, nous devons faire des hypothèses qui conduisent à deux termes qui sont utilisés dans le test d’hypothèse.

Hypothèse nulle : il s’agit de l’hypothèse selon laquelle il n’y a pas de modèle d’anomalie ou de croyance selon l’hypothèse faite.
Hypothèse alternative : contrairement à l’hypothèse nulle, elle montre que l’observation est le résultat d’un effet réel.

== Français ==
''' Test d'hypothèse'''

== Anglais ==
''' Hypothesis Testing '''


https://www.datacamp.com/community/tutorials/hypothesis-testing-machine-learning

https://www.coursera.org/learn/ibm-ai-workflow-data-analysis-hypothesis-testing

[https://fr.wikipedia.org/wiki/Test_statistique Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]

[[Catégorie:9]]

Signification statistique

2021-01-24T18:46:41Z

Sihem :

==en construction==

== Définition ==
En statistiques, le résultat d’études qui portent sur des échantillons de population est dit statistiquement significatif lorsqu’il semble exprimer de façon fiable un fait auquel on s’intéresse, par exemple la différence entre deux groupes ou une corrélation entre deux données.

En d’autres termes, il est alors très peu probable que ce résultat apparent soit en fait trompeur s’il n’est pas dû, par exemple, à un échantillon erroné (en), trop petit ou autrement non représentatif (surtout si la population est très diverse). Cette fiabilité se traduit généralement par des valeurs, différences de valeurs, ou rapports entre valeurs, suffisamment élevées ou au contraire faibles.

== Français ==
''' Signification statistique '''

'''statistiquement significatif'''

== Anglais ==
''' Statistical significance'''

'''statistically significant'''



[https://fr.wikipedia.org/wiki/Signification_statistique Source : wikipedia]

[https://en.wikipedia.org/wiki/Statistical_significance Source : wikipedia]

[[Catégorie:vocabulary]]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Signification statistique

2021-01-24T18:45:47Z

Sihem :

==en construction==

== Définition ==
En statistiques, le résultat d’études qui portent sur des échantillons de population est dit statistiquement significatif lorsqu’il semble exprimer de façon fiable un fait auquel on s’intéresse, par exemple la différence entre deux groupes ou une corrélation entre deux données.
En d’autres termes, il est alors très peu probable que ce résultat apparent soit en fait trompeur s’il n’est pas dû, par exemple, à un échantillon erroné (en), trop petit ou autrement non représentatif (surtout si la population est très diverse). Cette fiabilité se traduit généralement par des valeurs, différences de valeurs, ou rapports entre valeurs, suffisamment élevées ou au contraire faibles.

== Français ==
''' Signification statistique '''

'''statistiquement significatif'''

== Anglais ==
''' Statistical significance'''

'''statistically significant'''



[https://fr.wikipedia.org/wiki/Signification_statistique Source : wikipedia]

[https://en.wikipedia.org/wiki/Statistical_significance Source : wikipedia]

[[Catégorie:vocabulary]]

[[Catégorie:vocabulaire]]

Segmentation en analyse de texte

2021-01-24T04:09:37Z

Sihem :

==en construction==

== Définition ==
En fouille de texte, il s'agit d'une segmentation non supervisée pour l'organisation de documents, ou de textes dans des documents, parfois appelée aussi filtrage, impliquant des algorithmes comme les arbres de classification ou l'algorithme SVM (Support Vector Machine).

== Français ==
''' Segmentation en analyse de texte'''

== Anglais ==
''' clustering in text analysis'''



[https://fr.wikipedia.org/wiki/Glossaire_de_l%27exploration_de_donn%C3%A9esSource : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Réseaux neuronaux à base radiale

2021-01-24T01:08:06Z

Sihem :

==en construction==

== Définition ==
Un neurone à base radiale est construit à partir d'une fonction du même nom. Au lieu de réaliser une somme pondérée de ses entrées, un tel neurone compare chaque entrée à une valeur de référence et produit une sortie d'autant plus grande (proche de 1) que les entrées sont proches des valeurs de références.

== Français ==
''' Neurone à base radiale '''

== Anglais ==
''' Radial Basis Neural Networks''' verifier si le titre en anglais convient



[https://fr.wikipedia.org/wiki/Neurone_formel#Autres_neurones_formels Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Règle d'association spatiale

2021-01-23T06:10:05Z

Sihem :

==en construction==

== Définition ==
Règle d’association spatiale en anglais (« spatial association rule ») : c’est une règle d’association où X ou Y contient des prédicats spatiaux - de types distance, direction, topologique - tels que proche, éloigné, contient, contigu… Alors que dans une règle d’association chaque occurrence (lignes dans une Bdd géographique) de l’association est une transaction, en analyse spatiale une occurrence représente un objet spatial (Paris, Londres..) d’un type d’objet spatial (ville, pays, bâtiment ..) analysé selon les prédicats (colonnes dans une Bdd géographique) 53.

== Français ==
''' Règle d'association spatiale '''

== Anglais ==
''' Spatial association rule'''



[https://fr.wikipedia.org/wiki/Glossaire_de_l%27exploration_de_donn%C3%A9es Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Recouvrement

2021-01-23T05:44:24Z

Sihem :

==en construction==

== Définition ==
En fouille de données spatiales, il s'agit du processus consistant à joindre et visualiser simultanément des données, provenant de sources diverses, localisées dans le même espace géographique

== Français ==
''' Recouvrement'''

== Anglais ==
''' Overlay '''



[https://fr.wikipedia.org/wiki/Recouvrement Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Règle d'association

2021-01-23T05:39:23Z

Sihem :

==en construction==

== Définition ==
Dans le domaine du data mining, la recherche des règles d’association est une méthode populaire étudiée d’une manière approfondie dont le but est de découvrir des relations ayant un intérêt pour le statisticien entre deux ou plusieurs variables stockées dans de très importantes bases de données. Piatetsky-Shapiro1 présentent des règles d’association extrêmement fortes, découvertes dans des bases de données, en utilisant différentes mesures d’intérêt. En se basant sur le concept de relations fortes, Rakesh Agrawal et son équipe2 présentent des règles d’association dont le but est de découvrir des similitudes entre des produits dans des données saisies sur une grande échelle dans les systèmes informatiques des points de vente des chaînes de supermarchés.
doit-on enlever l'exemple ou pas:
Un exemple de règle d’association extraite d’une base de données de ventes de supermarché pourrait indiquer qu’un client achetant des oignons et des pommes de terre simultanément, serait susceptible d’acheter un hamburger. Une telle information peut être utilisée comme base pour prendre des décisions marketing telles que des promotions ou des emplacements bien choisis pour les produits associés. En plus des exemples ci-dessus concernant le panier de la ménagère, les règles d’association sont employées aujourd’hui dans plusieurs domaines incluant celui de la fouille du web, de la détection d’intrusion et de la bio-informatique.

== Français ==
''' Règle d'association'''

== Anglais ==
''' Association rule '''



[https://fr.wikipedia.org/wiki/R%C3%A8gle_d%27association Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Règle d'association

2021-01-23T05:37:27Z

Sihem :

==en construction==

== Définition ==
Dans le domaine du data mining, la recherche des règles d’association est une méthode populaire étudiée d’une manière approfondie dont le but est de découvrir des relations ayant un intérêt pour le statisticien entre deux ou plusieurs variables stockées dans de très importantes bases de données. Piatetsky-Shapiro1 présentent des règles d’association extrêmement fortes, découvertes dans des bases de données, en utilisant différentes mesures d’intérêt. En se basant sur le concept de relations fortes, Rakesh Agrawal et son équipe2 présentent des règles d’association dont le but est de découvrir des similitudes entre des produits dans des données saisies sur une grande échelle dans les systèmes informatiques des points de vente des chaînes de supermarchés.
doit-on enlever l'exemple ou pas:
Un exemple de règle d’association extraite d’une base de données de ventes de supermarché pourrait indiquer qu’un client achetant des oignons et des pommes de terre simultanément, serait susceptible d’acheter un hamburger. Une telle information peut être utilisée comme base pour prendre des décisions marketing telles que des promotions ou des emplacements bien choisis pour les produits associés. En plus des exemples ci-dessus concernant le panier de la ménagère, les règles d’association sont employées aujourd’hui dans plusieurs domaines incluant celui de la fouille du web, de la détection d’intrusion et de la bio-informatique.

== Français ==
''' Règle d'association'''

== Anglais ==
''' association rule '''



[https://fr.wikipedia.org/wiki/R%C3%A8gle_d%27association Source : Wikipedia ]

[[Catégorie:vocabulaire]]

Robustesse

2021-01-23T05:05:00Z

Sihem :

==en construction==

== Définition ==
En statistiques, la robustesse d'un estimateur est sa capacité à ne pas être perturbé par une petite modification dans les données ou dans les paramètres du modèle choisi pour l'estimation.

== Français ==
''' Robustesse'''

== Anglais ==
''' Robustness '''



[https://fr.wikipedia.org/wiki/Robustesse_(statistiques) Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Robustesse

2021-01-23T05:04:25Z

Sihem :

==en construction==

== Définition ==
En statistiques, la robustesse d'un estimateur est sa capacité à ne pas être perturbé par une petite modification dans les données ou dans les paramètres du modèle choisi pour l'estimation.

== Français ==
''' Robustesse'''

== Anglais ==
''' robustness '''



[https://fr.wikipedia.org/wiki/Robustesse_(statistiques) Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Erreur vraisemblable

2021-01-23T04:51:13Z

Sihem :

== À REVOIR ==
== Définition ==
Un inlier est une valeur de données située à l’intérieur d’une distribution statistique et contient une erreur. Comme ils sont difficiles à distinguer des bonnes valeurs de données, ils sont parfois difficiles à trouver et à corriger. Par exemple une valeur dans un enregistrement signalée dans les mauvaises unités, en degrés Fahrenheit au lieu de degrés Celsius.

voir: '''[[Donnée aberrante]]''' | '''[[Identification des données aberrantes]]'''

== Français ==
'''Point pertinent'''

'''Donnée pertinente'''

== Anglais ==
'''inlier'''



[https://fr.wikipedia.org/wiki/RANSAC Source : wikipedia]

[https://towardsdatascience.com/120-data-scientist-interview-questions-and-answers-you-should-know-in-2021-b2faf7de8f3e Source : towardsdatascience ]

Source : Economic Commission for Europe of the United Nations (UNECE), "Glossary of Terms on Statistical Data
Editing", Conference of European Statisticians Methodological material, Geneva, 2000.

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Recouvrement

2021-01-23T04:49:18Z

Sihem :

==en construction==

== Définition ==
En fouille de données spatiales, il s'agit du processus consistant à joindre et visualiser simultanément des données, provenant de sources diverses, localisées dans le même espace géographique

== Français ==
''' Recouvrement'''

== Anglais ==
''' overlay '''



[https://fr.wikipedia.org/wiki/Recouvrement Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Maximum de vraisemblance stochastique

2021-01-23T04:40:04Z

Sihem :

== en construction ==
[[Catégorie:Vocabulaire]]
[[Catégorie:App-profond-livre]]
[[Catégorie:Apprentissage profond]]

== Définition ==

j'ai fait des petites rectifications , mais j'ai aussi ajouté cette introduction :

Nous dériverons une méthode stochastique de maximum de vraisemblance pour estimer les paramètres spatio-temporels des canaux.

De tels estimateurs sont nécessaires dans les études de propagation où des mesures et des sondages approfondis sont nécessaires. Ce sont des tâches fondamentales dans le processus de développement de modèles de canaux avancés.

Le modèle de signal est stochastique. La performance de la méthode proposée est comparée à l’algorithme SAGE où le modèle de signal est déterministe.

== Français ==
'''Maximum de vraisemblance stochastique'''

== Anglais ==
'''Stochastic maximum likelihood'''

We will derive a stochastic maximum likelihood method for estimating spatio-temporal channel parameters. Such estimators are needed in propagation studies where extensive channel measurements and sounding are required. These are seminal tasks in the process of developing advanced channel models. The proposed method employs angular Von Mises distribution model which is appropriate for directional data typically observed in channel measurement campaigns. The signal model is stochastic. The performance of the proposed method is compared to SAGE algorithm where the signal model is deterministic. The computational complexity of the proposed method is lower and channel parameters are estimated with higher fidelity because the underlying distribution model is well-suited for directional data.


[https://www.apprentissageprofond.org/ Source : ''L'apprentissage profond'', Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 ]

[https://ieeexplore.ieee.org/document/1368317 Source : ieeexplore.ieee.org]
[[Catégorie:sihem]]
[[Catégorie:9]]

Maximum de vraisemblance stochastique

2021-01-23T04:38:57Z

Sihem :

== en construction ==
[[Catégorie:Vocabulaire]]
[[Catégorie:App-profond-livre]]
[[Catégorie:Apprentissage profond]]

== Définition ==

j'ai fait des petites rectifications , mais j'ai aussi ajouté cette introduction :

Nous dériverons une méthode stochastique de maximum de vraisemblance pour estimer les paramètres spatio-temporels des canaux.

De tels estimateurs sont nécessaires dans les études de propagation où des mesures et des sondages approfondis sont nécessaires. Ce sont des tâches fondamentales dans le processus de développement de modèles de canaux avancés.

Le modèle de signal est stochastique. La performance de la méthode proposée est comparées à l’algorithme SAGE où le modèle de signal est déterministe.

== Français ==
'''Maximum de vraisemblance stochastique'''

== Anglais ==
'''Stochastic maximum likelihood'''

We will derive a stochastic maximum likelihood method for estimating spatio-temporal channel parameters. Such estimators are needed in propagation studies where extensive channel measurements and sounding are required. These are seminal tasks in the process of developing advanced channel models. The proposed method employs angular Von Mises distribution model which is appropriate for directional data typically observed in channel measurement campaigns. The signal model is stochastic. The performance of the proposed method is compared to SAGE algorithm where the signal model is deterministic. The computational complexity of the proposed method is lower and channel parameters are estimated with higher fidelity because the underlying distribution model is well-suited for directional data.


[https://www.apprentissageprofond.org/ Source : ''L'apprentissage profond'', Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 ]

[https://ieeexplore.ieee.org/document/1368317 Source : ieeexplore.ieee.org]
[[Catégorie:sihem]]
[[Catégorie:9]]

Maximum de vraisemblance stochastique

2021-01-23T04:35:41Z

Sihem :

== en construction ==
[[Catégorie:Vocabulaire]]
[[Catégorie:App-profond-livre]]
[[Catégorie:Apprentissage profond]]

== Définition ==

ajouter cette introduction :

Nous dériverons une méthode stochastique de maximum de vraisemblance pour estimer les paramètres spatio-temporels des canaux.

De tels estimateurs sont nécessaires dans les études de propagation où des mesures et des sondages approfondis sont nécessaires. Ce sont des tâches fondamentales dans le processus de développement de modèles de canaux avancés.

Le modèle de signal est stochastique. La performance de la méthode proposée est comparées à l’algorithme SAGE où le modèle de signal est déterministe.

== Français ==
'''Maximum de vraisemblance stochastique'''

== Anglais ==
'''Stochastic maximum likelihood'''

We will derive a stochastic maximum likelihood method for estimating spatio-temporal channel parameters. Such estimators are needed in propagation studies where extensive channel measurements and sounding are required. These are seminal tasks in the process of developing advanced channel models. The proposed method employs angular Von Mises distribution model which is appropriate for directional data typically observed in channel measurement campaigns. The signal model is stochastic. The performance of the proposed method is compared to SAGE algorithm where the signal model is deterministic. The computational complexity of the proposed method is lower and channel parameters are estimated with higher fidelity because the underlying distribution model is well-suited for directional data.


[https://www.apprentissageprofond.org/ Source : ''L'apprentissage profond'', Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 ]

[https://ieeexplore.ieee.org/document/1368317 Source : ieeexplore.ieee.org]

Manipulation de contenu par intelligence artificielle

2021-01-23T04:16:41Z

Sihem :

==en construction==

== Définition ==
Utilisation de logiciels ou d’algorithmes pour générer des articles, des rapports et d’autres types de contenu sans intervention humaine.

voir '''[[Création automatisée de contenu]]'''

voir '''[[Journalisme automatisé]]'''

== Français ==
'''Manipulation de contenu par intelligence artificielle ''' féminin 

'''Manipulation de contenu par IA''' féminin 

== Anglais ==
'''Artificial intelligence-powered content manipulation '''

'''AI-powered content manipulation '''



[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=manipulation+de+contenu+par+intelligence+artificielle+&index=alt&codom2nd_wet=1#resultrecs Source : TERMIUM Plus ]

[[category:Vocabulaire]]
[[Catégorie:Termium]]
[[Catégorie:SIHEM]
[[Catégorie:9]

Datatification

2021-01-23T03:58:34Z

Sihem :

==en construction==

== Définition ==
La datafication est une tendance technologique qui transforme de nombreux aspects de notre vie en données qui sont ensuite transférées en informations réalisées comme une nouvelle forme de valeur. Kenneth Cukier et Victor Mayer-Schöenberger ont introduit le terme Datafication dans le lexique plus large en 2013. Jusqu’à cette époque, la datafication était associée à l’analyse des représentations de nos vies saisies par des données, mais pas à l’échelle actuelle. Ce changement était principalement dû à l’impact des grandes données et aux possibilités de calcul offertes par l’analyse prédictive.

== Français ==
''' Datafication'''

== Anglais ==
''' Datafication'''

Datafication is a technological trend turning many aspects of our life into data[1] which is subsequently transferred into information realised as a new form of value.[2] Kenneth Cukier and Victor Mayer-Schöenberger introduced the term Datafication to the broader lexicon in 2013.[3] Up until this time, datafication had been associated with the analysis of representations of our lives captured through data, but not on the present scale. This change was primarily due to the impact of big data and the computational opportunities afforded to predictive analytics.



[https://en.wikipedia.org/wiki/Datafication Source : Wikipedia ]

[[Catégorie:vocabulary]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Détection des données aberrantes

2021-01-22T23:12:41Z

Sihem :

==en construction==
voir [[Donnée pertinente]]

voir [[Donnée aberrante]]

== Définition ==
La détection des données aberrantes fait référence à la méthode d’identification et de classification utilisée pour identifier les observations qui sont distinctement différentes ou s’écartent des autres observations.

En outre, les valeurs aberrantes sont également définies par leur environnement. Les valeurs aberrantes qui sont éloignées du reste des données sont appelées « points aberrants ». Alternativement, des « données aberrantes contextuelles » sont trouvées dans les données, apparaissant souvent sous forme de bruit.

== Français ==
'''Identification des données aberrantes'''

'''Identification des points aberrants'''

== Anglais ==
''' Outlier Detection'''

Outlier Detection refers to the method of identification and classification used to identify observations that are distinctly different or far from others.

A popular method to clean a data set, outlier detection allows for defined outliers to inform classification of new observations as anomalies. Outliers are defined between two categories: univariate and multivariate. Univariate outliers are found in distributions in a single feature space, whereas multivariate outliers are found in n-dimensional spaces.

Furthermore, outliers are also defined by their environment. Outliers that lay far away from the rest of the data are called "point outliers." Alternatively, "contextual outliers" are found within the data, often appearing as noise.

There are a multitude of factors that can contribute to the appearance of an outlier, however those that are not the product of an error are called "novelties."



[https://deepai.org/machine-learning-glossary-and-terms/outlier-detection Source : DeepAI.org ]

[[Catégorie:vocabulaire]]
[[Catégorie:vocabulary]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Erreur vraisemblable

2021-01-22T16:16:01Z

Sihem :

==en construction==

== Définition ==
Un inlier est une valeur de données située à l’intérieur d’une distribution statistique et contient une erreur. Comme ils sont difficiles à distinguer des bonnes valeurs de données, ils sont parfois difficiles à trouver et à corriger.
j'ai enlevé l'exemple comme tu as demandé
le mot inlier c'est un mot anglais doit-on le mettre partout en italique dans la definition et le titre en français comme tu l'as demandé ou pas?
== Français ==
'''Inlier'''
peut-on aussi utiliser cette appellation '''points pertinents ''' pour inlier et '''points aberrants ''' pour outlier selon cette source https://fr.wikipedia.org/wiki/RANSAC ?
== Anglais ==
'''inlier'''

'''Definition:'''
An inlier is a data value that lies in the interior of a statistical distribution and is in error. Because inliers are difficult to distinguish from good data values they are sometimes difficult to find and correct.
'''Context:'''
A simple example of an inlier might be a value in a record reported in the wrong units, say degrees Fahrenheit instead of degrees Celsius.
'''Source Publication:'''
Economic Commission for Europe of the United Nations (UNECE), "Glossary of Terms on Statistical Data
Editing", Conference of European Statisticians Methodological material, Geneva, 2000.

Cross References:
Outlier



[https://towardsdatascience.com/120-data-scientist-interview-questions-and-answers-you-should-know-in-2021-b2faf7de8f3e Source : towardsdatascience ]

Source : Economic Commission for Europe of the United Nations (UNECE), "Glossary of Terms on Statistical Data
Editing", Conference of European Statisticians Methodological material, Geneva, 2000.

[[Catégorie:vocabulary]]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]

Erreur vraisemblable

2021-01-22T16:04:40Z

Sihem :

==en construction==

== Définition ==
Un inlier est une valeur de données située à l’intérieur d’une distribution statistique et contient une erreur. Comme ils sont difficiles à distinguer des bonnes valeurs de données, ils sont parfois difficiles à trouver et à corriger.

== Français ==
'''Inlier''' erreur banale ???? erreur ordinaire ???

== Anglais ==
'''inlier'''

'''Definition:'''
An inlier is a data value that lies in the interior of a statistical distribution and is in error. Because inliers are difficult to distinguish from good data values they are sometimes difficult to find and correct.
'''Context:'''
A simple example of an inlier might be a value in a record reported in the wrong units, say degrees Fahrenheit instead of degrees Celsius.
'''Source Publication:'''
Economic Commission for Europe of the United Nations (UNECE), "Glossary of Terms on Statistical Data
Editing", Conference of European Statisticians Methodological material, Geneva, 2000.

Cross References:
Outlier



[https://towardsdatascience.com/120-data-scientist-interview-questions-and-answers-you-should-know-in-2021-b2faf7de8f3e Source : towardsdatascience ]

Source : Economic Commission for Europe of the United Nations (UNECE), "Glossary of Terms on Statistical Data
Editing", Conference of European Statisticians Methodological material, Geneva, 2000.

[[Catégorie:vocabulary]]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]

Reconnaissance de circuits

2021-01-22T04:20:42Z

Sihem :

==en construction==

== Définition ==
L’identification des propriétés (caractéristiques) des circuits et l’application d’algorithmes appropriés sont utiles pour résoudre divers problèmes de conception assistée par ordinateur. En présence d’un bloc de circuit suspecté, une approche courante consiste à trouver un ensemble de fonctions candidates, puis à appliquer des méthodes formelles pour l’identifier. L’identification des caractéristiques utiles des fonctions de haut niveau et la collecte des suggestions de candidats d’un bloc inconnu sont des étapes importantes.

== Français ==
'''Moteur de reconnaissance de circuits ''' proposé par Termium

'''Reconnaissance de circuits'''

== Anglais ==
'''Circuit recognition engine '''

'''Circuit recognition '''



Moteur de reconnaissance de circuits : il s’agit d’une proposition fournie en l’absence d’un terme français consacré.

[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=MOTEUR+RECONNAISSANCE+CIRCUITS&index=alt&codom2nd_wet=1#resultrecs Source : TERMIUM Plus ]

[https://ieeexplore.ieee.org/document/7951826 Source : ieeexplore.ieee.org ]

[https://ieeexplore.ieee.org/document/8715251 Source : ieeexplore.ieee.org ]

[[category:Vocabulaire]]
[[Catégorie:Termium]]
[[Catégorie:9]]

Multicollinéarité

2021-01-20T19:31:59Z

Sihem :

==en construction==

== Définition ==
La multicollinéarité est une situation dans laquelle deux ou plusieurs prédicteurs sont fortement corrélés de manière linéaire.

== Français ==
'''Multicollinéarité '''

== Anglais ==
'''Multicollinéarité '''



[https://towardsdatascience.com/120-data-scientist-interview-questions-and-answers-you-should-know-in-2021-b2faf7de8f3e Source:towardsdatascience]

[[Catégorie:vocabulary]]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Champ

2021-01-20T19:25:04Z

Sihem :

== Définition ==
Un champ est l’information élémentaire d’une base de données, d’un fichier informatique, et plus généralement d’une ressource informatique où existent des termes indexés.

== Français ==
''' Champ''' (Base de donnée)

== Anglais ==
'''field''' (Database)



[https://fr.wikipedia.org/wiki/Champ_(base_de_donn%C3%A9es) Source : Wikipedia ]

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:sihem]]
[[Catégorie:9]]

Reconnaissance de circuits

2021-01-20T19:23:41Z

Sihem :

==en construction==
== Définition ==
Moteur de reconnaissance de circuits : il s’agit d’une proposition fournie en l’absence d’un terme français consacré.

== Français ==
'''Moteur de reconnaissance de circuits ''' proposition, nom masculin

== Anglais ==
'''Circuit recognition engine '''



[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=MOTEUR+RECONNAISSANCE+CIRCUITS&index=alt&codom2nd_wet=1#resultrecs Source : TERMIUM Plus ]

[[category:Vocabulaire]]
[[Catégorie:Termium]]
[[Catégorie:sihem]]

Reconnaissance de circuits

2021-01-20T19:23:26Z

Sihem :

Modélisation de la langue naturelle

2021-01-20T19:03:30Z

Sihem :

[[category:Vocabulaire]]
[[Catégorie:Termium]]
[[Catégorie:Intelligence artificielle]]
==en construction==
== Définition ==

Le traitement automatique de la parole suscite actuellement un grand intérêt ; il est considéré comme une branche importante de l’interaction homme-machine.

En effet, nous éprouvons le besoin de communiquer avec nos ordinateurs, de la façon la plus naturelle et la plus directe qui soit : le langage parlé ; l’interaction et l’échange d’informations s’en trouvent grandement facilités. Le marché des logiciels offre aujourd’hui des produits qui prétendent effectuer une reconnaissance de la parole continue avec un vocabulaire important.

En réalité, les performances de ces systèmes sont encore largement inférieures à celles de l’être humain, particulièrement au niveau de la modélisation du langage.

== Français ==
'''modélisation du langage '''

'''modélisation de la langue '''

== Anglais ==
'''language modeling'''

'''language modelling '''



[https://hal.univ-lorraine.fr/tel-01747502 Source : Archive de l'Université de Lorraine]

NOTA modélisation du langage; modélisation de la langue : désignations validées par des spécialistes canadiens de l'Université Concordia, de l'Université Dalhousie, de l'Université Laval et de Microsoft Canada.

[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=mod%C3%A9lisation+du+langage+&index=alt&codom2nd_wet=1#resultrecs Source : TERMIUM Plus ]
[[category:sihem]]
[[category:9]]

Modélisation de la langue naturelle

2021-01-20T19:01:45Z

Sihem :

Hakathon

2021-01-18T19:13:48Z

Sihem :

==en construction==

== Définition ==
Ce mot désigne à la fois le principe, le moment et le lieu d’un événement où un groupe de développeurs volontaires se réunit pour collaborer sur des sujets de programmation informatique pointus et innovants, sur une période généralement courte (une journée, une nuit, un week-end).

Le terme vient de hack (littéralement pirater, autrement dit trouver quelque chose de malin) et marathon (en référence au travail en général sans interruption). Organisés en équipe, les développeurs ont un objectif commun : tester des idées et produire un prototype, un algorithme dans le cas de la science des données. C’est un moyen de se tester dans un contexte d’émulation, avec parfois des récompenses à la clé. Un jury détermine les vainqueurs. Les investisseurs et les entreprises peuvent aussi dénicher des idées et des talents à ces occasions. Les hackathons peuvent également être organisés en interne comme le pratiquent Facebook, Yahoo, Google ou LinkedIn.

Malgré un délai de réalisation extrêmement court et même si la manifestation est plutôt festive et encourage l’entraide, les enjeux sont sérieux et la méthode est rigoureuse.

== Français ==
''' Hakathon'''

'''Hackathon'''

== Anglais ==
'''Hakathon'''

'''Hackathon'''

'''Hack-a-thon'''



[https://dataanalyticspost.com/Lexique/hackathon/ Source : Techopedia ]

[[Catégorie:Scotty]]

[[Catégorie:vocabulary]]

[[Catégorie:vocabulaire]]

[[Catégorie:sihem]]
[[Catégorie:9]]

Hakathon

2021-01-18T19:13:07Z

Sihem :

Formule booléenne quantifiée vraie

2021-01-18T18:59:51Z

Sihem :

== en construction ==

== Définition ==

En théorie de la complexité, en informatique théorique, en logique mathématique, une formule booléenne quantifiée (ou formule QBF pour quantified binary formula en anglais) est une formule de la logique propositionnelle où les variables propositionnelles sont quantifiées.

== Français ==

'''Formule booléenne quantifiée vraie''' féminin 

'''formule booléenne quantifiée''' féminin 

== Anglais ==

'''True quantified Boolean formula '''



[https://fr.wikipedia.org/wiki/Formule_bool%C3%A9enne_quantifi%C3%A9e Source : Wikipedia ]

[[Utilisateur:Claude COULOMBE | source : Claude Coulombe, Datafranca.org]]

[[Catégorie:vocabulaire]]
[[Catégorie:Vocabulary]]
[[Catégorie:Coulombe]]
[[Catégorie:sihem]]
[[Catégorie:9]]
[[Catégorie:Scotty]]

Extraction de connaissance omniprésente

2021-01-18T18:52:01Z

Sihem :

== en construction ==
[[Catégorie:Vocabulaire]]
[[Catégorie:Exploration de données‏‎]]
[[Catégorie:Wikipedia‏‎-données]]
[[Catégorie:sihem]]
[[Catégorie:9]]
== Définition ==
C'est un domaine dont les objets d'étude24 :
* existent dans le temps et l'espace dans un environnement changeant
* peuvent se mouvoir, apparaître et disparaître
* ont des capacités de traitement de l'information
* ne connaissent que leur environnement spatio-temporel local
* agissent sur contraintes en temps réel
* sont capables d'échanger de l'information avec d'autres objets.

== Français ==
'''Extraction de connaissance omniprésente'''

== Anglais ==
'''ubiquitous knowledge discovery'''



[https://fr.wikipedia.org/wiki/Glossaire_de_l%27exploration_de_donn%C3%A9es Source : Wikipedia - glossaire de l'exploration des données ]

Extraction de connaissance omniprésente

2021-01-18T18:51:40Z

Sihem :

== en construction ==
[[Catégorie:Vocabulaire]]
[[Catégorie:Exploration de données‏‎]]
[[Catégorie:Wikipedia‏‎-données]]
[[Catégorie:sihem]]
== Définition ==
C'est un domaine dont les objets d'étude24 :
* existent dans le temps et l'espace dans un environnement changeant
* peuvent se mouvoir, apparaître et disparaître
* ont des capacités de traitement de l'information
* ne connaissent que leur environnement spatio-temporel local
* agissent sur contraintes en temps réel
* sont capables d'échanger de l'information avec d'autres objets.

== Français ==
'''Extraction de connaissance omniprésente'''

== Anglais ==
'''ubiquitous knowledge discovery'''



[https://fr.wikipedia.org/wiki/Glossaire_de_l%27exploration_de_donn%C3%A9es Source : Wikipedia - glossaire de l'exploration des données ]

Coefficient de détermination

2021-01-18T17:03:16Z

Sihem :

==en construction==

==Définition==
En statistique, le coefficient de détermination, noté R² ou r² et prononcé "R au carré", est la proportion de la variance de la variable dépendante qui est prévisible à partir de la ou des variables indépendantes.

==Français==
''' Coefficient de determination'''

'''R2'''

==Anglais==
''' Coefficient of determination'''

'''R2'''



[https://en.wikipedia.org/wiki/Coefficient_of_determination Source : Wikipedia]

[[Catégorie:vocabulary]]
[[Catégorie:sihem]]

[[Catégorie:vocabulaire]]
[[Catégorie:9]]

Distance de Mahalanobis

2021-01-18T17:02:29Z

Sihem :

==en construction==

== Définition ==
En statistique, la distance de Mahalanobis est une mesure de distance mathématique introduite par Prasanta Chandra Mahalanobis en 1936. Elle est basée sur la corrélation entre des variables par lesquelles différents modèles peuvent être identifiés et analysés. C’est une manière utile de déterminer la similarité entre une série de données connues et inconnues. Elle diffère de la distance euclidienne par le fait qu’elle prend en compte la variance et la corrélation de la série de données. Ainsi, à la différence de la distance euclidienne où toutes les composantes des vecteurs sont traitées indépendamment et de la même façon, la distance de Mahalanobis accorde un poids moins important aux composantes les plus dispersées. Dans le cas de l’analyse des signaux, et en supposant que chaque composante soit une variable aléatoire de type gaussien, cela revient à minimiser l’influence des composantes les plus bruitées (celles ayant la plus grande variance).

La distance de Mahalanobis est souvent utilisée pour la détection de données aberrantes dans un jeu de données, ou bien pour déterminer la cohérence de données fournies par un capteur par exemple : cette distance est calculée entre les données reçues et celles prédites par un modèle.

== Français ==
''' Distance de Mahalanobis'''

== Anglais ==
''' Mahalanobis distance '''



[https://fr.wikipedia.org/wiki/Distance_de_Mahalanobis Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]
[[Catégorie:9]]

CHAID

2021-01-18T17:01:30Z

Sihem :

== Définition ==
L’acronyme CHAID signifie en fait (''CHi-squared Automatic Interaction Detector''). Il s’agit d’une technique de type arbre de décision. Elle a été publiée en 1980 par Gordon V. Kass1.

En pratique, elle est souvent utilisée en marketing direct pour sélectionner un groupe de consommateurs et prédire comment leurs réponses à certaines variables affectent d’autres variables.

== Français ==
''' CHAID''' acronyme 

== Anglais ==
''' CHAID '''



[https://fr.wikipedia.org/wiki/CHAID Source : Wikipedia ]

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:ENGLISH]]
[[Catégorie:sihem]]
[[Catégorie:9]]

CHAID

2021-01-18T17:00:48Z

Sihem :

Donnée aberrante

2021-01-18T16:54:23Z

Sihem :

== en construction ==

== Définition ==
En statistique, une donnée aberrante (ou horsain, en anglais outlier) est une valeur ou une observation qui est « distante » des autres observations effectuées sur le même phénomène, c’est-à-dire qu’elle contraste grandement avec les valeurs « normalement » mesurées.

Une donnée aberrante peut être due à la variabilité inhérente au phénomène observé ou bien elle peut aussi indiquer une erreur expérimentale. Les dernières sont parfois exclues de la série de données.

== Français ==
'''Donnée aberrante'''

'''Horsain'''

== Anglais ==
'''Outlier'''


[https://fr.wikipedia.org/wiki/Donn%C3%A9e_aberrante Source : Wikipedia ]

[http://www.datascienceglossary.org Source : Datascience glossary]

[[Category:Apprentissage profond]]
[[Catégorie:Science des données]]
[[Catégorie:vocabulary]]
[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]

Donnée aberrante

2021-01-18T16:54:03Z

Sihem :

Donnée aberrante

2021-01-18T16:53:26Z

Sihem :

== en construction ==

== Définition ==
En statistique, une donnée aberrante (ou horsain, en anglais outlier) est une valeur ou une observation qui est « distante » des autres observations effectuées sur le même phénomène, c’est-à-dire qu’elle contraste grandement avec les valeurs « normalement » mesurées.

Une donnée aberrante peut être due à la variabilité inhérente au phénomène observé ou bien elle peut aussi indiquer une erreur expérimentale. Les dernières sont parfois exclues de la série de données.

== Français ==
'''donnée aberrante'''

'''horsain'''

== Anglais ==
'''outlier'''


[https://fr.wikipedia.org/wiki/Donn%C3%A9e_aberrante Source : Wikipedia ]

[http://www.datascienceglossary.org Source : Datascience glossary]

[[Category:Apprentissage profond]]
[[Catégorie:Science des données]]
[[Catégorie:vocabulary]]
[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]

[[Catégorie:Sihem]]

Donnée aberrante

2021-01-18T16:53:04Z

Sihem :

== en construction ==

== Définition ==
En statistique, une donnée aberrante (ou horsain, en anglais outlier) est une valeur ou une observation qui est « distante » des autres observations effectuées sur le même phénomène, c’est-à-dire qu’elle contraste grandement avec les valeurs « normalement » mesurées.

Une donnée aberrante peut être due à la variabilité inhérente au phénomène observé ou bien elle peut aussi indiquer une erreur expérimentale. Les dernières sont parfois exclues de la série de données.

== Français ==
'''donnée aberrante'''

'''horsain'''

== Anglais ==
'''outlier'''


[https://fr.wikipedia.org/wiki/Donn%C3%A9e_aberrante Source : Wikipedia ]

[http://www.datascienceglossary.org Source : Datascience glossary]

[[Category:Apprentissage profond]]
[[Catégorie:Science des données]]
[[Catégorie:vocabulary]]
[[Catégorie:vocabulaire]]

[[Catégorie:Sihem]]

Distance de Mahalanobis

2021-01-18T16:37:42Z

Sihem :

Distance de Mahalanobis

2021-01-18T16:36:24Z

Sihem :

==en construction==

== Définition ==
En statistique, la distance de Mahalanobis est une mesure de distance mathématique introduite par Prasanta Chandra Mahalanobis en 1936. Elle est basée sur la corrélation entre des variables par lesquelles différents modèles peuvent être identifiés et analysés. C’est une manière utile de déterminer la similarité entre une série de données connues et inconnues. Elle diffère de la distance euclidienne par le fait qu’elle prend en compte la variance et la corrélation de la série de données. Ainsi, à la différence de la distance euclidienne où toutes les composantes des vecteurs sont traitées indépendamment et de la même façon, la distance de Mahalanobis accorde un poids moins important aux composantes les plus dispersées. Dans le cas de l’analyse des signaux, et en supposant que chaque composante soit une variable aléatoire de type gaussien, cela revient à minimiser l’influence des composantes les plus bruitées (celles ayant la plus grande variance).

La distance de Mahalanobis est souvent utilisée pour la détection de données aberrantes dans un jeu de données, ou bien pour déterminer la cohérence de données fournies par un capteur par exemple : cette distance est calculée entre les données reçues et celles prédites par un modèle.

== Français ==
''' Distance de Mahalanobis'''

== Anglais ==
''' XXXXXXXXX '''



[https://fr.wikipedia.org/wiki/Distance_de_Mahalanobis Source : Wikipedia ]

[[Catégorie:vocabulaire]]
[[Catégorie:sihem]]

Biais de confirmation

2021-01-18T16:15:28Z

Sihem :

== Définition ==
Le biais de confirmation, également dénommé biais de confirmation d’hypothèse, est le biais cognitif qui consiste à privilégier les informations confirmant ses idées préconçues ou ses hypothèses et/ou à accorder moins de poids aux hypothèses et informations jouant en défaveur de ses conceptions, ce qui se traduit par une réticence à changer d’avis. Ce biais se manifeste chez un individu lorsqu’il rassemble des éléments ou se rappelle des informations mémorisées, de manière sélective, les interprétant d’une manière biaisée.

== Français ==
''' Biais de confirmation'''

'''Biais de confirmation d'hypothèse'''

== Anglais ==
''' Confirmation bias'''



[https://towardsdatascience.com/120-data-scientist-interview-questions-and-answers-you-should-know-in-2021-b2faf7de8f3e Source : towardsdatascience]

[https://fr.wikipedia.org/wiki/Biais_de_confirmation Source : wikipedia]

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

[[Catégorie:sihem]

Champ

2021-01-18T16:14:29Z

Sihem :

Coefficient de détermination

2021-01-18T16:12:02Z

Sihem :

Descripteur

2021-01-18T16:08:34Z

Sihem :

==en construction==

== Définition ==
Le choix et la conception de descripteurs est généralement une étape préliminaire cruciale de la fouille de données, nécessaire avant toute utilisation d’algorithmes. Les descripteurs sont en général numériques (ce sont des nombres). Ils peuvent aussi prendre des formes plus complexes.

Il n’existe pas d’algorithme pour créer les descripteurs. Par contre on peut utiliser des descripteurs « génériques » puis utiliser des algorithmes pour « sélectionner » les meilleurs. Mais, la meilleure solution reste de créer des descripteurs spécifiques.

== Français ==
''' Descripteur'''

== Anglais ==
''' Descriptor'''



[https://dataanalyticspost.com/Lexique/descripteur/ Source : Techopedia ]

[[Catégorie:vocabulary]]
[[Catégorie:vocabulaire]]
[[Catégorie:Scotty]]
[[Catégorie:sihem]
[[Catégorie:9]