Analyse d un système de freinage récupératif d un véhicule électrique

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Analyse d un système de freinage récupératif d un véhicule électrique"

Transcription

1 Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet

2 1 Compréhension du sujet 2 Cas I 3 Cas II

3 Plan Compréhension du sujet Cas I Cas II 1 Compréhension du sujet 2 Cas I 3 Cas II

4 Problématiques ADACCESS Optimiser les solutions pour des situations et des styles de conduites très variés Modéliser le courant de la batterie en fonction du comportement du conducteur

5 Objectifs 1 Modèle comportemental macroscopique du freinage récupératif d un véhicule électrique 2 Déterminer les variables impliquées dans le processus du récupération de l énergie (194 variables)

6 Quelques images pour comprendre la difficulté du problème

7 Compréhension du sujet Cas I Cas II Oublions le temps!

8 Régression Linéaire On cherche à estimer le courant de la batterie en fonction des 4 variables précédentes en supposant une relation linéaire de la forme Courant_batt =α 0 + α 1 Pedale_accel + α 2 Pedale_frein Coefficient R 2 : + α 3 Vitesse + α 4 Charge_batt + Bruit. R 2 = 1 Erreur quadratique Var(Courant_batt). Autrement dit, plus R 2 est proche de 1, plus le modèle linéaire est adapté au jeu de données.

9 Régression Linéaire Sans prise en compte de la temporalité Apprentissage 50%: R 2 = 0.90 Test: R 2 = 0.61

10 Régression Linéaire - Prise en compte de la temporalité Prise en compte des variables au temps précédent Apprentissage 50%: R 2 = 0.92 Test: R 2 = 0.71

11 Régression Linéaire - Prise en compte de la temporalité Prise en compte des variables sur 10 temps précédent Apprentissage 50%: R 2 = Test: R 2 = 0.991

12 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables.

13 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables. Comment choisir le nombre d axes? On a essentiellement 2 manières de faire.

14 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables. Comment choisir le nombre d axes? On a essentiellement 2 manières de faire. Pour obtenir une représentation graphique facilement lisible, on choisit exactement 2 axes.

15 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables. Comment choisir le nombre d axes? On a essentiellement 2 manières de faire. Pour obtenir une représentation graphique facilement lisible, on choisit exactement 2 axes. On choisit les axes correspondants à des valeurs propres supérieures à 1 pour avoir une bonne représentation de l ensemble des variables.

16 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables. Comment choisir le nombre d axes? On a essentiellement 2 manières de faire. Pour obtenir une représentation graphique facilement lisible, on choisit exactement 2 axes. On choisit les axes correspondants à des valeurs propres supérieures à 1 pour avoir une bonne représentation de l ensemble des variables. Pour le modèle réduit, on a 2 valeurs propres supérieures à 1. la représentation en 2D résume bien l information des 4 variables.

17 Résultat de l ACP ACP sur le modèle réduit 2nde Composante Principale Courant_Batt Pedale_Accel Vitesse Charge_Batt Pedale_Frein ère Composante principale

18 Sélection de variable On utilise une méthode de sélection de variable pas à pas (RFE): on part du modèle avec toutes les variables on élimine progressivement les variables on choisit le meilleur modèle parmi ceux construits (ici 4 modèles)

19 Sélection de variable On utilise une méthode de sélection de variable pas à pas (RFE): on part du modèle avec toutes les variables on élimine progressivement les variables on choisit le meilleur modèle parmi ceux construits (ici 4 modèles) Les variables sélectionnées par ordre d importance sont : la pédale d accélération, la pédale de frein, la vitesse, la charge de la batterie.

20 Sélection de variable On utilise une méthode de sélection de variable pas à pas (RFE): on part du modèle avec toutes les variables on élimine progressivement les variables on choisit le meilleur modèle parmi ceux construits (ici 4 modèles) Les variables sélectionnées par ordre d importance sont : la pédale d accélération, la pédale de frein, la vitesse, la charge de la batterie.

21 Régression Linéaire Régression linéaire sur les 195 variables Apprentissage: R 2 = Test: R 2 =

22 Résultat de l ACP ACP sur le modèle complet 2nde Composante Principale V44 V59 V58 V99 V55 V18 V123 V105 V113 V40 V38 V15 V51 V53 V122 V107 V87 V95 V91 V98 V92 V94 V104 V110 V111 V116 V109 V108 V112 V117 V115 V114 V96 V121 Courant_Batt V14 V17 V106 V125 V3 V35 V37 V9V6 V89 V118 V120 V119 V144 V190 V193 V130 V157 V126 V153 V145 V148 V146 V147 V155 V62 V124 V192 V74 V67 V43 V56 V57 V8 V22 V45 V63 V68 V69 V71 V77 V76 V79 V83 V4 V60 V75 V84 V127 V172 V154 V143 V85 V61 V156 V78 V129 V128 V21 V25 V167 V64 V139V72 V41 V47 V80 V102 V171 V169 V168 V173 V138 V174 V170 V137 V103 V100 V162 V163 V101 V131 V165 V166 V49 V136V81 V82 V2 V135 V86 V132 V134 V133 V149 V152V140 V150 V151 V141 V164 V5 V142 V191 V20 V34 V27 V32 V31 V29 V30 V26 V33 V36 V48 V23 V24 V28 V7 V50 V19 V65 V66 V42 V39 V73 V97 V46 V90 V160 V159 V158 V184 V185 V186 V187 V188 V70V189 V93 V183 V88 V161 V175 V176 V52 V13 V54 V177 V178 V179 V180 V182 V ère Composante principale

23 Résultat de l ACP 2nde Composante Principale ACP sur le modèle complet V44 V59 V58 V99 V55 V18 V123 V105 V113 V40 V38 V15 V51 V53 V122 V107 V87 V95 V91 V98 V92 V94 V104 V110 V111 V116 V109 V108 V112 V117 V115 V114 V96 V121 Courant_Batt V14 V17 V106 V125 V3 V35 V37 V9V6 V89 V118 V120 V119 V144 V190 V193 V130 V157 V126 V153 V145 V148 V146 V147 V155 V62 V124 V192 V74 V67 V43 V56 V57 V8 V22 V45 V63 V68 V69 V71 V77 V76 V79 V83 V4 V60 V75 V84 V127 V172 V154 V143 V85 V61 V156 V78 V129 V128 V21 V25 V167 V64 V139V72 V41 V47 V80 V102 V171 V169 V168 V173 V138 V174 V170 V137 V103 V100 V162 V163 V101 V131 V165 V166 V49 V136V81 V82 V2 V135 V86 V132 V134 V133 V149 V152V140 V150 V151 V141 V164 V5 V142 V191 V20 V34 V27 V32 V31 V29 V30 V26 V33 V36 V48 V23 V24 V28 V7 V50 V19 V65 V66 V42 V39 V73 V97 V46 V90 V160 V159 V158 V184 V185 V186 V187 V188 V70V189 V93 V183 V88 V161 V175 V176 V52 V13 V54 V177 V178 V179 V180 V182 V181 Problème : La variable d intérêt est mal représentée. l ACP classique ne permet pas de sélectionner les variables significatives pour la prédiction de Courant_Batt ère Composante principale

24 Résultat de l ACP 2nde Composante Principale ACP sur le modèle complet V44 V59 V58 V99 V55 V18 V123 V105 V113 V40 V38 V15 V51 V53 V122 V107 V87 V95 V91 V98 V92 V94 V104 V110 V111 V116 V109 V108 V112 V117 V115 V114 V96 V121 Courant_Batt V14 V17 V106 V125 V3 V35 V37 V9V6 V89 V118 V120 V119 V144 V190 V193 V130 V157 V126 V153 V145 V148 V146 V147 V155 V62 V124 V192 V74 V67 V43 V56 V57 V8 V22 V45 V63 V68 V69 V71 V77 V76 V79 V83 V4 V60 V75 V84 V127 V172 V154 V143 V85 V61 V156 V78 V129 V128 V21 V25 V167 V64 V139V72 V41 V47 V80 V102 V171 V169 V168 V173 V138 V174 V170 V137 V103 V100 V162 V163 V101 V131 V165 V166 V49 V136V81 V82 V2 V135 V86 V132 V134 V133 V149 V152V140 V150 V151 V141 V164 V5 V142 V191 V20 V34 V27 V32 V31 V29 V30 V26 V33 V36 V ère Composante principale V23 V24 V28 V7 V50 V19 V65 V66 V42 V39 V73 V97 V46 V90 V160 V159 V158 V184 V185 V186 V187 V188 V70V189 V93 V183 V88 V161 V175 V176 V52 V13 V54 V177 V178 V179 V180 V182 V181 Problème : La variable d intérêt est mal représentée. l ACP classique ne permet pas de sélectionner les variables significatives pour la prédiction de Courant_Batt. Remarque : on a en fait 17 valeurs propres supérieures à 1, ce qui explique que beaucoup de variables soient mal représentées.

25 Forêts aléatoires Autre méthode de régression : les forêts aléatoires. Algorithme très performant même si les variables sont nombreuses N impose pas la forme de la fonction de régression (méthode non paramétrique)

26 Sélection de variables avec les forêts aléatoires On utilise cet algorithme pour sélectionner les variables pertinentes : Le forêt classe les variables selon leur importance (critère calculé par la forêt) À la première itération, les 20% de variables les moins pertinentes sont enlevées du modèle On itère jusqu à ce qu il ne reste plus aucune variable.

27 Résultat de la sélection de variables RMSE (Cross Validation) Variables Numéro des variables sélectionnées : 18, 58, 59, 55, 81, 9, 132, 142, 82

28 Une ACP à noyau (KPCA) Objectifs Être conforté dans la sélection de variables donnée par les forêts aléatoires.

29 Une ACP à noyau (KPCA) Objectifs Être conforté dans la sélection de variables donnée par les forêts aléatoires. Avoir une ACP qui sépare mieux les variables.

30 Une ACP à noyau (KPCA) Objectifs Être conforté dans la sélection de variables donnée par les forêts aléatoires. Avoir une ACP qui sépare mieux les variables. Moyen utilisé Une ACP non linéaire. Ici une ACP à noyau gaussien : le noyau gaussien répond au 2ème objectif.

31 Résultat d une KPCA KPCA à noyau gaussien sur le modèle complet 2nde Composante Principale V35 V37 Courant_Batt V100 V101 V102 V103 V104 V105 V106 V107 V108 V109 V110 V111 V112 V113 V114 V115 V116 V117 V118 V119 V120 V121 V122 V123 V124 V125 V126 V127 V128 V129 V130 V131 V132 V133 V134 V135 V136 V137 V138 V139 V140 V141 V142 V143 V144 V145 V146 V147 V148 V149 V150 V151 V152 V153 V154 V155 V156 V157 V158 V159 V160 V161 V162 V163 V164 V165 V166 V167 V168 V169 V170 V171 V172 V173 V174 V175 V176 V177 V178 V179 V180 V181 V182 V183 V184 V185 V186 V187 V188 V189 V191 V192 V193 V190 V23 V24 V20 V21 V22 V25 V26 V27 V28 V29 V30 V31 V32 V33 V34 V36 V39 V41 V43 V44 V45 V46 V47 V48 V49 V50 V51 V52 V54 V55 V56 V57 V58 V59 V60 V61 V62 V63 V64 V65 V66 V67 V68 V69 V70 V71 V72 V73 V74 V75 V76 V77 V78 V79 V80 V81 V82 V83 V84 V85 V86 V87 V88 V89 V90 V91 V92 V93 V94 V95 V96 V97 V98 V99 V42 V10 V40V11 V38 V53 V ère Composante Principale

32 Résultat d une KPCA KPCA à noyau gaussien sur le modèle complet 2nde Composante Principale V35 V37 Courant_Batt V100 V101 V102 V103 V104 V105 V106 V107 V108 V109 V110 V111 V112 V113 V114 V115 V116 V117 V118 V119 V120 V121 V122 V123 V124 V125 V126 V127 V128 V129 V130 V131 V132 V133 V134 V135 V136 V137 V138 V139 V140 V141 V142 V143 V144 V145 V146 V147 V148 V149 V150 V151 V152 V153 V154 V155 V156 V157 V158 V159 V160 V161 V162 V163 V164 V165 V166 V167 V168 V169 V170 V171 V172 V173 V174 V175 V176 V177 V178 V179 V180 V181 V182 V183 V184 V185 V186 V187 V188 V189 V191 V192 V193 V190 V23 V24 V20 V21 V22 V25 V26 V27 V28 V29 V30 V31 V32 V33 V34 V36 V39 V41 V43 V44 V45 V46 V47 V48 V49 V50 V51 V52 V54 V55 V56 V57 V58 V59 V60 V61 V62 V63 V64 V65 V66 V67 V68 V69 V70 V71 V72 V73 V74 V75 V76 V77 V78 V79 V80 V81 V82 V83 V84 V85 V86 V87 V88 V89 V90 V91 V92 V93 V94 V95 V96 V97 V98 V99 V42 V10 V40V11 V38 V53 V15 on sépare bien les variables ère Composante Principale

33 Résultat d une KPCA KPCA à noyau gaussien sur le modèle complet 2nde Composante Principale V35 V37 Courant_Batt V100 V101 V102 V103 V104 V105 V106 V107 V108 V109 V110 V111 V112 V113 V114 V115 V116 V117 V118 V119 V120 V121 V122 V123 V124 V125 V126 V127 V128 V129 V130 V131 V132 V133 V134 V135 V136 V137 V138 V139 V140 V141 V142 V143 V144 V145 V146 V147 V148 V149 V150 V151 V152 V153 V154 V155 V156 V157 V158 V159 V160 V161 V162 V163 V164 V165 V166 V167 V168 V169 V170 V171 V172 V173 V174 V175 V176 V177 V178 V179 V180 V181 V182 V183 V184 V185 V186 V187 V188 V189 V191 V192 V193 V190 V23 V24 V20 V21 V22 V25 V26 V27 V28 V29 V30 V31 V32 V33 V34 V36 V39 V41 V43 V44 V45 V46 V47 V48 V49 V50 V51 V52 V54 V55 V56 V57 V58 V59 V60 V61 V62 V63 V64 V65 V66 V67 V68 V69 V70 V71 V72 V73 V74 V75 V76 V77 V78 V79 V80 V81 V82 V83 V84 V85 V86 V87 V88 V89 V90 V91 V92 V93 V94 V95 V96 V97 V98 V99 V42 V10 V40V11 V38 V53 V15 on sépare bien les variables. Mais pour un trop petit nombre ère Composante Principale

34 Résultat d une KPCA KPCA à noyau gaussien sur le modèle complet 2nde Composante Principale V35 V37 Courant_Batt V100 V101 V102 V103 V104 V105 V106 V107 V108 V109 V110 V111 V112 V113 V114 V115 V116 V117 V118 V119 V120 V121 V122 V123 V124 V125 V126 V127 V128 V129 V130 V131 V132 V133 V134 V135 V136 V137 V138 V139 V140 V141 V142 V143 V144 V145 V146 V147 V148 V149 V150 V151 V152 V153 V154 V155 V156 V157 V158 V159 V160 V161 V162 V163 V164 V165 V166 V167 V168 V169 V170 V171 V172 V173 V174 V175 V176 V177 V178 V179 V180 V181 V182 V183 V184 V185 V186 V187 V188 V189 V191 V192 V193 V190 V23 V24 V20 V21 V22 V25 V26 V27 V28 V29 V30 V31 V32 V33 V34 V36 V39 V41 V43 V44 V45 V46 V47 V48 V49 V50 V51 V52 V54 V55 V56 V57 V58 V59 V60 V61 V62 V63 V64 V65 V66 V67 V68 V69 V70 V71 V72 V73 V74 V75 V76 V77 V78 V79 V80 V81 V82 V83 V84 V85 V86 V87 V88 V89 V90 V91 V92 V93 V94 V95 V96 V97 V98 V99 V42 V10 V40V11 V38 V53 V15 on sépare bien les variables. Mais pour un trop petit nombre. on effectue des KPCAs successives jusqu à obtenir au maximum 10 variables ère Composante Principale

35 Successions de KPCA KPCAs à noyau gaussien successives sur le modèle complet 2nde Composante Principale V26 Courant_Batt V193 V52 V21 V18 V28 V190 V42 V ère Composante Principale

36 Successions de KPCA KPCAs à noyau gaussien successives sur le modèle complet 2nde Composante Principale V26 Courant_Batt V193 V52 V21 V18 V28 V190 V42 V31 Il reste les variables "V18", "V21", "V26", "V28", "V31", "V42", "V52", "V190" ère Composante Principale

37 Merci pour votre attention!

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83

Plus en détail

Sujet de Bac 2013 Maths ES Obligatoire & Spécialité - Pondichéry

Sujet de Bac 2013 Maths ES Obligatoire & Spécialité - Pondichéry Sujet de Bac 2013 Maths ES Obligatoire & Spécialité - Pondichéry Exercice 1 : 4 points Commun à tous les candidats Cet exercice est un questionnaire à choix multiples. Une réponse exacte rapporte 1 point.

Plus en détail

Optimisation des ressources des produits automobile première

Optimisation des ressources des produits automobile première EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

Plus en détail

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f JFMS Toulouse 24, 25, 26 mars 2010 AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f Benjamin Echard Nicolas Gayton Maurice Lemaire LaMI Laboratoire

Plus en détail

EME 31 : Mécatronique : énergie et motricité TD n 3 : Modélisation du freinage d une automobile Amélioration à l aide d un ABS

EME 31 : Mécatronique : énergie et motricité TD n 3 : Modélisation du freinage d une automobile Amélioration à l aide d un ABS TD n 3 : Modélisation du freinage d une automobile Amélioration à l aide d un ABS 1 Objectif Letravail àeffectuer consisteàmodéliser le système defreinage ABSd unevoiture. Nousdébuterons par une modélisation

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Validité prédictive des questionnaires Cebir. Etude 1 : validité critérielle dans le secteur du gardiennage

Validité prédictive des questionnaires Cebir. Etude 1 : validité critérielle dans le secteur du gardiennage Validité prédictive des questionnaires Cebir Introduction Dans le domaine de la sélection, il est particulièrement intéressant de déterminer la validité prédictive d un test. Malheureusement, les occasions

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

Plus en détail

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07 Reconstruction et Animation de Visage Charlotte Ghys 15/06/07 1 3ème année de thèse Contexte Thèse CIFRE financée par Orange/France Telecom R&D et supervisée par Nikos Paragios (Ecole Centrale Paris) et

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

TACTIQUE PRO Serious Game

TACTIQUE PRO Serious Game TACTIQUE PRO Serious Game Choisir et construire IFMV-VALDOCCO 102, rue Henri Barbusse 95100 Argenteuil 09.61.28.12.57 Responsable du projet : Christine MARY projet.valdocco@gmail.com Le Valdocco est une

Plus en détail

Accélérer l agilité de votre site de e-commerce. Cas client

Accélérer l agilité de votre site de e-commerce. Cas client Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible

Plus en détail

Mathématique pour l informatique Examen durée : 3 heures. Question 1. Mettre ce problème en forme standard en introduisant des variables d écarts.

Mathématique pour l informatique Examen durée : 3 heures. Question 1. Mettre ce problème en forme standard en introduisant des variables d écarts. Mathématique pour l informatique Examen durée : 3 heures. Université de Provence Licence Informatique Année 2001-2002 Exercice 1 (Simplexe : 10 points) On donne le problème de programmation linéaire (P)

Plus en détail

Choix de modèle en régression linéaire

Choix de modèle en régression linéaire Master pro Fouille de données Philippe Besse 1 Objectif Choix de modèle en régression linéaire La construction d un score d appétence sur les données bancaires correspond au choix et à l estimation d un

Plus en détail

LES REPRESENTATIONS DES NOMBRES

LES REPRESENTATIONS DES NOMBRES LES CARTES A POINTS POUR VOIR LES NOMBRES INTRODUCTION On ne concevrait pas en maternelle une manipulation des nombres sans représentation spatiale. L enfant manipule des collections qu il va comparer,

Plus en détail

SYSTÈME DE FREINAGE REGENERATIF

SYSTÈME DE FREINAGE REGENERATIF SYSTÈME DE FREINAGE REGENERATIF Pour Scooters, Motos, Quads électriques ou hybrides MAZZIOTTA MOTORS SAS 9A Boulevard de Strasbourg 83000 TOULON FRANCE Mail : commercial@mazziotta-motors.com Le freinage

Plus en détail

La distance d arrêt.

La distance d arrêt. La distance d arrêt. Niveau Références B.O. Partie 3 ème C - De la gravitation à l énergie mécanique. C2 - Énergie cinétique et sécurité routière. Sous-partie Pourquoi la vitesse est-elle dangereuse? Pré

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

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

quel mode d emploi? Devant des valeurs à risque,

quel mode d emploi? Devant des valeurs à risque, Devant des valeurs à risque, quel mode d emploi? Dans les sciences exactes, la précision est reine. Pas en économie où il est difficile de quantifier certaines variables. Notamment le risque qui n est

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

Plus en détail

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

Plus en détail

La solution en mode Saas de ClickTale aide de nombreuses entreprises de tailles et secteurs différents à réaliser leurs objectifs en ligne.

La solution en mode Saas de ClickTale aide de nombreuses entreprises de tailles et secteurs différents à réaliser leurs objectifs en ligne. OPTMALISEZ VOTRE POTENTIEL NUMÉRIQUE EN VISUALISANT LE COMPORTEMENT DES INTERNAUTES ClickTale Core suit chaque mouvement de souris, clic et défilement, créant des vidéos lisibles de l intégralité de la

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la voiture 4 roues motrices en phase d accélération?»

PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la voiture 4 roues motrices en phase d accélération?» D après les productions de l équipe du lycée Clément Ader de Dourdan Mme Fabre-Dollé, Mr Dollé et Mr Berthod THÈME SOCIÉTAL Mobilité PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la

Plus en détail

Méthodes d apprentissage :

Méthodes d apprentissage : Méthodes d apprentissage : application au tri de complexes protéines-protéines Jérôme Azé Apprentissage: tâches Apprentissage non supervisé (Eisen, ) Apprentissage supervisé (arbres de décision, k-ppv,

Plus en détail

Gestion des approvisionnements avec SAP Business One Optimisation des approvisionnements grâce à l intégration de la logistique et de la comptabilité

Gestion des approvisionnements avec SAP Business One Optimisation des approvisionnements grâce à l intégration de la logistique et de la comptabilité distributeur des solutions FICHE TECHNIQUE Module : Gestion des achats Gestion des approvisionnements avec SAP Business One Optimisation des approvisionnements grâce à l intégration de la logistique et

Plus en détail

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES SAS 3 DEC 2015 1 sur 9 TRANSAT Un voyagiste international solidement installé au Canada, en France et au Royaume-Uni, qui offre

Plus en détail

Analyse d images. L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

Analyse d images. L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : Analyse d images La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

Classification par des méthodes de data mining. Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse

Classification par des méthodes de data mining. Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse Classification par des méthodes de data mining Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse Plan: Le processus métier Présentation des 3 méthodes étudiées: Arbres de décision Machines à vecteurs

Plus en détail

SPLEX Statistiques pour la classification et fouille de données en

SPLEX Statistiques pour la classification et fouille de données en SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr

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

Questions pratiques 4: Transformer la variable dépendante

Questions pratiques 4: Transformer la variable dépendante Questions pratiques 4: Transformer la variable dépendante Jean-François Bickel Statistique II SPO8 Transformer une variable consiste en une opération arithmétique qui vise à construire une nouvelle variable

Plus en détail

SYSTEMES D EQUATIONS

SYSTEMES D EQUATIONS SYSTEMES D EQUATIONS I Définition: Un système de deux équations du premier degré à deux inconnues x et y est de la forme : a x + b y = c a' x + b' y = c' où a, b, c, et a', b', c' sont des nombres donnés.

Plus en détail

Rapport. TME2 - Problème d affectation multi-agents

Rapport. TME2 - Problème d affectation multi-agents Rapport TME2 - Problème d affectation multi-agents Auteurs : Encadrant : Lan Zhou Safia Kedad-Sidhoum Minh Viet Le Plan I. Problème :... 2 II. Question 1 - Formulation linéaire du problème :... 2 III.

Plus en détail

Un algorithme génétique à diversité augmentée pour des problèmes de tournées de véhicules multi-dépôts multi-périodes

Un algorithme génétique à diversité augmentée pour des problèmes de tournées de véhicules multi-dépôts multi-périodes Un algorithme génétique à diversité augmentée pour des problèmes de tournées de véhicules multi-dépôts multi-périodes Thibaut Vidal, Teodor Gabriel Crainic, Michel Gendreau Nadia Lahrichi, Walter Rei 2009

Plus en détail

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

Plus en détail

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

Plus en détail

Analyse discriminante

Analyse discriminante Analyse discriminante Christine Decaestecker & Marco Saerens ULB & UCL LINF2275 1 Analyse Discriminante Particularités: 2 formes/utilisations complémentaires: méthode factorielle: description "géométrique"

Plus en détail

Diagnostics RePèreS. WellScan ID RePèreS Orientation ID RePèreS Action. Présentation générale. Finalités. Livrables. Page 1

Diagnostics RePèreS. WellScan ID RePèreS Orientation ID RePèreS Action. Présentation générale. Finalités. Livrables. Page 1 Diagnostics RePèreS WellScan Présentation générale Finalités Livrables Baromètre du stress en ligne A l échelle individuelle, il est destiné à : mieux comprendre son état de stress prendre conscience de

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

Dénombrement, opérations sur les ensembles.

Dénombrement, opérations sur les ensembles. Université Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 1 (du 16 au 20 septembre 2013) Dénombrement, opérations sur les ensembles 1 Combien de façons y a-t-il de classer

Plus en détail

Pourquoi se doter d une solution de recrutement? Rémi BAILLAUD Chef de marché HR

Pourquoi se doter d une solution de recrutement? Rémi BAILLAUD Chef de marché HR Pourquoi se doter d une solution de recrutement? Rémi BAILLAUD Chef de marché HR Le recrutement face aux nouveaux usages Une préoccupation majeure des DRH français en faveur du recrutement des talents

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des

Plus en détail

Mieux sur la route sur toute la ligne. Le package d efficacité DIWA

Mieux sur la route sur toute la ligne. Le package d efficacité DIWA Mieux sur la route sur toute la ligne. Le package d efficacité DIWA 1 Economiser le carburant. Réduire les émissions. Augmenter la disponibilité. Baisse des consommations de carburant, réduire la complexité,

Plus en détail

Mini-projet guidé 09 Octobre 17 Décembre 2015

Mini-projet guidé 09 Octobre 17 Décembre 2015 Projet d Investigation et d Intégration 215-216 1/5 4 OPTIMISTION DU FONCTIONNEMENT D UN SCENSEUR Mini-projet guidé 9 Octobre 17 Décembre 215 Introduction : Le projet «Optimisation du fonctionnement d

Plus en détail

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à

Plus en détail

Recherche des besoins

Recherche des besoins Introduction Le rendez-vous en face à face est la seconde étape de la négociation. Elle succède en effet à la prise de contact téléphonique. C est durant cet entretien avec le client que le vendeur va

Plus en détail

Diplôme intermédiaire BEP MSA/ MRCU

Diplôme intermédiaire BEP MSA/ MRCU Session 2011 Diplôme intermédiaire BEP MSA/ MRCU CCF de MATHEMATIQUES N 1 Classe : 2 nde Période : 2 ème Semestre 2009-2010 LP Les Charmilles BAC PRO Comptabilité Secrétariat Commerce/Vente Service/Accueil

Plus en détail

Fiche pour les étudiants «Comment répondre à une question à développement?»

Fiche pour les étudiants «Comment répondre à une question à développement?» VOLUME 11, NO 1 AUTOMNE 2012 Cégep de Rimouski Développement pédagogique Annexe 2 du Pédagotrucs no 40 Fiche pour les étudiants «Comment répondre à une question à développement?» Voici un guide qui t aidera

Plus en détail

EXERCICES D ENTRAINEMENT POUR LE DS 7. 1ère STG (Extraits de devoirs d années précédentes)

EXERCICES D ENTRAINEMENT POUR LE DS 7. 1ère STG (Extraits de devoirs d années précédentes) EXERCICES D ENTRAINEMENT POUR LE DS 7. 1ère STG (Extraits de devoirs d années précédentes) Les corrigés sont en seconde partie de ce fichier (pages 4 à 8). Exercice 1: A la sortie d un hypermarché, on

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48 Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation

Plus en détail

Outils et lois de l électrocinétique

Outils et lois de l électrocinétique TOYOTA PRIUS (Source : Centrale Supélec 2005) Objectifs de l étude : Expliquer pourquoi les véhicules électriques ont des difficultés à se développer.. Déterminer les résistances des circuits de mise en

Plus en détail

Introduction à la programmation sous Scilab : TP auto-correctifs II

Introduction à la programmation sous Scilab : TP auto-correctifs II Introduction à la programmation sous Scilab : TP auto-correctifs II Licence de Physique à distance Table des matières I Vecteurs et matrices (II) 1 a) Vecteurs........................................ 1

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

Notion de modèle - Processus d analyse Application à la méthode des Eléments finis

Notion de modèle - Processus d analyse Application à la méthode des Eléments finis Notion de modèle - Processus d analyse Application à la méthode des Eléments finis La présentation est animée, avancez à votre vitesse par un simple clic Chapitres 1 et 6 du polycopié de cours. Bonne lecture

Plus en détail

Evaluation et tests d une interface graphique

Evaluation et tests d une interface graphique Evaluation et tests d une interface graphique Tâcheconsidérée considérée Utilisateurs Poste de travail Domaine d activité Analyse de la tâche Contexte de travail Stéréotype d utilisateur Critères d utilité

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

Plus en détail

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008)

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008) Rapport de Recherche (D. Blanke - Mars 2008) L essentiel de mes activités de recherche porte sur l estimation fonctionnelle ou paramétrique pour des processus. L ensemble de ces travaux peut se diviser

Plus en détail

LYCÉE JULES VIETTE MONTBELIARD. Choix d un tarif en vue de l implantation d une borne de recharge chez un particulier.

LYCÉE JULES VIETTE MONTBELIARD. Choix d un tarif en vue de l implantation d une borne de recharge chez un particulier. BTS ÉLECTROTECHNIQUE LYCÉE JULES VIETTE MONTBELIARD Choix d un tarif en vue de l implantation d une borne de recharge chez un particulier. BTS Electrotechnique Thème 8 : la gestion des coûts THEME 8 :

Plus en détail

Quelles sont, aujourd hui, les menaces pesant sur l informatique? Pietro Di Gregorio, Audit Line Partners SA

Quelles sont, aujourd hui, les menaces pesant sur l informatique? Pietro Di Gregorio, Audit Line Partners SA Quelles sont, aujourd hui, les menaces pesant sur l informatique? Pietro Di Gregorio, Audit Line Partners SA Agenda Contexte général Les menaces (Les grands classiques) Les menaces contemporaines (La mode

Plus en détail

Laboratoire 2 Extraction des caractéristiques

Laboratoire 2 Extraction des caractéristiques Laboratoire 2 Extraction des caractéristiques L objectif de l extraction et de la sélection de caractéristiques est d identifier les caractéristiques importantes pour la discrimination entre classes. Après

Plus en détail

I.S.N. : informatique et sciences du numérique

I.S.N. : informatique et sciences du numérique I.S.N. : informatique et sciences du numérique Qu'est-ce que la nouvelle spécialité de terminale S Informatique et sciences du numérique? L'I.S.N., c'est principalement l'apprentissage de l'informatique

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

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

Devoir à la maison en algorithmique (2 nde )

Devoir à la maison en algorithmique (2 nde ) Devoir à la maison en algorithmique (2 nde ) Introduction Quel constat : Les devoirs à la maison permettent de soutenir les apprentissages des élèves et prennent en compte la diversité des aptitudes des

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en détail

Détection Multi-Utilisateurs

Détection Multi-Utilisateurs Détection Multi-Utilisateurs 3 ème année Télécom-Réseaux année 007-008 Martial COULON INP-ENSEEIHT Position du Problème Obectif : concevoir et analyser la démodulation numérique en présence d interférences

Plus en détail

Fiche méthodologique Les pièges dans les dénombrements

Fiche méthodologique Les pièges dans les dénombrements Fiche méthodologique Les pièges dans les dénombrements BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Dans cette fiche, on résume quelques points techniques sur les dénombrements et la théorie des probabilités.

Plus en détail

Le mot «algorithme» vient du nom de l auteur persan Al-Khuwarizmi (né vers 780 - mort vers 850) Une définition: «un algorithme est une suite finie de

Le mot «algorithme» vient du nom de l auteur persan Al-Khuwarizmi (né vers 780 - mort vers 850) Une définition: «un algorithme est une suite finie de Le mot «algorithme» vient du nom de l auteur persan Al-Khuwarizmi (né vers 780 - mort vers 850) Une définition: «un algorithme est une suite finie de règles à appliquer dans un ordre déterminé à un nombre

Plus en détail

Examen de Bases de données multimédia 5 février 2014 durée : 2h00

Examen de Bases de données multimédia 5 février 2014 durée : 2h00 Examen de Bases de données multimédia 5 février 2014 durée : 2h00 Documents autorisés : transparents du cours, notes de cours. Calculatrice non autorisée. Bonus = points en plus hors barème. EXERCICE 1.

Plus en détail

MultiploDingo. Manuel pédagogique. Introduction

MultiploDingo. Manuel pédagogique. Introduction MultiploDingo Manuel pédagogique Introduction Merci d avoir acheté le jeu MultiploDingo. Le but de ce jeu est de faciliter l apprentissage à l école primaire (CE1 au CM2) des notions suivantes: - Multiplications

Plus en détail

plus de maîtrise pour plus de plaisir de conduire.

plus de maîtrise pour plus de plaisir de conduire. BMW Driver Training www.bmw.be Le plaisir de conduire plus de maîtrise pour plus de plaisir de conduire. BMW Driver Training. des stages de conduite pour rendre toutes les routes plus sûres. Pour BMW,

Plus en détail

La BOITE de VITESSES ROBOTISEE B.V. Robotisée 1/8

La BOITE de VITESSES ROBOTISEE B.V. Robotisée 1/8 La BOITE de VITESSES ROBOTISEE B.V. Robotisée 1/8 I Frontière de l étude - - - II Fonction globale Calculateurs moteur et ABS / ESP Energie Présence M.O électrique Freinage Réglages Ouverture porte Puissance

Plus en détail

POLY-PREPAS Centre de Préparation aux Concours Paramédicaux

POLY-PREPAS Centre de Préparation aux Concours Paramédicaux POLY-PREPAS Centre de Préparation aux Concours Paramédicaux - Sections : L1 Santé - 1 Olivier CAUDRELIER oc.polyprepas@orange.fr Chapitre 1 : Equations aux dimensions 1. Equation aux dimensions a) Dimension

Plus en détail

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine.

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Anne Poupon Biologie et Bioinformatique des Systèmes de Signalisation INRA - Nouzilly France

Plus en détail

pour réussir Conseils vos projets de de dématérialisation de documents et processus Démarrez

pour réussir Conseils vos projets de de dématérialisation de documents et processus Démarrez pour réussir vos projets de de dématérialisation de documents et processus Conseils Démarrez 10 conseils pour réussir son projet 2 1. Faire une étude d opportunité 2. Définir le cadre de son projet 3.

Plus en détail

DIFFERENCIATION ET TICE

DIFFERENCIATION ET TICE DIFFERENCIATION ET TICE 1ere partie Janvier- février 2015 Limoges 1 Nathalie Chabrely Garcia et Equipe Tice 87 Quelques définitions Il existe plusieurs sens de cette notion mais tous répondent à une même

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

Développement itératif, évolutif et agile

Développement itératif, évolutif et agile Document Développement itératif, évolutif et agile Auteur Nicoleta SERGI Version 1.0 Date de sortie 23/11/2007 1. Processus Unifié Développement itératif, évolutif et agile Contrairement au cycle de vie

Plus en détail

L occasion d innover. L innovation

L occasion d innover. L innovation Le site nool.ca Un soutien à l égard des aptitudes à écrire et en mathématiques offert par l intermédiaire d Internet aux étudiantes et étudiants de première année de l Institut universitaire de technologie

Plus en détail

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) -

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) - Dominique Ferrieux - Université Paul Valéry - Montpellier III Master de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( /) - Deuxième partie : Plans :

Plus en détail

Expérimentation Watt & Moi. 16 ème assises de l énergie - Bordeaux 2015 28 janvier 2015

Expérimentation Watt & Moi. 16 ème assises de l énergie - Bordeaux 2015 28 janvier 2015 Expérimentation Watt & Moi 16 ème assises de l énergie - Bordeaux 2015 28 janvier 2015 Watt & Moi, une expérimentation de mise à disposition des données Linky aux consommateurs GRANDLYON HABITAT et ERDF

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

La gestion quotidienne, un gage de productivité pour les gestionnaires

La gestion quotidienne, un gage de productivité pour les gestionnaires La gestion quotidienne, un gage de productivité pour les gestionnaires Mylène Pigeon, Directrice Innovation productivité Marie-Pierre Poulin, Gestionnaire de projets senior Innovation productivité Mise

Plus en détail

Modélisation et optimisation combinatoire de la

Modélisation et optimisation combinatoire de la Modélisation et optimisation combinatoire de la gestion d énergie pour un système multi-sources Yacine Gaoua (1)(2)(3) 1.Institut National Polytechnique de Toulou, INPT 2.Laboratoire PLAsma et Conversion

Plus en détail

COURS 470 Série 04. Comptabilité Générale

COURS 470 Série 04. Comptabilité Générale COURS 470 Série 04 Comptabilité Générale Administration générale de l'enseignement et de la Recherche scientifique Direction de l'enseignement à distance REPRODUCTION INTERDITE Communauté française de

Plus en détail