Découverte de Règles Associatives Hiérarchiques entre termes. Sandra BSIRI Hamza Mahdi ZARG AYOUNA Chiraz L.Chérif Sadok BENYAHIA

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Découverte de Règles Associatives Hiérarchiques entre termes. Sandra BSIRI Hamza Mahdi ZARG AYOUNA Chiraz L.Chérif Sadok BENYAHIA"

Transcription

1 Découverte de Règles Associatives Hiérarchiques entre termes Sandra BSIRI Hamza Mahdi ZARG AYOUNA Chiraz L.Chérif Sadok BENYAHIA 1

2 Plan Problématique et État de l art Nouvelle approche Approche Conceptuelle pour l Extraction des règles associatives non redondantes Génération d un Treillis de Générateurs Extraction des règles associatives non redondantes Exactes et Approximatives : Algorithme Gen_RA_RE L Extraction de règles associatives Hiérarchiques Objectifs et intérêts Les règles associatives Hiérarchiques: Génériques, Spécifiques et Equivalentes: algorithme Gen_RH Conclusion et perspectives 2

3 Problématique Données non structurées Corpus Textuels Besoin d exploitation Une méthode intéressante: L extraction des règles associatives Problèmes Les Algorithmes disponibles rendent un nombre trop important de règles Redondantes Non prise en compte de la sémantique malgré la disponibilité de taxonomies Proposition d une approche conceptuelle pour la découverte de règles d associations non redondantes et hiérarchiques 3

4 Les Règles Associatives Objectif représenter les corrélations entre les termes dans un ensemble de documents. Formalisme X Y α est une règle associative Exemple r : Langage O.O C++, Java 53% Dans 53% des documents où le terme langage O.O existe, les termes C++ et Java existent aussi 4

5 Les deux indicateurs Support Confiance mesure l efficacité d une règle associative Support ( X Y )= X &Y mesure la pertinence d une règle associatives. Confiance (X Y)= Support (XY) Documents Support( X ) Le nombre de documents contenant X et Y rapporté au nombre de documents total Le nombre de documents contenant X et Y rapporté au nombre de documents contenant X 5

6 Principe du processus d extraction de règles associatives 1 ère phase 2 ème phase Découverte des ensembles d attributs satisfaisant le seuil de support minsupp. Utilisation des ensembles d Itemsets fréquents pour en déduire les relations d implication: règles associatives valides. L ensemble retenu est dit : Itemsets fréquents Une règle associative est dite valide si elle satisfait le seuil de confiance minconf. 6

7 Les Connexions de Galois Soit R une relation binaire définie sur un ensemble E x F. Soient les deux ensembles O E. et I F. f (O) = { d / g, g O (g, d) R } h (I) = { g / d, d I (g, d) R } Les deux opérateurs f et h définissent une connexion de Galois. h ({I1,I2})= {O1, O3} f ({O1, O3})= {I1, I2, I3} f o h ({I1,I2})= { I1, I2, I3} Un concept formel f (O) R o1 o2 o3 o4 h (I) I1 I2 I3 I4 I I est un concept formel ssi f o h( I )= I 7

8 Le Treillis de Galois C est l ensemble des concepts formels dérivés à partir d une relation R et en utilisant la fermeture de la connexion de Galois. Un ordre partiel (<<) définit les liaisons entre les concepts tel que : Il existe un arc direct entre c 1 et c 2 ssi f o h (c 1 ) f o h (c 2 ) h(c 1 ) h(c 2 ) Il c 3 h(c 2 ) h(c 3 ). & h(c 3 ) h(c 1 ) 8

9 Nouvelle Approche Extraction de Règles Associatives Non Redondantes Exactes et Approximatives. & Extraction de Règle Associatives Hiérarchiques 9

10 Motivations Règles associatives nombreuses et redondantes Une règle est dite redondante si elle n et pas porteuse de connaissances supplémentaires par rapport à l ensemble des règles résultats Taxonomie mal exploitée en textmining. Une Taxonomie est un graphe élaboré par des linguistes représentant les relations sémantiques entre les termes d un même domaine 10

11 Objectifs Améliorer la qualité des Règles Associatives à extraire à partir d un corpus textuel. Extraction de règles associatives Non Redondantes Exactes et Approximatives Extraction de règles associatives hiérarchiques 11

12 Les Avantages du Treillis de Générateurs un gain important d espace Mémoire Une meilleure visualisation Un Intérêt pour la génération des règles associatives. Treillis de Générateurs Treillis de Galois 12

13 Définition La redondance Simple r1 : A CTW et r2 : AT CW Supp ( r1 ) = supp ( r2 ) = supp ( ACTW ) Conf (r1) = supp( ACTW) / supp(a) << conf (r2) = supp(actw) / supp(at) Pour tout k-itemset, il suffit de générer la règle de prémisse minimale et satisfaisant min-conf La redondance stricte Conf (r 1 ) = supp (ACTW) /supp (A) r 1 : A CTW et r 2 : A CW Si ACTW est fréquent alors ACW est fréquent aussi << conf (r 2) = supp (ACW) /supp (A) 13

14 L algorithme Gen_RA_RE Principe Treillis de Générateurs Gen_RA_RE Règles associatives Non Redondantes Exactes & Approximatives Parcourir le Treillis de Générateurs de la racine vers les feuilles. Au niveau de chaque nœud générer les règles associatives non redondantes approximatives, Si il n y en a pas alors générer la règle associative non redondante exacte Amélioration de la qualité des règles associatives Gain en terme de temps d exécution 14

15 Exemple Conf (x y) = supp(xy xy) ) / supp(x) > min-conf supp(xy xy)> )>min-conf * supp(x) = seuil-supp supp Exemple Seuil-supp ( C ) =1/2 * 6 = 3 Seuil-supp (w) =1/2 * 5 = 5/2 15

16 Objectifs et intérêts des règles Hiérarchiques Pallier aux problèmes de bruit et de silence dans les SRI et/ou moteurs de recherche. Mieux cibler les besoins des utilisateurs non experts du domaine Possibilité d extension interactive des requêtes des utilisateurs Améliorer les deux indicateurs Rappel et précision 16

17 Principe de l algorithme Gen_RH Treillis de Générateurs & Règles associatives non redondantes & Taxonomie Gen_RH Principe Pour chaque règles non redondante : Règle Génériques & Règles Spécifiques & Règles Equivalentes Localiser les termes de la prémisse dans la Taxonomie Substituer chaque terme par : Son père Règle associative Générique Son fils Règle associative Spécifique Son voisin Règle associative Equivalentes Exploiter les relations sémantiques entre les termes Vérifier la validité statistiques des relations sémantiquement validesv alides. Etendre les requêtes dans les SRI 17

18 Exemple Soit la règle non redondante : D CT D A A CT : Supp = 3 ; Conf = 3 / 4 Règle Associative Générique D T T C : Supp = 4 ; Conf = 4 / 4 D W W CT : supp = 3 ; conf = 3 / 5 Règle Associative Equivalente Règle Associative Spécifique D G G CT impossible 18

19 Résultats Expérimentaux Les collections textuelles utilisées : OFIL: 35Mb contient articles hétérogènes et termes INIST: +100Mb contient articles scientifiques et termes Intervalle support Nbre règles Nbre règle Taux de réduction (CARD) (Gen-RA-RE) 5~ 50 documements ,56% 50~ 500 documents ,56% 50 ~1000 documents ,49% 1000 ~ 5000 documents ,28% 1000 ~ documents ,68% Résultats relatifs à la collection OFIL Intervalle support Nbre règles Nbre règles Taux de réduction (CARD) (Gen-RA-RE) 3 ~ 30 documents ,59% 30 ~ 250 documents ,16% 250 ~ documents ,73% Résultats relatifs à la collection INIST 19

20 Conclusion Bilan Nouvelle approche conceptuelle efficace pour la réduction du nombre des règles associatives Exploitation des relations sémantiques véhiculées par la taxonomie dans le processus de génération de règles associatives Expérimentation sur les collections OFIL et INIST Perspectives Exploiter les règles découvertes pour l expansion de requêtes en RI. Comparer les deux indicateurs Rappel et Précision avec les résultats donnés par IOTA (Clips emac). Adapter cette approche à la floue 20

Veille technologique en télécommunications

Veille technologique en télécommunications Veille technologique en télécommunications Khalid EL HIMDI Ismail KASSOU Hamid MACHCHOUR 1 Techniques d analyse de contenus L analyse de contenus est au cœur de la gestion du cycle de vie de l information

Plus en détail

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents Master ISI 2010-2011 Data Mining Recherche des sous-ensembles fréquents Yves Lechevallier INRIA-Rocquencourt E_mail : Yves.Lechevallier@inria.fr 1 Processus Data Mining Phase A : Entrepôt de données Entrepôt

Plus en détail

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

BI = Business Intelligence Master Data-Science Cours 6 - Data Mining

BI = Business Intelligence Master Data-Science Cours 6 - Data Mining BI = Business Intelligence Master Data-Science Cours 6 - Data Mining Ludovic DENOYER - D après Elisa Fromont UPMC 23 mars 2015 Ludovic DENOYER - D après Elisa Fromont Le Data Mining De plus en plus de

Plus en détail

Fouille de données: des bases binaires aux bases évidentielles

Fouille de données: des bases binaires aux bases évidentielles Fouille de données: des bases binaires aux bases évidentielles Ahmed Samet Faculté des sciences de Tunis Présenté le : 16 janvier 2013 Ahmed Samet Fouille de données: des bases binaires aux bases évidentielles

Plus en détail

Raisonnement symbolique et géométrique pour la robotique mobile

Raisonnement symbolique et géométrique pour la robotique mobile Introduction à la réunion finale Raisonnement symbolique et géométrique pour la robotique mobile J. Guitton, J.L. Farges Control Architectures of Robots - Bourges - 30 mai 2008 1 Plan Introduction Vers

Plus en détail

Recommandation dans les réseaux sociaux professionnels

Recommandation dans les réseaux sociaux professionnels Recommandation dans les réseaux sociaux professionnels Application sur un réseau bibliographique 6 mai 2010 Objectif et Motivation Techniques utilisées Algorithme exhaustive de recherche de toutes les

Plus en détail

Sémantique et contextes conceptuels pour la recherche d informationd

Sémantique et contextes conceptuels pour la recherche d informationd Sémantique et contextes conceptuels pour la recherche d informationd Marie-Aude Aufaure SUPELEC & INRIA Axis Bénédicte Le Grand LIP 6 Paris 6 Michel Soto LIP 6 Paris 6 1 Plan unotion de contexte et travaux

Plus en détail

Searching for Dependencies at Multiple Abstraction Levels

Searching for Dependencies at Multiple Abstraction Levels Searching for Dependencies at Multiple Abstraction Levels Toon Calders, Raymond T. Ng et Jef Wijsen Matthieu Objois et Pierre Senellart Searching for Dependencies at Multiple Abstraction Levels p.1/15

Plus en détail

ACCÈS SÉMANTIQUE AUX BASES DE DONNÉES DOCUMENTAIRES

ACCÈS SÉMANTIQUE AUX BASES DE DONNÉES DOCUMENTAIRES ACCÈS SÉMANTIQUE AUX BASES DE DONNÉES DOCUMENTAIRES Techniques symboliques de traitement automatique du langage pour l indexation thématique et l extraction d information temporelle Thèse Défense publique

Plus en détail

INGÉNIERIE DES CONNAISSANCES BCT (3b)

INGÉNIERIE DES CONNAISSANCES BCT (3b) 08.12.1999 INGÉNIERIE DES CONNAISSANCES BCT (3b) Nathalie Aussenac-Gilles (IRIT) Jean Charlet (DSI/AP-HP) Ingénierie des connaissances BCT (N. Aussenac-Gilles, J. Charlet) BCT-1 PLAN La notion de BCT :

Plus en détail

Recherche d information textuelle

Recherche d information textuelle Recherche d information textuelle Evaluation B. Piwowarski CNRS / LIP6 Université Paris 6 benjamin@bpiwowar.net http://www.bpiwowar.net Master IP - 2014-15 Cours et travaux pratiques basés sur les documents

Plus en détail

Clermont Ferrand - Janvier 2003

Clermont Ferrand - Janvier 2003 DISDAMIN: Algorithmes de Data Mining Distribués Valerie FIOLET (1,2) - Bernard TOURSEL (1) 1 Equipe PALOMA - LIFL - USTL - LILLE (FRANCE) 2 Service Informatique - UMH - MONS (BELGIUM) Clermont Ferrand

Plus en détail

Systèmes d'informations Géographiques - Graphes

Systèmes d'informations Géographiques - Graphes Systèmes d'informations Géographiques - Graphes Institut National des Sciences Appliquées - Rouen Département Architecture des Systèmes d'information michel.mainguenaud@insa-rouen.fr Graphe et Spatialisation!

Plus en détail

Analyse de données textuelles Panorama des fonctions, des méthodes et des usages

Analyse de données textuelles Panorama des fonctions, des méthodes et des usages Analyse de données textuelles Panorama des fonctions, des méthodes et des usages Sylvie Dalbin Assistance & Techniques Documentaires DocForum, Le 17 Novembre 2005 Déroulé de l'intervention (1) 1. Définition

Plus en détail

EVOLUTIONS EXOGENES. REVER S.A. Belgique Tél : +32 71 20 71 61 http://www.rever.eu

EVOLUTIONS EXOGENES. REVER S.A. Belgique Tél : +32 71 20 71 61 http://www.rever.eu EVOLUTIONS EXOGENES Les contenus de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas être considérés comme un engagement

Plus en détail

Fouille de données orientée motifs, méthodes et usages.

Fouille de données orientée motifs, méthodes et usages. Fouille de données orientée motifs, méthodes et usages. François RIOULT GREYC - Équipe Données-Documents-Langues CNRS UMR 6072 Université de Caen Basse-Normandie France Résumé La fouille de données orientée

Plus en détail

2A-SI 4 - Bases de Données 4.4 - Normalisation de schémas relationnels

2A-SI 4 - Bases de Données 4.4 - Normalisation de schémas relationnels 2A-SI 4 - Bases de Données 4.4 - Normalisation de schémas relationnels Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Avec l aide du cours de Y. Bourda Intérêt de la «normalisation»

Plus en détail

Digital Workplace et Gestion des connaissances Concepts et mise en oeuvre

Digital Workplace et Gestion des connaissances Concepts et mise en oeuvre Avant-propos 1. Objectif du livre 17 2. Illustrations des exemples de ce livre 18 2.1 Office 365 comme plateforme technologique pour une digital workplace 18 2.2 SharePoint et Yammer à l honneur 18 3.

Plus en détail

Visibilité polygone à polygone :

Visibilité polygone à polygone : Introduction Visibilité polygone à polygone : calcul, représentation, applications Frédéric Mora Université de Poitiers - Laboratoire SIC 10 juillet 2006 1 La visibilité Introduction Contexte L espace

Plus en détail

Supervision des réseaux et services pair à pair

Supervision des réseaux et services pair à pair Supervision des réseaux et services pair à pair Présentation des travaux de Thèse Guillaume Doyen LORIA - Université Henri Poincaré pour l obtention du Doctorat en Informatique de l université Henri Poincaré

Plus en détail

Description du projet

Description du projet Polytech Paris Sud > Et4 Informatique > Recherche d information dans les textes Description du projet Ce projet est à réaliser en groupes de 4 ou 5 étudiants et sera à rendre collectivement. Le rendu sera

Plus en détail

Experimental Evaluation of a Dynamic Cubing system: workflow, metrics and prototype

Experimental Evaluation of a Dynamic Cubing system: workflow, metrics and prototype Experimental Evaluation of a Dynamic Cubing system: workflow, metrics and prototype Anne Tchounikine, Maryvonne Miquel, Usman Ahmed LIRIS CNRS UMR 5205, INSA-Université de Lyon, France 1 Motivations Motivé

Plus en détail

Arbres binaires de recherche (ABR) Binary Search Trees (BST)

Arbres binaires de recherche (ABR) Binary Search Trees (BST) LSVIII-BIM Algorithmie, 2015 Arbres binaires de recherche (ABR) Binary Search Trees (BST) I. Arbres binaires 1. Structure 2. Parcours II. Arbres binaires de recherche 1. Définition 2. Opérations sur les

Plus en détail

CONSTRUCTION EFFICACE DU TREILLIS DES MOTIFS FERMÉS FRÉQUENTS ET EXTRACTION SIMULTANÉE DES BASES GÉNÉRIQUES DE RÈGLES

CONSTRUCTION EFFICACE DU TREILLIS DES MOTIFS FERMÉS FRÉQUENTS ET EXTRACTION SIMULTANÉE DES BASES GÉNÉRIQUES DE RÈGLES Math. & Sci. hum. / Mathematics and Social Sciences (49 e année, n 195, 2011(3), p. 5 54) CONSTRUCTION EFFICACE DU TREILLIS DES MOTIFS FERMÉS FRÉQUENTS ET EXTRACTION SIMULTANÉE DES BASES GÉNÉRIQUES DE

Plus en détail

Recherche d informations et veille marketing. Beth Krasna 17.10.2003. What you mean is what you get.

Recherche d informations et veille marketing. Beth Krasna 17.10.2003. What you mean is what you get. Recherche d informations et veille marketing Beth Krasna 17.10.2003. Le Cycle de Connaissance KM Adapter Organiser Utiliser Collaboration Publier Analyser Collecter MI Données Information Connaissance

Plus en détail

L approche Bases de données

L approche Bases de données L approche Bases de données Cours: BD. Avancées Année: 2005/2006 Par: Dr B. Belattar (Univ. Batna Algérie) I- : Mise à niveau 1 Cours: BDD. Année: 2013/2014 Ens. S. MEDILEH (Univ. El-Oued) L approche Base

Plus en détail

Analyse de données électroniques et intelligence d affaires

Analyse de données électroniques et intelligence d affaires Analyse de données électroniques et intelligence d affaires Valoriser les données internes et externes 3 avril 2014 Ordre du jour UNE INTRODUCTION À L ANALYSE DE DONNÉES Analyse de données et l intelligence

Plus en détail

Arbres binaires de recherche et arbres rouge noir

Arbres binaires de recherche et arbres rouge noir Institut Galilée lgo, rbres, Graphes I nnée 006-007 License rbres binaires de recherche et arbres rouge noir Rappels de cours et correction du TD rbres binaires de recherche : définitions Un arbre binaire

Plus en détail

Le dispositif d évaluation dans la fonction publique

Le dispositif d évaluation dans la fonction publique Le dispositif d évaluation dans la fonction publique page 1 PLAN Présentation du dispositif d évaluation Enjeux de l évaluation en matière de management et de GRH page 2 L entretien professionnel en pratique

Plus en détail

Détection de nouvelles attaques. Yacine Bouzida, Frédéric Cuppens, Sylvain Gombault

Détection de nouvelles attaques. Yacine Bouzida, Frédéric Cuppens, Sylvain Gombault Détection de nouvelles attaques Yacine Bouzida, Frédéric Cuppens, Sylvain Gombault Contexte Problèmes Réseau : principal vecteur des attaques Nouvelles formes d attaque (+ 1000 /an) Variante d une attaque

Plus en détail

Connexion de Galois par similarité pour l analyse de données complexes

Connexion de Galois par similarité pour l analyse de données complexes Connexion de Galois par similarité pour l analyse de données complexes Le système ORPAILLEUR LORIA: CNRS, INRIA Nancy - Grand Est, Nancy Université Nancy, France Journée des Treillis Lorrains, 1 Décembre

Plus en détail

11.1 Comparaison : la logique floue et logique classique

11.1 Comparaison : la logique floue et logique classique Chapitre Logique floue Ce chapitre présente une méthode moderne de contrôle, la logique floue. La logique floue diffère de la logique classique parce qu elle permet des définitions partielles ou floues

Plus en détail

1.1 Exemple introductif d un cube de données... 2

1.1 Exemple introductif d un cube de données... 2 1.1 Exemple introductif d un cube de données............... 2 2.1 Pré-traitement des données avec les outils OLAP [MHW00]...... 14 2.2 Architecture d un système intégrant SGBD, OLAP et MOLAP [Fu05] 16

Plus en détail

Eléments pour aborder le nom et le groupe nominal

Eléments pour aborder le nom et le groupe nominal Eléments pour aborder le nom et le groupe nominal 1. Rappels des programmes 2008 Rappels des connaissances et compétences que les élèves doivent maîtriser Grammaire : Au cycle 2 : 1. identification du

Plus en détail

Arbres. Alphabet Σ = Σ 0 Σ k. Exemples

Arbres. Alphabet Σ = Σ 0 Σ k. Exemples Arbres Alphabet Σ = Σ 0 Σ k Σ i : alphabet fini de symboles de rang i (Σ i Σ j possible). Un arbre t de rang k est défini par un ensemble (fini) dom(t) {1,..., k} clos par préfixe (domaine de t) : si v,

Plus en détail

De la modélisation linguistique aux applications logicielles: le rôle des Entités Nommées en Traitement Automatique des Langues

De la modélisation linguistique aux applications logicielles: le rôle des Entités Nommées en Traitement Automatique des Langues De la modélisation linguistique aux applications logicielles: le rôle des Entités Nommées en Traitement Automatique des Langues Maud Ehrmann Joint Research Centre Ispra, Italie. Guillaume Jacquet Xerox

Plus en détail

Planification. Plan. Planification. Introduction à la planification. La langage STRIPS. Représentation des plans. Planification partiellement ordonnée

Planification. Plan. Planification. Introduction à la planification. La langage STRIPS. Représentation des plans. Planification partiellement ordonnée Planification 1 Plan Introduction à la planification La langage STRIPS Représentation des plans Planification partiellement ordonnée Graphes de panification 2 Planification Un agent planificateur construit

Plus en détail

Recherche des modèles fréquents, corrélations et associations

Recherche des modèles fréquents, corrélations et associations Chapitre 2 Recherche des modèles fréquents, corrélations et associations Les motifs fréquents sont des motifs ou patterns (tel que les ensembles d items, les sous séquences, ou les sous structures) qui

Plus en détail

Rapprocher les méthodes formelles, l analyse statique et les tests. 29 mai 2013

Rapprocher les méthodes formelles, l analyse statique et les tests. 29 mai 2013 Rapprocher les méthodes formelles, l analyse statique et les tests 29 mai 2013 Présentation du projet Déroulement du projet Réalisations Démonstrations Perspectives Présentation du projet Déroulement du

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources

Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources Jonathan Lejeune LIP6-UPMC/CNRS, Inria 19 septembre 2014 Directeur : Pierre Sens Encadrants : Luciana Arantes et

Plus en détail

Guide de démarrage rapide avec DataStudio Online Edition

Guide de démarrage rapide avec DataStudio Online Edition Guide de démarrage rapide avec DataStudio Online Edition Introduction Ce document vient en complément des films de démonstration disponibles sur le site web de data. L ETL ETL est un sigle qui signifie

Plus en détail

Méthodes de Résolution de problèmes En Intelligence Artificielle

Méthodes de Résolution de problèmes En Intelligence Artificielle Méthodes de Résolution de problèmes En Intelligence Artificielle Résolution de Problèmes et Intelligence Artificielle Résoudre des puzzles Jouer aux échecs Faire des mathématiques Et même conduire une

Plus en détail

Pascal : un algorithme d extraction des motifs fréquents

Pascal : un algorithme d extraction des motifs fréquents RECHERCHE Pascal : un algorithme d extraction des motifs fréquents Yves Bastide * Rafik Taouil ** Nicolas Pasquier *** Gerd Stumme **** Lotfi Lakhal ***** * IRISA-INRIA - 35042 Rennes Cedex yves.bastide@irisa.fr

Plus en détail

Logique et bases de données

Logique et bases de données Logique et bases de données Vision logique d une BD relationnelle Signification des règles logiques Le modèle DATALOG Evaluation des règles non récursives Signification et évaluation des règles récursives

Plus en détail

Séminaire: Méthodes et outils d'analyse de données textuelles, un nouveau souffle?

Séminaire: Méthodes et outils d'analyse de données textuelles, un nouveau souffle? Séminaire: Méthodes et outils d'analyse de données textuelles, un nouveau souffle? Daniel K. Schneider TECFA FPSE - Université de Genève daniel.schneider@unige.ch Unité de technologie de l'éducation Université

Plus en détail

Description et regroupement de ressources pour les réseaux virtuels

Description et regroupement de ressources pour les réseaux virtuels École nationale d ingénieurs de Sfax Description et regroupement de ressources pour les réseaux virtuels Houssem Medhioub M. Mohamed Jmaiel Président M. Slim Kanoun Membre M. Maher Ben Jemaa Encadreur

Plus en détail

DECHARGEMENT ET CHARGEMENT MASSIF DES DONNEES

DECHARGEMENT ET CHARGEMENT MASSIF DES DONNEES DECHARGEMENT ET CHARGEMENT MASSIF DES DONNEES Les contenus de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas être

Plus en détail

LOGO. Module «Big Data» Extraction de Connaissances à partir de Données. Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.

LOGO. Module «Big Data» Extraction de Connaissances à partir de Données. Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy. Module «Big Data» Extraction de Connaissances à partir de Données Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.fr 14 Janvier 2015 Pourquoi l extraction de connaissances à partir de

Plus en détail

Le modèle relationnel. 8Les structures de données 8Les règles d intégrité structurelle 8L algèbre relationnelle

Le modèle relationnel. 8Les structures de données 8Les règles d intégrité structurelle 8L algèbre relationnelle Le modèle relationnel 8Les structures de données 8Les règles d intégrité structurelle 8L algèbre relationnelle Le modèle relationnel Inventé par E. F. Codd en 1970 Fondé sur la théorie mathématique des

Plus en détail

Lecture critique d un article médical scientifique

Lecture critique d un article médical scientifique Lecture critique d un article médical scientifique Objectifs pédagogiques ENC Logique de Recherche Rédaction du résumé Dr Pascale FABBRO-PERAY MB6 2007-2008 Ecrire le résumé structuré d un article Lecture

Plus en détail

Université Paris Diderot Paris 7. TD n 2. Arbres Binaire de Recherche

Université Paris Diderot Paris 7. TD n 2. Arbres Binaire de Recherche Université Paris Diderot Paris L Informatique Algorithmique Année 00-0, er semestre TD n Arbres Binaire de Recherche Le type de donné arbre" sera utilisé pour indiquer l ensemble de toutes les Arbres Binaires

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

Conception des systèmes répartis

Conception des systèmes répartis Conception des systèmes répartis Principes et concepts Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT Octobre 2012 Gérard Padiou Conception des systèmes répartis 1 / 37 plan

Plus en détail

Option Informatique Arbres binaires équilibrés

Option Informatique Arbres binaires équilibrés Option Informatique Arbres binaires équilibrés Sujet novembre 2 Partie II : Algorithmique et programmation en CaML Cette partie doit être traitée par les étudiants qui ont utilisé le langage CaML dans

Plus en détail

Arbres binaires, arbres non-croisés, quadrangulations. janvier 2010

Arbres binaires, arbres non-croisés, quadrangulations. janvier 2010 Arbres binaires, arbres non-croisés, quadrangulations Frédéric Chapoton janvier 2010 Plan 1 Les arbres binaires 2 Les arbres non-croisés 3 La relation entre les deux 4 Dualité et rotation 5 Les intervalles

Plus en détail

Recherche documentaire avec BCDI 3 : méthodologie

Recherche documentaire avec BCDI 3 : méthodologie Lycée Blaise Pascal CDI Cécile Querrioux Eric Valière Liliane Denis Recherche documentaire avec BCDI 3 : méthodologie Le logiciel documentaire BCDI3 permet de trouver : des références de documents présents

Plus en détail

La Veille multilingue : outils et ressources pour les traducteurs. Jean-Paul PINTE Institut Catholique de Lille

La Veille multilingue : outils et ressources pour les traducteurs. Jean-Paul PINTE Institut Catholique de Lille La Veille multilingue : outils et ressources pour les traducteurs Jean-Paul PINTE Institut Catholique de Lille Premier Colloque International sur la veille multilingue Genève les 28 et 29 mai 2008 Nous

Plus en détail

Algorithmique et Programmation Projets 2012/2013

Algorithmique et Programmation Projets 2012/2013 3 Dames 3. Objectif Il s agit d écrire un programme jouant aux Dames selon les règles. Le programme doit être le meilleur possible. Vous utiliserez pour cela l algorithme α β de recherche du meilleur coup

Plus en détail

On the Recommending of Citations for Research Papers

On the Recommending of Citations for Research Papers On the Recommending of Citations for Research Papers McNee et al. Émile Ducrocq Michel Desmarais École polytechnique de Montréal Problématique Quantité astronomique d articles de recherche sur Internet

Plus en détail

Machines composées de (depuis 1940 env.) : http://cui.unige.ch/isi/cours/std/

Machines composées de (depuis 1940 env.) : http://cui.unige.ch/isi/cours/std/ données pr ogramme 11111101 11001101 01000101 b us disque ma gnétique processeur écran Structures de données et algorithmes Ordinateurs Gilles Falquet, printemps-été 2002 Machines composées de (depuis

Plus en détail

Règles d'association. Définition. Processus

Règles d'association. Définition. Processus Data Mining «Extraction de connaissances valides et exploitables à partir de grands volumes de données hétérogènes provenant de sources et de bases diverses» Règles d'association Définition Extraction

Plus en détail

Aspects théoriques et algorithmiques du calcul réparti Placement - Compléments

Aspects théoriques et algorithmiques du calcul réparti Placement - Compléments A- 0/0 Aspects théoriques et algorithmiques du calcul réparti Placement - Compléments Patrick CIARLET Enseignant-Chercheur UMA patrick.ciarlet@ensta-paristech.fr Françoise LAMOUR franc.lamour@gmail.com

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

SAS BI DASHBOARD 4.3 : POUR LE MEILLEUR ET POUR LE FILTRE

SAS BI DASHBOARD 4.3 : POUR LE MEILLEUR ET POUR LE FILTRE SAS BI DASHBOARD 4.3 : POUR LE MEILLEUR ET POUR LE FILTRE En tant qu outils d aide à la décision, les tableaux de bord doivent répondre rapidement. Pour participer à cet effort de réactivité en termes

Plus en détail

LA CONDUITE DE PROJET Plan détaillé du cours

LA CONDUITE DE PROJET Plan détaillé du cours LA CONDUITE DE PROJET Plan détaillé du cours Chapitre 1 Notions de projet informatique et de schéma directeur Objectifs : - Définir des notions de projet informatique et de schéma directeur - Décrire à

Plus en détail

Logique et bases de données

Logique et bases de données Logique et bases de données Plan Théorie du premier ordre Hypothèses CWA, unique name, domain closure BD comme interprétation BD comme théorie du 1er ordre BD déductives Signification des différentes formes

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

Construction et enrichissement automatique d ontologie à partir de ressources externes

Construction et enrichissement automatique d ontologie à partir de ressources externes Construction et enrichissement automatique d ontologie à partir de ressources externes JFO 2009 Jeudi 3 décembre 2009 E. Kergosien (LIUPPA, Pau) M. Kamel (IRIT- UPS, Toulouse) M. Sallabery (LIUPPA, Pau)

Plus en détail

GESTION DES ARCHIVES

GESTION DES ARCHIVES GESTION DES ARCHIVES Classement des archives COMMENT CLASSER MES DOCUMENTS? Règles de base et recommandations pour le classement des documents au sein de votre organisation 1 LE CLASSEMENT, C EST QUOI?

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

FSAB 1402 - Suggestions de lecture

FSAB 1402 - Suggestions de lecture FSAB 1402 - Suggestions de lecture 2006 Concepts, techniques and models of computer programming Cours 1 - Intro Chapitre 1 (sections 1.1, 1.2, 1.3, pages 1-3) Introduction aux concepts de base Chapitre

Plus en détail

!-.!#- $'( 1&) &) (,' &*- %,!

!-.!#- $'( 1&) &) (,' &*- %,! 0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets

Plus en détail

Programmation Par Contraintes

Programmation Par Contraintes Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

Plus en détail

Bases de données documentaires et distribuées Cours NFE04

Bases de données documentaires et distribuées Cours NFE04 Bases de données documentaires et distribuées Cours NFE04 Introduction a la recherche d information Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département

Plus en détail

Objectifs. Maîtriser. Pratiquer

Objectifs. Maîtriser. Pratiquer 1 Bases de Données Objectifs Maîtriser les concepts d un SGBD relationnel Les modèles de représentations de données Les modèles de représentations de données La conception d une base de données Pratiquer

Plus en détail

L approche processus c est quoi?

L approche processus c est quoi? L approche processus c est quoi? D après FD X50-176 Management des processus (2005) AC X50-178 Management des processus, Bonnes pratiques et retours d expérience (2002) Introduction Termes et définitions

Plus en détail

Mise en œuvre du Global Process Control pour la surveillance et le diagnostic de process automobiles

Mise en œuvre du Global Process Control pour la surveillance et le diagnostic de process automobiles En coopération avec Mise en œuvre du Global Process Control pour la surveillance et le diagnostic de process automobiles Standards Certification Education & Training Publishing Conferences & Exhibits D.

Plus en détail

Systèmes de dialogue homme-machine

Systèmes de dialogue homme-machine Systèmes de dialogue homme-machine Une introduction rapide Sophie Rosset Groupe Traitement du Langage Parlé Département Communication Homme-Machine LIMSI - CNRS Sophie Rosset (LIMSI) Systèmes de dialogue

Plus en détail

Hervé Couturier EVP, SAP Technology Development

Hervé Couturier EVP, SAP Technology Development Hervé Couturier EVP, SAP Technology Development Hervé Biausser Directeur de l Ecole Centrale Paris Bernard Liautaud Fondateur de Business Objects Questions à: Hervé Couturier Hervé Biausser Bernard Liautaud

Plus en détail

Catalogue des PFE. Comment postuler

Catalogue des PFE. Comment postuler Catalogue des PFE 2012 2013 IP-TECH propose plusieurs sujets pour des stages de PFE. Ce fascicule est destiné aux étudiants et aux professeurs de l enseignement supérieur. Il commence par un aperçu rapide

Plus en détail

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche Réseaux Sociaux Révolution des usages sur Internet, et nouvelles problématiques de recherche Pierre Maret, Laboratoire Hubert Curien, St-Etienne Adrien Joly, Alcatel-Lucent Bell Labs France, Villarceaux

Plus en détail

CHARTE relative au service de Conseil en Energie Partagé

CHARTE relative au service de Conseil en Energie Partagé CHARTE relative au service de Conseil en Energie Partagé Préambule : Le service de Conseil en Energie Partagé est un Service d Intérêt Général qui vise à promouvoir et accompagner la réalisation d économies

Plus en détail

Théorie de la Normalisation 1/44

Théorie de la Normalisation 1/44 Théorie de la Normalisation 1/44 La phase de design d une BD q Analyse des besoins q Design conceptuel q Modèle EA, UML q Design logique q EA vers relations q raffinement de schéma: normalisation q Design

Plus en détail

Des traitements aux ressources linguistiques : le rôle d une architecture linguistique

Des traitements aux ressources linguistiques : le rôle d une architecture linguistique Des traitements aux ressources : le rôle d une architecture Frederik Cailliau Villetaneuse, le 9 décembre 2010 Sous la direction d Adeline Nazarenko 1. 2. 3. 4. 5. 6. 2 Sinequa Cifre à Sinequa Recherche

Plus en détail

Intégration de la dimension sémantique dans les réseaux sociaux

Intégration de la dimension sémantique dans les réseaux sociaux Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux

Plus en détail

Animation pédagogique

Animation pédagogique Animation pédagogique Proposition d un cadre de réflexion Rédaction Jean- Michel Guilhermet à partir des travaux du groupe EPS 38 - mai 2012 Page 1 Le document précise les professionnelles attendues dans

Plus en détail

Ordonnancement avec exclusion mutuelle par un graphe d intervalles ou d une classe apparentée : complexité et algorithmes ~ Frédéric Gardi

Ordonnancement avec exclusion mutuelle par un graphe d intervalles ou d une classe apparentée : complexité et algorithmes ~ Frédéric Gardi Ordonnancement avec exclusion mutuelle par un graphe d intervalles ou d une classe apparentée : complexité et algorithmes ~ Frédéric Gardi - 14 Juin 2005 - - Faculté des Sciences de Luminy - 1. Introduction

Plus en détail

La grille d analyse des UI en ligne

La grille d analyse des UI en ligne module «GRILLEWEB» La grille d analyse des UI en ligne Daniel PERAYA David OTT avril 2001 Description du contexte de production du document : Ce rapport a été écrit dans le cadre du projet de recherche

Plus en détail

Table des Matières. Table des Figures 7. Introduction Générale 9. Chapitre 1 - Langages de description d architectures matérielles hybrides 23

Table des Matières. Table des Figures 7. Introduction Générale 9. Chapitre 1 - Langages de description d architectures matérielles hybrides 23 Table des Figures 7 Introduction Générale 9 1. Outils et plate-formes de construction d application 9 2. Intégration de paradigmes de conception dans le cycle de vie 10 2.1. Equilibrage de charge et équilibrage

Plus en détail

Système OLAP Fresqueau

Système OLAP Fresqueau Système OLAP Fresqueau Kamal BOULIL Journées 20 mars Strasbourg Réunion plénière -Fresqueau 07-08 octobre 2013 1 Plan 1. Introduction 1. Projet ANR Fresqueau 2. Systèmes OLAP 2. Système OLAP Fresqueau

Plus en détail

Département d informatique et de génie logiciel Université Laval. MULTIMÉDIA Concentration (4 cours) (Notre salle multimédia)

Département d informatique et de génie logiciel Université Laval. MULTIMÉDIA Concentration (4 cours) (Notre salle multimédia) Département d informatique et de génie logiciel Université Laval MULTIMÉDIA Concentration (4 cours) (Notre salle multimédia) A. Avant propos... 2 B. Cours de multimédia (4 cours obligatoires)... 3 a. IFT-10558

Plus en détail

Graphes, réseaux et internet

Graphes, réseaux et internet Graphes, réseaux et internet Clémence Magnien clemence.magnien@lip6.fr LIP6 CNRS et Université Pierre et Marie Curie (UPMC Paris 6) avec Matthieu Latapy, Frédéric Ouédraogo, Guillaume Valadon, Assia Hamzaoui,...

Plus en détail

Résolution générique à la volée de systèmes d équations booléennes et applications

Résolution générique à la volée de systèmes d équations booléennes et applications Résolution générique à la volée de systèmes d équations booléennes et applications Radu Mateescu INRIA Rhône-Alpes / VASY Plan Introduction Systèmes d équations booléennes d alternance 1 Algorithmes de

Plus en détail

SECTION 2 BILAN DES COMPÉTENCES

SECTION 2 BILAN DES COMPÉTENCES SECTION 2 BILAN DES COMPÉTENCES Bilan des compétences INTRODUCTION... 3 LES OBJECTIFS DU BILAN DES COMPETENCES... 3 LE DEROULEMENT DE VOTRE BILAN DES COMPETENCES... 3 LE BILAN DES COMPETENCES DU PROGRAMME...

Plus en détail

Morgan Beau Nicolas Courazier

Morgan Beau Nicolas Courazier EPSI - 2010 Rapport projet IA Conception et mise en œuvre d un générateur de systèmes experts Morgan Beau Sommaire Cahier des charges 3 Présentation générale 4 Analyse et modélisation 6 Le moteur d inférence

Plus en détail

OpenText Content Server v10 Cours 3-0126 (ex 215)

OpenText Content Server v10 Cours 3-0126 (ex 215) v10 Cours 3-0126 (ex 215) Administration système et indexation-recherche Durée : 5 jours Ce cours de 5 jours apprendra aux administrateurs, aux architectes système et aux services support comment installer,

Plus en détail