information à la source - traduction vers français
Diclib.com
Dictionnaire ChatGPT
Entrez un mot ou une phrase dans n'importe quelle langue 👆
Langue:

Traduction et analyse de mots par intelligence artificielle ChatGPT

Sur cette page, vous pouvez obtenir une analyse détaillée d'un mot ou d'une phrase, réalisée à l'aide de la meilleure technologie d'intelligence artificielle à ce jour:

  • comment le mot est utilisé
  • fréquence d'utilisation
  • il est utilisé plus souvent dans le discours oral ou écrit
  • options de traduction de mots
  • exemples d'utilisation (plusieurs phrases avec traduction)
  • étymologie

information à la source - traduction vers français

Source information rate

information à la source      
n. inside information

Définition

a la carte
[?: l?:'k?:t, a la]
¦ adjective (of a menu) listing food that can be ordered as separate items, rather than part of a set meal.
Origin
C19: Fr., lit. 'according to the (menu) card'.

Wikipédia

Entropy rate

In the mathematical theory of probability, the entropy rate or source information rate of a stochastic process is, informally, the time density of the average information in a stochastic process. For stochastic processes with a countable index, the entropy rate H ( X ) {\displaystyle H(X)} is the limit of the joint entropy of n {\displaystyle n} members of the process X k {\displaystyle X_{k}} divided by n {\displaystyle n} , as n {\displaystyle n} tends to infinity:

H ( X ) = lim n 1 n H ( X 1 , X 2 , X n ) {\displaystyle H(X)=\lim _{n\to \infty }{\frac {1}{n}}H(X_{1},X_{2},\dots X_{n})}

when the limit exists. An alternative, related quantity is:

H ( X ) = lim n H ( X n | X n 1 , X n 2 , X 1 ) {\displaystyle H'(X)=\lim _{n\to \infty }H(X_{n}|X_{n-1},X_{n-2},\dots X_{1})}

For strongly stationary stochastic processes, H ( X ) = H ( X ) {\displaystyle H(X)=H'(X)} . The entropy rate can be thought of as a general property of stochastic sources; this is the asymptotic equipartition property. The entropy rate may be used to estimate the complexity of stochastic processes. It is used in diverse applications ranging from characterizing the complexity of languages, blind source separation, through to optimizing quantizers and data compression algorithms. For example, a maximum entropy rate criterion may be used for feature selection in machine learning.