...fin du cours précédent
|
|
- Frédéric Goudreau
- il y a 8 ans
- Total affichages :
Transcription
1 ...fin du cours précédent num voiture moto cheval camion bus âne mulet
2 ...fin du cours précédent num Comptnt_1 Comptnt_2 Comptnt_3 Comptnt_4 Comptnt_5 Comptnt_6 Comptnt_
3 ...fin du cours précédent num Comptnt_1 Comptnt_2 Comptnt_3 Comptnt_4 Comptnt_5 Comptnt_6 Comptnt_
4 ...fin du cours précédent num sexe dept Reponse_1 1 f HG 1_O 2 h AV 1_N 3 f HG 1_O 4 h AV 1_N = num f h HG AV 1_0 1_N
5 Point de départ : matrice des distances Méthodes hiérarchiques : - Descendante : Classification Hiérarchique Descendante (CHD) - Ascendante : Classification Hiérarchique Ascendante (CHA) Non hiérarchiques: - k-means - fuzzy clustering
6 Particularité de la «méthode alceste» : - Pas de matrice des distances - AFC* sur tableau «uc» / formes - extraction des positions sur le premier facteur - > 2 classes*** - détermination de la classe la plus grande - nouvelle AFC* sur la classe la plus grande - > 2 nouvelles classes - x 9 - sur du texte, la classification est faites 2 fois sur 2 tableaux d' «uc» légèrement différents - croisement des 2 classifications et sélection des intersections les plus fortes (au sens du CHI2) ** * algorithme particulier ** permet de déterminer un «nombre de classe» et est utilisé pour des classifications simples *** c'est un peu plus compliqué que ça...
7 Tableau de données R > dm<-read.csv2('data.csv',row.names=1) num var1 var2 var3 var4 var
8 Matrice des distances R > dissmat<-dist(dm,method='binary')
9 CHD (diana) library(cluster) R > chd<-diana(dissmat,diss=true) R > plot(chd,which.plot=2)
10 CHA - agnes R > cha<-agnes(dissmat,diss=true) R > plot(cha,which.plot=2)
11 K-Means (pam) 2 classes R > pm2<-pam(dissmat,diss=true,2) R > plot(pm2)
12 K-Means (pam) 3 classes R > pm3<-pam(dissmat,diss=true,3) R > plot(pm3)
13 K-Means (pam) 4 classes R > pm4<-pam(dissmat,diss=true,4) R > plot(pm4)
14 Un autre tableau R > dm<-read.csv2('data2.csv',row.names=1) num sexe dept var1 var2 var3 var4 var5 1 *f *31 Var1_1 Var2_1 Var3_1 Var4_1 Var5_1 2 *f *31 Var1_1 Var2_1 Var3_1 Var4_1 Var5_1 3 *f *31 Var1_1 Var2_1 Var3_1 Var4_1 Var5_1 4 *f *31 Var1_1 Var2_1 Var3_1 Var4_1 Var5_1 5 *f *31 Var1_1 Var2_1 Var3_1 Var4_1 Var5_1 6 *f *65 Var1_1 Var2_1 Var3_2 Var4_2 Var5_2 7 *f *65 Var1_1 Var2_1 Var3_2 Var4_2 Var5_2 8 *f *65 Var1_1 Var2_1 Var3_2 Var4_2 Var5_2 9 *f *65 Var1_1 Var2_1 Var3_2 Var4_2 Var5_2 10 *f *65 Var1_1 Var2_1 Var3_2 Var4_2 Var5_2 11 *h *82 Var1_2 Var2_2 Var3_3 Var4_3 Var5_3 12 *h *82 Var1_2 Var2_2 Var3_3 Var4_3 Var5_3 13 *h *82 Var1_2 Var2_2 Var3_3 Var4_3 Var5_3 14 *h *82 Var1_2 Var2_2 Var3_3 Var4_3 Var5_3 15 *h *82 Var1_2 Var2_2 Var3_3 Var4_3 Var5_3 16 *h *32 Var1_3 Var2_3 Var3_3 Var4_3 Var5_3 17 *h *32 Var1_3 Var2_3 Var3_3 Var4_3 Var5_3 18 *h *32 Var1_3 Var2_3 Var3_3 Var4_3 Var5_3 19 *h *32 Var1_3 Var2_3 Var3_3 Var4_3 Var5_3 20 *h *32 Var1_3 Var2_3 Var3_3 Var4_3 Var5_3
15 Matrice des distances R > library(cluster) R > dissmat<-daisy(dm,metric='gower')
16 CHD - diana R > chd<-diana(dissmat,diss=true)
17 CHA - agnes R > chd<-agnes(dissmat,diss=true)
18 Fuzzy (fanny) 2 classes R > fun2<-fanny(dissmat,k=2,diss=true) R > plot(fun2)
19 Fuzzy (fanny) 3 classes R > fun3<-fanny(dissmat,k=3,diss=true) R > plot(fun3)
20 Fuzzy (fanny) 4 classes R > fun4<-fanny(dissmat,k=4,diss=true) R > plot(fun4)
21 K-Means (pam) 2 classes R > pm2<-pam(dissmat,diss=true,2) R > plot(pm2)
22 K-Means (pam) 3 classes R > pm3<-pam(dissmat,diss=true,3) R > plot(pm3)
23 k-means 4 classes R > pm4<-pam(dissmat,diss=true,4) R > plot(pm4)
24 profil R > dm<-cbind(dm,classes=as.data.frame(pm4$clustering)[,1]) #fun4 Ou R > dm<-cbind(dm,classes=as.data.frame(cutree(as.hclust(cha),4))[,1]) #chd R > source('chemin_vers_chdfunct.r') R > cont<-buildconttable(dm) R > prof<-buildprof(cont,dm,4) ** classe 1 ** Eff. uce Eff. total % chi2 forme Var3_1 7,74E Var4_1 7,74E Var5_1 7,74E ,67 Var1_1 9,82E ,67 Var2_1 9,82E-003 * * * * * * *31 7,74E ,67 *f 9,82E-003
25 profil ** classe 2 ** Eff. classe Eff. total % chi2 forme P chi Var3_2 7,74E Var4_2 7,74E Var5_2 7,74E ,67 Var1_1 9,82E ,67 Var2_1 9,82E-003 * * * * * * *65 7,74E ,67 *f 9,82E-003
26 AFC sur le tableau de contingence formes / classes R > library(ca) R > afc<-ca(cont) #attention à la gestion de illustratives R > plot(afc)
27 AFC sur le tableau de contingence formes / classes
28 AFC sur le tableau de contingence formes / classes
29 AFC sur le tableau de contingence formes / classes
30 AFC sur le tableau de contingence formes / classes
31 CHD diana (N=200) R > dm<-read.csv2('data3.csv',row.names=1) R > dissmat<-daisy(dm,metric='gower') R > chd<-diana(dissmat,diss=true) Montrer les données
32 CHD - diana cc
33 CHA - agnes R > cha<-diana(dissmat,diss=true)
34 CHA - agnes R > listclasse<-as.data.frame(as.character(cutree(as.hclust(cha),3))) R > clusplot(dissmat,listclasse[,1],diss=true,shade=true)
35 K-means - pam R >pm<-pam(dissmat,diss=true,3)
36 K-means - pam R > clusplot(dissmat,pm$clustering,diss=true,shade=true)
37 Fuzzy - fanny R > fun<-fanny(dissmat,k=3, diss=true)
38 Fuzzy - fanny R > clusplot(dissmat,fun$clustering,diss=true,shade=true)
39 Un autre cas réel (N=3374) CHD - diana
40 Un autre cas réel (N=3374) CHA - agnes
41 Bibliographie : The R project for Statistical Computing. Brostaux, Y. (2004). Introduction à l'environnement de programmation statistique R.
INTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailVIPE CNAM 6 mars 2015. Frank Meyer Orange Labs / IMT / UCE / CRM-DA / PROF
CNAM 6 mars 205 Frank Meyer Orange Labs / IMT / UCE / CRM-DA / PROF 2 UCE / CRM-DA / PROF Application prototype pour l apprentissage multi-label interactif 2 sous-applications en ligne (utilisable par
Plus en détailMoins d accidents et moins de victimes en 2009
DIRECTION GÉNÉRALE STATISTIQUE ET INFORMATION ÉCONOMIQUE COMMUNIQUE DE PRESSE 12 avril 2011 Moins d accidents et moins de victimes en 2009 Les chiffres des accidents de la route portant sur 2009 viennent
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailCommerce et réparation automobile
Campagnes 2008-2009 et 2009-2010 Les ruptures d apprentissage du Commerce et réparation automobile 1 050 établissements employeurs 1 500 d apprentissage 1 420 apprentis Principales activités du secteur
Plus en détailSélection de Caractéristiques pour le Filtrage de Spams
Sélection de Caractéristiques pour le Filtrage de Spams Kamilia MENGHOUR, Labiba SOUICI-MESLATI Laboratoire LRI, Université Badji Mokhtar, BP 12, 23000, Annaba, Algérie. k_menghour@yahoo.fr, souici_labiba@yahoo.fr
Plus en détailArchitecture des ordinateurs
Architecture des ordinateurs Cours 4 5 novembre 2012 Archi 1/22 Micro-architecture Archi 2/22 Intro Comment assembler les différents circuits vus dans les cours précédents pour fabriquer un processeur?
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailL analyse boursière avec Scilab
L analyse boursière avec Scilab Introduction La Bourse est le marché sur lequel se traitent les valeurs mobilières. Afin de protéger leurs investissements et optimiser leurs résultats, les investisseurs
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailCARTOGRAPHIE DE L EMPLOI SUR LINKEDIN EN FRANCE
ANALYSE LINKEDIN / ODOXA CARTOGRAPHIE DE L EMPLOI SUR LINKEDIN EN FRANCE Principaux enseignements L analyse proposée par Odoxa avec LinkedIn sur l emploi à partir de données chiffrées portant sur l ensemble
Plus en détailLes Entrepôts de Données
Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations
Plus en détailL ANALYSE DU «PARC SOCIAL DE FAIT» PARISIEN EN 2003 : UNE ANALYSE TERRITORIALISÉE DES PROFILS D OCCUPATION DES PARCS ET DES QUARTIERS
ATELIER PARISIEN D URBANISME - 17, BD MORLAND 75004 PARIS TÉL : 01 42 71 28 14 FAX : 01 42 76 24 05 http://www.apur.org Observatoire de l'habitat de Paris L ANALYSE DU «PARC SOCIAL DE FAIT» PARISIEN EN
Plus en détailLA BASE DE DONNÉES PATRIMOINE IMMOBILIER, MOBILIER ET
LA BASE DE DONNÉES PATRIMOINE IMMOBILIER, MOBILIER ET IMMATÉRIEL DU QUÉBEC ET LE RÉPERTOIRE DU PATRIMOINE CULTUREL DU QUÉBEC. ÉTAT DES LIEUX ET PERSPECTIVES POUR L INVENTAIRE DU PATRIMOINE IMMATÉRIEL.
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 04/04/2008 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailScénario: Données bancaires et segmentation de clientèle
Résumé Scénario: Données bancaires et segmentation de clientèle Exploration de données bancaires par des méthodes uni, bi et multidimensionnelles : ACP, AFCM k-means, CAH. 1 Présentation Le travail proposé
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailParallélisation de l algorithme des k-médoïdes. Application au clustering de courbes.
Parallélisation de l algorithme des k-médoïdes. Application au clustering de courbes. Benjamin Auder 1 & Jairo Cugliari 2 1 Laboratoire LMO. Université Paris-Sud. Bât 425. 91405 Orsay Cedex, France. benjamin.auder@math.u-psud.fr
Plus en détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailAnalyses multivariées avec R Commander (via le package FactoMineR) Qu est ce que R? Introduction à R Qu est ce que R?
Analyses multivariées avec R Commander Analyses multivariées avec R Commander (via le package FactoMineR) Plate-forme de Support en Méthodologie et Calcul Statistique (SMCS) - UCL 1 Introduction à R 2
Plus en détailAnalyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains
Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailCOURS DE DATA MINING 4 : MODELISATION NON-SUPERVISEE CLASSIFICATIONS AUTOMATIQUES
COURS DE DATA MINING 4 : MODELISATION NON-SUPERVISEE CLASSIFICATIONS AUTOMATIQUES EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET 4 : Modélisation non-supervisée
Plus en détailMINISTERE DE L EDUCATION NATIONALE ACADEMIE DE MONTPELLIER
MINISTERE E L EUTION NTIONLE EMIE E MONTPELLIER ELEVE Nom :.. Prénom :.. ETLISSEMENT SOLIRE Nom : dresse : Préfecture de la Lozère irection des services départementaux de l éducation nationale - atégorie
Plus en détailRésultats d Etude. L étude de marché. Résultats d Etude N 1889 : Conciergerie privée. Testez la fiabilité de votre projet.
Résultats d Etude L étude de marché Testez la fiabilité de votre projet 1 Sommaire : Introduction... 4 Synthèse... 6 PAGE 1 :... 7 Question 1/13... 7 Vous vivez :... 7 PAGE 2 :...10 Question 2/13...10
Plus en détailTéléchargement du micrologiciel de téléviseur ACL AQUOS
Téléchargement du micrologiciel de téléviseur ACL AQUOS Directives de téléchargement : 1. Insérez une clé USB dans le port USB de votre ordinateur. (La clé USB doit être formatée en «FAT».) 2. Cliquez
Plus en détailConduite de projets informatiques Développement, analyse et pilotage (2ième édition)
Avant-propos 1. Objectifs du livre 13 2. Structure du livre 14 Un projet informatique 1. Les enjeux 17 1.1 Les buts d'un projet 17 1.2 Les protagonistes d'un projet 18 1.3 Exemples de projets 19 2. Les
Plus en détailCirculer en Belgique - 2010 -
Circuler en Belgique - 2010 - Choisir la bonne voiture L achat d une voiture est un choix très personnel, en fonction des besoins, préférences ou gouts. Néanmoins, il existe un seul conseil qui est valable
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailTIREZ LE MAXIMUM DE VOTRE ERP. Retour sur les nouveautés principales des versions 9.4 à 10.2
TIREZ LE MAXIMUM DE VOTRE ERP Retour sur les nouveautés principales des versions 9.4 à 10.2 1 Présentation CLAUDE BOSSON, CHEF DE PROJET, SOLVAXIS FELIX BORER, PRODUCT MANAGER, SOLVAXIS 2 3 CONTENU Nouveautés
Plus en détailFouille de données massives avec Hadoop
Fouille de données massives avec Hadoop Sebastiao Correia scorreia@talend.com Talend 2013 AAFD'14 29-30 avril 2014 1 Agenda Présentation de Talend Définition du Big Data Le framework Hadoop 3 thématiques
Plus en détailProjet d action de prévention routière. la société xxxxxx
Projet d action de prévention routière À l attention de: Le aa/aa/ 2013 la société xxxxxx Comité du VAL D OISE CATALOGUE DES ACTIONS EN ENTREPRISE Association Prévention Routière (APR) Crée en 1949 loi
Plus en détailRésumés des projets de GMM5-2014/2015
Résumés des projets de GMM5-2014/2015 Option MMS Statistical analysis of Raman Spectra skin to evaluate the benefit of Pierre Fabre s acne treatment cream Classification appliquée à la biologie structurale
Plus en détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
Plus en détailDATAMINING C4.5 - DBSCAN
14-16 rue Voltaire 94270 Kremlin Bicêtre Benjamin DEVÈZE Matthieu FOUQUIN PROMOTION 2005 SCIA DATAMINING C4.5 - DBSCAN Mai 2004 Responsable de spécialité SCIA : M. Akli Adjaoute Table des matières Table
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailTravail de session : Mémoire. Le clustering de données. Par Nicolas Sola & Mathieu Schmitt
Travail de session : Mémoire Le clustering de données Par Nicolas Sola & Mathieu Schmitt Résumé Le travail du clustering consiste à regrouper les données en classe ; nous obtenons par ce biais une forte
Plus en détailBrevet Professionnel
Brevet Professionnel ASSURANCES E32 Communication professionnelle orale Durée : 20 +20 Coefficient : 2 Session 2014 Ce sujet se compose de 8 pages, numérotées de 1/8 à 8/8. Dès que le sujet vous est remis,
Plus en détailAssurance de remisage
Assurance de remisage Automobiles, camions et caravanes automotrices Incendie, vol et vandalisme Protection pour votre véhicule entreposé Le choix de l assurance de remisage lorsque vous retirez votre
Plus en détailPrésentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur
Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur Réalisé par : Bassem Besbes Laboratoire d Informatique, Traitement de l Information
Plus en détailAnalytics & Big Data. Focus techniques & nouvelles perspectives pour les actuaires. Université d Eté de l Institut des Actuaires Mardi 8 juillet 2014
Analytics & Big Data Focus techniques & nouvelles perspectives pour les actuaires Local Optimization European Minded Université d Eté de l Institut des Actuaires Mardi 8 juillet 2014 Intervenants : Alexandre
Plus en détailBase-Elèves. Premiers pas en direction des Mairies
Pas à pas M 1 Base-Elèves Premiers pas en direction des Mairies Pour débuter avec l application Pas à pas M 2 ACCÈS À BASE-ÉLÈVES PAR L ENTRÉE MAIRIE : adresse : https://be1d.orion.education.fr/premier_degre_mairie_brd
Plus en détailSituation 1 : Note :...
Situation 1 : Adhérence sur les pavés et positionnement en entrée de giratoire pour aller à gauche à noter un rampant aigu descendant de plateau ralentisseur en sortie du giratoire Situation 2 : Adhérence
Plus en détailCritère du choix des variables auxiliaires à utiliser dans l'estimateur par calage
des variables auxiliaires à utiliser dans l'estimateur par calage Mohammed El Haj Tirari Institut National de Statistique et d'economie Appliquée - roc Laboratoire de Statistique d'enquêtes, CREST - Ensai
Plus en détailANALYSE DU RISQUE DE CRÉDIT
ANALYSE DU RISQUE DE CRÉDIT Banque & Marchés Cécile Kharoubi Professeur de Finance ESCP Europe Philippe Thomas Professeur de Finance ESCP Europe TABLE DES MATIÈRES Introduction... 15 Chapitre 1 Le risque
Plus en détail3 150 diplômes de professions de santé
N 1 - Mai 005 3 150 diplômes de professions de santé délivrés en 003 dans la région Provence-Alpes-Côte d Azur En 003, onze formations aux professions de santé sont proposées en région Provence-Alpes-Côte
Plus en détailDiane Patrimoine. Assurance-vie à annuités variables. Janvier 2011
Diane Patrimoine Assurance-vie à annuités variables Janvier 2011 Sommaire 1 Enjeu de la retraite et environnement client 2 La solution retraite patrimoniale en 4 points clés Un revenu garanti à vie Performance
Plus en détailESCALIERS. passer des dénivellations supérieures à 7%
ESCALIERS passer des dénivellations supérieures à 7% 2 définitions essentielles : Contremarche et giron Le rapport H/G donne la pente d une volée de marches ex : 16 cm / 32 cm = 50% Emmarchement, emprise,
Plus en détailRépondants et non-répondants dans les enquêtes. Analyse des séquences de contact
Répondants et non-répondants dans les enquêtes Analyse des séquences de contact 7 ème colloque francophone sur les sondages Alexandre Pollien (FORS), Dominique Joye (ISS), Michèle Ernst Stähli (FORS et
Plus en détailANALYSE CATIA V5. 14/02/2011 Daniel Geffroy IUT GMP Le Mans
ANALYSE CATIA V5 1 GSA Generative Structural Analysis 2 Modèle géométrique volumique Post traitement Pré traitement Maillage Conditions aux limites 3 Ouverture du module Choix du type d analyse 4 Calcul
Plus en détailRESPONSABLE DE PROGRAMMES
PROFIL DE POSTE : RESPONSABLE DE PROGRAMMES 1. DESCRIPTION GENERALE : - Intitulé du poste : Administrer les différentes étapes de la vie des ou programmes immobiliers - Service concerné / encadrement :
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailClustering par optimisation de la modularité pour trajectoires d objets mobiles
Clustering par optimisation de la modularité pour trajectoires d objets mobiles Mohamed K. El Mahrsi, Télécom ParisTech, Département INFRES 46, rue Barrault 75634 Paris CEDEX 13, France Fabrice Rossi,
Plus en détailCONCOURS EXTERNE 2012 POUR LE RECRUTEMENT D'AGENTS D'EXPLOITATION SPECIALISES 19 septembre 2012
N IDENTIFICATION : CONCOURS EXTERNE 2012 POUR LE RECRUTEMENT D'AGENTS D'EXPLOITATION SPECIALISES 19 septembre 2012 AGENTS D'EXPLOITATION SPECIALISES DES TRAVAUX PUBLICS DE L'ETAT spécialité «routes, bases
Plus en détailIFT3030 Base de données. Chapitre 2 Architecture d une base de données
IFT3030 Base de données Chapitre 2 Architecture d une base de données Plan du cours Introduction Architecture Modèles de données Modèle relationnel Algèbre relationnelle SQL Conception Fonctions avancées
Plus en détailAnalyse dialectométrique des parlers berbères de Kabylie
Saïd GUERRAB Analyse dialectométrique des parlers berbères de Kabylie Résumé de la thèse (pour affichage) Il est difficile de parler du berbère sans parler de la variation. Il y a d abord une variation
Plus en détailLuc Grivel (*, **) Luc.Grivel@univ-paris1.fr
MAITRISER LE PROCESSUS DE TEXT MINING DANS LE CADRE D APPLICATIONS D INTELLIGENCE ECONOMIQUE, DE GESTION DE LA RELATION CLIENT OU DE GESTION DE CONNAISSANCES Luc Grivel (*, **) Luc.Grivel@univ-paris1.fr
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailIntégration 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 détailRapport de Stage. Titre : Clustering à l aide d une représentation supervisée
Nicolas Creff Du 1er février au 31 juillet 2011 Promotion 2011 Majeure SCIA Rapport de Stage Titre : Clustering à l aide d une représentation supervisée Sujet : Personnalisation de scores à l aide de la
Plus en détailStudios de Paris. Une nouvelle génération de studios
Cinéma Télévision Cinéma & Télévision Une nouvelle génération de studios 9 Studios de tournages de 600 m² à 2 000 m² Euro Media France est l opérateur des, situés au cœur de la Cité du Cinéma (pôle cinématographique
Plus en détailContexte et motivations Les techniques envisagées Evolution des processus Conclusion
Vérification de logiciels par analyse statique Contexte et motivations Les techniques envisagées Evolution des processus Conclusion Contexte et motivations Specification Design architecture Revues and
Plus en détailPRÉPARATION AU TEST! CULTURE INTERNATIONAL CLUB
Niveau 2 - Mots treize quatorze quinze seize dix-sept dix-huit dix-neuf vingt vingt-et-un vingt-deux vingt-trois vingt-quatre vingt-cinq vingt-six vingt-sept vingt-huit vingt-neuf trente quarante cinquante
Plus en détailConcevoir un modèle de données Gestion des clients et des visites
page 1 MCD Concevoir un modèle de données Gestion des clients et des visites La gestion des informations d une organisation est un élément essentiel de son efficacité. L obligation de les trouver et de
Plus en détailLes structures de données. Rajae El Ouazzani
Les structures de données Rajae El Ouazzani Les arbres 2 1- Définition de l arborescence Une arborescence est une collection de nœuds reliés entre eux par des arcs. La collection peut être vide, cad l
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
Plus en détailBases de données réparties: Fragmentation et allocation
Pourquoi une base de données distribuée? Bibliographie Patrick Valduriez, S. Ceri, Guiseppe Delagatti Bases de données réparties: Fragmentation et allocation 1 - Introduction inventés à la fin des années
Plus en détailLambotte J.-M. Géographe-Urbaniste. Chercheur au Lepur ULg. Semaine Universitaire Luxembourgeoise de l'environnement - Libramont - 15-11-2011
Aménagement rural et développement durable Dépendance à la voiture en milieu rural : le cas de la Province du Luxembourg Constats, enjeux et pistes de solutions à moyen-long terme via l aménagement du
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailCoupe de France Promosport 2013. Conseils pour une utilisation optimale de vos pneumatiques DUNLOP en compétition
Coupe de France Promosport 2013 Conseils pour une utilisation optimale de vos pneumatiques DUNLOP en compétition Le pneumatique est le lien entre la moto et la piste Il est important de vérifier : avant
Plus en détailBIG DATA et données externes dans les modèles de tarification
BIG DATA et données externes dans les modèles de tarification BIG DATA BIG DATA : Quelques clés Eric FROIDEFOND MAAF MBA CNAM ENASS en cours Intégration du BIG DATA dans la tarification en assurances IARD
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailAnalyse des variations entre partitions générées par différentes techniques de classification automatique de textes
Analyse des variations entre partitions générées par différentes techniques de classification automatique de textes Jean-François Chartier, Jean-Guy Meunier, Choukri Djellali LANCI UQAM - C.P. 8888, Succ.
Plus en détailCrédit à la consommation, un bon outil pour la rentrée?
Crédit à la consommation, un bon outil pour la rentrée? Contexte Empruntis intervient sur le crédit depuis 15 ans 370 000 ménages nous sollicitent chaque année pour leur besoin en crédit à la consommation
Plus en détailFamille multirésidence : recensement et sources alternatives
Famille multirésidence : recensement et sources alternatives Groupe de travail sur la rénovation du questionnaire de recensement Pascale BREUIL Chef de l Unité des Etudes Démographiques et sociales 28/09/2011
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailNARA +20 SUR LES PRATIQUES DU PATRIMOINE, LES VALEURS CULTURELLES, ET LE CONCEPT DE L AUTHENTICITÉ
NARA +20 SUR LES PRATIQUES DU PATRIMOINE, LES VALEURS CULTURELLES, ET LE CONCEPT DE L AUTHENTICITÉ Rappelant les réalisations du Document de Nara de 1994 sur l authenticité dans l établissement des principes
Plus en détailMaster (filière Réseau) Parcours Recherche: Systèmes Informatiques et Réseaux (RTS)
Master (filière Réseau) Parcours Recherche: Systèmes Informatiques et Réseaux (RTS) Responsables: Tanguy Risset & Marine Minier Tanguy.Risset@insa-lyon.fr Marine.minier@insa-lyon.fr http://master-info.univ-lyon1.fr/m2rts/
Plus en détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
Plus en détailTable des matières. Table des matières
Table des matières Table des matières Table des matières... 2 A propos de ce guide... 3 Assistance et information de contact... 4 Chapitre 1 Présentation du portail de Monitoring SolarEdge... 5 Chapitre
Plus en détailComplet Intuitif Efficace. Références
Logiciel de référence en Analyse de Données, Data Mining et Text Mining pour transformer vos données en connaissance Complet Intuitif Efficace Dans un environnement convivial et intuitif, disposez de toute
Plus en détail80 rue de Reuilly 75012 PARIS 01 53 30 09 99. Guide d utilisation de la Bourse de l emploi des Centres de Gestion
80 rue de Reuilly 75012 PARIS 01 53 30 09 99 Guide d utilisation de la Bourse de l emploi des Centres de Gestion Propos introductifs Le réseau des Bourses de l emploi des Centres de Gestion permet au travers
Plus en détailMémo d utilisation de ADE-4
Mémo d utilisation de ADE-4 Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr 2003 ADE-4 est un logiciel d analyses des communautés écologiques créé par l équipe de biostatistiques de Lyon. Il propose
Plus en détailCNAM 2010-2011. Déploiement d une application avec EC2 ( Cloud Amazon ) Auteur : Thierry Kauffmann Paris, Décembre 2010
CNAM 2010-2011 Déploiement d une application avec EC2 ( Cloud Amazon ) Auteur : Thierry Kauffmann Paris, Décembre 2010 Déploiement d une application dans le cloud. 1. Cloud Computing en 2010 2. Offre EC2
Plus en détailSynthèse d'images I. Venceslas BIRI IGM Université de Marne La
Synthèse d'images I Venceslas BIRI IGM Université de Marne La La synthèse d'images II. Rendu & Affichage 1. Introduction Venceslas BIRI IGM Université de Marne La Introduction Objectif Réaliser une image
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailTRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,
Plus en détail