Traduction Automatique Introduction
|
|
- Rachel Rancourt
- il y a 8 ans
- Total affichages :
Transcription
1 à Laboratoire LIUM Université du Maine 23 janvier 2007 Plan au domaine en traduction Tâches et corpora Principes de l approche statistique Structure d un système de traduction Optimisation d un système de traduction Intégration de connaissances linguistiques Interaction reconnaissance / traduction Contexte : Tâche scientifique complexe faisant intervenir pratiquement tous les aspects du traitement du langage naturel Domaine de recherche ancien Initialement plutôt approches classiques, TAL Parsers, règles développées par des humains,... Au début : traduction de textes Depuis quelques années : traduction de la parole Applications : Grande quantité de pages internet non-anglaises inaccessibles sans traduction automatique Communauté européenne : nombre croissant de langues officielles grand effort de traduction Applications dans le domaine du tourisme Applications humanitaires et militaires dans des pays étrangers (il n est pas toujours facile de trouver de traducteurs) Traduction automatique est une des technologies émergentes
2 Pourquoi la traduction est compliquée? L ordre des mots varie entre les langues Les mots peuvent avoir plusieurs sens Expressions idiomatiques Utilisation des pronoms Morphologie Variation dans l ordre des mots Anglais : adjectif-noun etsujet-verb-objet Français : noun-adjectif Japonais : sujet-objet-verb Allemand : position du verbe inhabituelle Il faut réordonner les mots Exemples : Anglais : Japonais : Français : IBM bought Lotus Reporters said IBM bought Lotus IBM Lotus bought Reporters IBM Lotus bought said une nouvelle voiture versus une voiture nouvelle Différents sens des mots Anglais : plant (arbre ou entreprise) Anglais : bank (banque ou bord d une rivière) Souvent les différents sens correspondent à des traductions différentes Expressions idiomatiques Dans chaque langues il y a de nombreuses expressions qu il ne faut surtout pas traduire mot par mot Se retrouver au pied du mur To be at the foot of the wall? tenir sa langue keep his tongue? Ne pas mâcher ses mots to not eat his words?
3 Utilisation des pronoms Dans certaine langues comme l espagnol on peut omettre les pronoms Souvent la forme verbale détermine le bon pronom Mais on ne sait pas s il faut utiliser he, she ou it Morphologie He is nice Il est beau She is nice Elle est belle Traitement des accords en français Arabe : singulier, pluriel et dual Approches : Traduction mot par mot Transfer syntaxique Approche Interligua Approches utilisant des textes déjà traduits Utiliser l expertise contenue dans des traductions effectuées par des humains Minimiser le problème d acquisition de connaissances Exemple base machine translation (EBMT) Corpus-, memory- similarity-based MT Approche statistique Systèmes hybrides En général, il est plus difficile de traduire vers une langue morphologiquement riche (donc autre que l anglais) Traduction mot par mot Utilisation d un dictionnaire bilingue pour traduire chaque mot dans un texte (de façon indépendante) Facile à mettre en place Le résultat donne une vague idée du sujet du texte Problèmes avec l ordre, le sens de mots, les expressions,... Fonctionne très mal Transfer syntactique 1 Analyse morpho-syntaxique de la phrase source 2 Rearrangement des composantes 3 Traduction des mots 4 Génération de la phrase source Aborde le reordonnement des mots Il faut construire des règles de transfer pour chaque paire de langue Tâche fastidieuse, nécessite des linguistes bi-lingues Peut être performant, mais très lourd à développer et à maintenir
4 Approche Interligua Utiliser une langue intermédiaire pour le transfer Traitement de plusieurs paires de langues est facilité Example-based machine translation Nous ne faisons pas d analyse linguistique poussée pour traduire un texte Plutôt : décomposition du texte en fragments qui sont traduits et recomposés Traduction d un nouveau texte en utilisant des exemples de phrases déjà traduites Défis Localiser des phrases/fragments similaires dans un corpus Alignement des fragments Choisir les bons fragments Combinaison des fragments dans la phrase cible Sélection parmi plusieurs solutions Motivation : Il faut un critère d évaluation pour juger des systèmes de traduction automatique (développement du système, évaluations internationales,...) Initialement Jugement humains selon trois axes : l adéquation, la fidélité et le caractère naturel de la traduction (anglais : Adequacy, Fidelity et Fluency) Très coûteux Complique le développement rapide de systèmes (on ne peut les tester systématiquement!) Il faut un critère automatique similaire au taux d erreur de mots en reconnaissance Problème d un Critère Automatique La traduction d une phrase n a pas de solution unique! Exemple : At the order of the president the Parliament has been dissolved. Sur ordre du président le parlement a été dissout. Le parlement a été dissout sur ordre du président. Le président a donné l ordre de dissoudre le parlement. La distance d éditions n est pas satisfaisante (taux d erreur de mots) Il faudrait tolérer des différences dans l ordre des mots
5 - Score BLEU - Score BLEU Principes : On utilise plusieurs traduction de références provenant de différents traducteurs professionnels Exemple : je me sens très bien Ref1: je vais bien Précision = nombre de mots de l hypothèse qui apparaissent dans une des références divisé par le nombre de mots dans l hypothèse. Faire ce calcul pour des blocs de mots de différentes tailles Précision n-grammes, n=1..4 Moyenne géométrique des précisions Ref2: p 1 = 4 5 p 2 = 2 4 p 3 = 1 3 p 4 = 0 2 Autres Détails : je me sens bien Une phrase source peut être traduite en plusieurs phrases cible Calculer le score BLEU pour un document de test entier - Score BLEU - Score BLEU Exemple : Hyp : the the the the the the the Réf1 : The cat is in the mat Réf2 : There is a cat on the mat Précision unigrammme = 7/7!? Utiliser chaque mot de référence une seul fois Algorithme : Compter combien de fois chaque mot apparait dans une seule référence Limiter les comptes de chaque mots dans l hypothèse par ces comptes Précision unigrammme modifiée = 2/7 Un Autre Exemple : Hyp : Cette reforme Réf1 : Le parlement attache beaucoup d importance à cette reforme Réf1 : Cette reforme est très important pour le parlement Précision unigrammme modifiée = 2/2 Précision bi-grammme modifiée = 1/1 Il faut pénaliser des hypothèse trop courtes Faut-il aussi pénaliser des hypothèses trop longues?
6 - Score BLEU - Score BLEU Vérification Expérimentale : Classement avec BLEU semble bien corrélé avec classement utilisant des jugements par des humains Comparaison d une traduction par machine avec un humain Comparaison de différentes traductions par des êtres humains (traducteur professionel, personne bilingue,...) Amélioration d un système de traduction statistiques Il n est pas clair si on peut comparer différentes approches de traduction par machine (statistique, par règles,...) Est-ce qu il y a un biais pour les approches statistiques? Résumé : Les scores BLEU varient entre 0 et 1 (habituellement multiplié par 100 pour avoir des pourcent ) Un score plus élevé signifie une meilleure traduction La valeur absolue est difficile à interpréter Comparaison entre différentes tâches difficile Le score est calculé sur un corpus de test entier, pas une seule phrase Il faut plusieurs traductions de référence (Le score BLEU augmente avec le nombre de références) automatique est très importante pour faire avancer les recherches - d autres critères NIST même principe que BLEU, mais différentes pondérations mwer taux d erreur de mots avec de références multiples mper taux d erreur de mots indépendant de la position avec de références multiples (sac de mots) Résumé IWSLT/BTEC domaine touristique, très peu de données, arabe, mandarin, japonais et italien vers l anglais, texte et (parole) traduction de débats parlementaires, espagnol/anglais, texte et parole Version de P. Koehn, 11 langues européennes, texte uniquement NIST broadcast news, beaucoup de données, arabe, mandarin anglais Gale broadcast news et conversations, extension de la tâche NIST
7 Tâches et corpora IWSLT/BTEC Tâches et corpora IWSLT/BTEC Caractéristiques Initialement, une initiative de ATR au Japon Corpus BTEC : Basic Traveling Expression Corpus (japonais / anglais, 200k phrases, 1.2/1.7M mots) Questions typiques du domaine touristique Consortium informel C-Star ( 12/2006) : traduction du corpus dans la langue du partenaire Membres : ATR (Japon), CAS (Chine), KTR (Coré), ISL (USA, arabe), CLIPS (France), IRST (Italie) s organisées dans le cadre du workshop annuel IWSLT (International Workshop on Spoken Language Translation) Données d apprentissage Transl. dir.: Ma/En Ja/En Ar/En It/En Train sent. 40k 40k 20k 20k mots 314.4k 390.2k 183.3k 155.4k anglais 326k 324.8k 166.3k 166.3k Tâches très spécifique avec un vocabulaire et un jargon particulier Ressources extrêmement limitées développement de techniques particulières? Développement très rapide d un système complet ( 1h) Tâches et corpora Tâches et corpora Caractéristiques Traduction de débats parlementaires anglais/espagnol Projet (4/2003 4/2007) Texte et parole, trois conditions (env. 35M mots) : FTE Final Text Edition résumés officiels des débats parlementaires Verbatim mêmes textes dans le style ASR (nombre et dates en mots, sigles épelés,...) ASR Traduction de la sortie ASR (1-best, n-best, réseau CN,...) Étude de l impact/dégradation dues aux erreurs ASR Interaction étroite reco/traduction? Caractéristiques Données collectées et mises à disposition librement par P. Koehn Traduction de débats parlementaires, en principe mêmes sources que (actuellement V3) Uniquement du texte (FTE, 38-43M de mots) 22 langues officielles : anglais, français, allemand, espagnol, italien,... annuelles dans le cadre du workshop on Projet EuroMatrix (9/2006-2/2009) : faire des systèmes pour toutes les paires de langues (déjà fait : = 110 systèmes)
8 Tâches et corpora Tâches et corpora NIST / Gale Caractéristiques s annuelles organisées par NIST depuis 2001 Guidées et financées par la DARPA Traduction de textes, Broadcast News, conversations, newswires and newsgroups Langues : arabe et mandarin vers l anglais Tâches et corpora NIST / Gale Tâches et corpora Données d apprentissage Bitexts : environ 240M mots Textes monolingues supplémentaires (anglais) : LDCnews : 5G mots WEBnews : 31G mots WEG Google : 1.8T mots Nécessite d importants moyens informatiques Données de développement et de test Environ 40k mots des quatre domaines (Broadcast News, BN conversations, newswires and newsgroups) Résumé Tâche Langues Type Bitextes Monolingue #réfs évals BTEC Ar,Ma,Ja,It texte 400k 3400k 6 oui An parole TC-STAR An / Es texte 34M < 100M 2 terminé parole 11 texte 40M 40M 1 oui NIST/Gale Ar/Ma An texte (parole) 240M >> 5G 4 oui Quatre références de traduction
9 Motivations : Pourquoi aborder un problème linguistique avec des approches statistiques? La traduction automatique nécessite la prise de décisions (choix d un mot, d une phrase par rapport un autre) Dépendances non-binaires, imprécises et floues Problèmes propres à la traduction de la parole : Erreurs du système de reconnaissance Particularités de la parole libre/spontanée Hésitations, reprises, erreurs grammaticales,... Production d une traduction pour toutes les phrases Interaction reconnaissance/traduction? Traduction par approche statistique = Modélisation linguistique + Prise de décision par des méthodes statistiques Principe [Brown 90] : Traduction français vers l anglais (f e) Langue source (français) f = f m 1 = f 1..f j..f m Langue cible (anglais) e = e l 1 = e 1..e i..e l Rechercher la meilleure traduction : ê = arg max Pr(e f) e Loi de Bayes pour introduire un ML cible P(e) ê = arg max e Pr(e)Pr(f e) Pr(f) = arg max Pr(e)Pr(f e) e Principe (suite) : Approche statistique de la traduction : ê = arg max Pr(e)Pr(f e) e P(f e) : modèle de traduction, P(e) : ML cible Similarité avec la reconnaissance de la parole : ŵ = arg max Pr(w)Pr(x w) w Pourquoi on ne modélise pas directement P(e f)? P(f e) : modèle de traduction
10 Modélisation directe de P(e f)? Séparation des phrases anglaises et françaises en bien et mal formées (notion imprécise) Traduction d une phrase française bien formée en anglais Large choix de phrases anglaises bien formées On espère d en trouver la bonne... Ceci ne peut fonctionner si P(e f) concentre sa masse de probabilité sur des phrases bien formées Mais cet espace est très grand! Modèles actuels distribuent leur masse de probabilité partout Difficile de trouver une phrase anglaise bien formée qui est une bonne traduction de la phrase française Modélisation de Pr(e)P(f e) : Le modèle de langage cible Pr(e) décide si une phrase est bien formée ou pas Le modèle Pr(f e) n a pas besoin de concentrer sa masse de probabilité sur des phrases bien formées Les modèles Pr(f e) et Pr(e) coopèrent : La probabilité de Pr(f e) est grande pour toutes les phrases anglaises qui contiennent les bons mots (traduction de f), a peu près au bon endroit La probabilité de Pr(e) est grande pour des phrases anglaises bien formée, sans se soucier de la connexion avec la phrase source française Ensemble les deux modèles produisent des phrases anglaises bien formées qui correspondent bien à la phrase française Quelques types d alignement Formulation Mathématique : «Général» e 1 e 2 e 3 e 4 Rappel : f = f1 m = f 1..f j..f m, e = e1 l = e 1..e i..e l On somme sur tous les alignements : Par syntagmes (US: «phrases») f 1 f 2 f 3 f 4 e 1 e 2 e 3 e 4 f 1 f 2 f 3 f 4 e 1 e 2 e 3 e 4 : Pr(f e) = a Pr(f, a e) a m 1 = a 1..a m avec a j = i j = 1..m, i = 0..l; Par mots f 1 f 2 f 3 f 4 Le mot français à la position j est connecté au mot anglais à la position i (valeur 0 si aucun alignement)
11 Différents Modèles Formulation Mathématique (suite) : : The proposal will not now be implemented Les propositions ne a j = i seront pas mises en application j = 1..m, i = 0..l; maintenant Alignement asymétrique : Un mot anglais peut se traduire en plusieurs mots français Plusieurs mots anglais ne peuvent être traduits en 1 seul mot français (il y a des mots anglais non alignés) Production spontanée de mots français (a j = 0) Combinaison log-linéaire des Modèles Les différents modèle probabiliste (fertilité, lexical, distorsion et production spontanée) ne sont pas très précis Pondération de leur influence : e = arg max p i (f, e) λ i e i e = arg max λ i log p i (f, e) e Les coefficients λ i sont déterminés en minimisant un critère de qualité sur les données de développement i Différents Modèles Exemples de Textes Alignés Améliorations : Le modèle lexical t(f e) n utilise pas de contexte Choix de la traduction est sous-optimal Un modèle lexical du style t(f j e i 2 e i 1 e i ) nécessiterait beaucoup de données d apprentissage dont on ne dispose pas Aligner des blocs de mots (syntagmes) Différents algorithmes ont été proposés dans la littérature Principalement statistiques Phrases Anglaises : I was reading reports from the united states To this first group of figures let us quickly add a second one One of my colleagues says that i have not had an answer yet Phrases Françaises : Je lisais des rapports qui nous parviennent des États-Unis A cette première vague de chiffres ajoutons rapidement une seconde L un de mes collègues dit que je n ai pas encore eu de réponse
12 Apprentissage des Modèles d un Système complet Extraction de syntagmes Alignement dans le deux sens f e et e f Extraction de syntagmes ( f i, ẽ i ) Création d une matrice avec les mots source et cible Marquer toutes les cases des mots possedant des alignements bidirectionnels Trouver tous les blocs contigues Calcul de scores/probabilités pour chaque syntagme : P( f ẽ), P(ẽ f), P(f e), P(e f) Toutes ces probabilités sont estimées par des fréquences relatives Giza++ Phrase extraction Moses SRILM Phrase table 3g LM 4g CSLM Src Corpus parallèle n bests Corpus monolingue LM rescoring λi CSLM Condor Trg Scoring BLEU optimisation Dev trg d un Système complet d un Système complet Étapes de développement 1 Normalisation éventuelle des textes 2 Filtrage des textes parallèle (phrases trop longues) 3 Création du modèle de langage 4 Alignement automatique 5 Extraction et scoring des syntagmes 6 Décodage 7 Optimisation des coefficients Tous les outils sont librement disponibles ( Combinaison log-linéaire des modèles Les différents modèles probabilistes ne sont pas très précis Pondération de leur influence : e = arg max p i (f, e) λ i e i e = arg max λ i log p i (f, e) e Comment déterminer les coefficients λ i? i
13 d un Système complet : Modèle log-linéaire d un Système complet : Modèle log-linéaire Comment déterminer les coefficients λ i? A la main? Boucle exploratoire: 1 Choisir λ i initiaux 2 Faire un décodage avec ces valeurs 3 Obtenir une solution et calculer son score BLEU 4 Modifier les λ i et recommencer à l étape 2) 5 Terminer si le score BLEU ne s améliore plus Il n est pas possible d utiliser des algorithmes du type descente de gradient Algorithmes itératifs de type Simplexe Modèles fréquemment utilisés Modèle de traduction : P( f ẽ) traduction syntagmes e f P(f e) traduction de mots e f (modèle lexicale type IBM1) P(ẽ f) traduction syntagmes f e P(e f) traduction de mots e f (modèle lexicale type IBM1) e constante pénalité sur le nombre de syntagme Toutes ces valeurs sont stockées dans la table de syntagmes Modèle de langage : P(e) constante 1 pénalité de longueur d un Système complet : Modèle log-linéaire d un Système complet : Modèle log-linéaire Exemples de la table de syntagmes Système anglais/français appris sur 35M de mots de bitexts Fichier compressé de 1.6Go avec 78M de lignes (3.2G ASCII) On ne peut charger le modèle complet en mémoire Mais beaucoup de syntagmes ne s appliquent pas aux données de test Filtrage : fichier de 122M avec 7.4M de lignes (575M ASCII) Exemples de la table de syntagmes Scores : P( f ẽ), P(e f), P(ẽ f), P(f e) et e A big Le grand A big Un des principaux e- A big Un grand A big Une grande A big ont une grande e e-0 A big une grande e
14 d un Système complet : Modèle log-linéaire d un Système complet : Modèle log-linéaire 467 traductions de European Commission European Commission Commission européenne European Commission Commission European Commission la Commission européenne European Commission Commission européenne, European Commission de la Commission européenne Tâches et Corpora 38 traductions inverses de Commission européenne European Commission Commission européenne Commission Commission européenne the European Commission Commission européenne Commission s Commission européenne Commission is Commission européenne e Exemples de la table de syntagmes!!!! !!! !! ! : non! e !, dit-on partout! e !, exigez que e e !, exigez e e !, il est primordial que la e e !, il est primordial que e e ! Messieurs, il est primordial que la e e ! Messieurs, il est primordial e e Au total 672 traductions de! Optimisation des coefficients Décodage en passes multiples Exemples d optimisation BLEU Nombre d iterations Souvent plutôt une dizaine d itérations Améliorations d environ 5 points BLEU par rapport aux poids uniformes Cmert Motivation Certains modèles sont difficiles à appliquer pendant la phase de décodage Des modèles de langage avec un ordre élevé Des modèles de phrases Diverses analyses morpho-syntaxiques... Utiliser une approche en deux passes : 1 Décodage et création d un ensemble de solutions plausibles 2 Ajout de connaissances supplémentaires et sélection de la meilleure hypothèse
15 Décodage en passes multiples Décodage en passes multiples Comment représenter les solutions plausibles? Lattices / treillis Utilisés en reconnaissance de la parole A priori très compacts Moins adaptés à la traduction (ordre de mots variables) Listes n-best Moins compacts qu un lattice (redondance) Il est facile de gérer des solutions très variables Permettent l application de modèle de phrases Il faut écrire un nouveau outil Exemple d une n-best liste 0 Notre déclaration des droits est la première de ce millénaire. lm: tm: w: Notre déclaration des droits n est la première de ce millénaire. lm: tm: w: Notre déclaration des droits est le premier de ce millénaire.# lm: tm: w: Notre déclaration des droits est la première de ce nouveau millénaire. lm: tm: w: Notre déclaration des droits n est le premier de ce millénaire. lm: tm: w: Notre déclaration de droits est la première de ce millénaire. lm: tm: w: La déclaration des droits est la première de ce millénaire. lm: tm: w: Notre déclaration des droits n est la première de ce nouveau millénaire. lm: tm: w: Notre déclaration des droits, c est la première de ce millénaire. lm: tm: w: Notre déclaration des droits est la première de millénaire. lm: tm: w: Remarque : les scores du modèle de distorsion ont été omis Décodage en passes multiples Quelques Exemples de Systèmes Système 2007 Quelques chiffres Système anglais/français Génération de 1000-best listes avec un 3-gramme En moyenne, 904 hypothèses différentes Bilan des résultats Traduction de débats parlementaires, espagnol/anglais, texte et parole Environ 1.2M de phrases parallèles Score automatique BLEU (grande valeur = bon résultat) IBM Khe / CMU RWTH UPC IRST LIMSI An/Es Es/An Très bonnes performances du système du LIMSI
16 Quelques Exemples de Systèmes Système 2007 Quelques Exemples de Systèmes Système 2007 Modèle de langage dans l espace continu Bilan des résultats français/anglais BLEU espagnol anglais Develop sans avec Eval sans avec BLEU anglais espagnol Develop sans avec Eval Gains significatifs dans la qualité de traduction Très bonne généralisation Modélisation linguistique est plus importante pour l espagnol sans avec Système BLEU Adeq. Fluency Rank Const. LIMSI Edinb NRC UPC Systran Systran-NRC Quelques Exemples de Systèmes Système 2007 Quelques Exemples de Systèmes Système 2007 Bilan des résultats anglais/français Système BLEU Adeq. Fluency Rank Const. LIMSI Edinb NRC UPC Systran Systran-NRC Exemple de traductions (score BLEU = 0) Source :The rapporteurs have already stressed the quality of the debate and the need to progress further, and I can only agree with them. Trad. : Les rapporteurs ont déjà souligné la qualité du débat et la nécessité de progresser, et je ne peux qu être d accord avec eux. Réf. : Les rapporteurs ont souligné la qualité de la discussion et aussi le besoin d aller plus loin. Bien sûr, je ne peux que les rejoindre.
17 Quelques Exemples de Systèmes Système 2007 Quelques Exemples de Systèmes Système 2007 Exemple de traductions (score BLEU = 33) Source : It is very important, and therefore I am pleased that the Commission is working on an information campaign which Commissioner Verheugen wishes to make both extensive and decentralised. Trad. : Il est très important, et je suis donc heureux que la Commission travaille sur une campagne d information que le commissaire Verheugen souhaite apporter à la fois vaste et décentralisée. Réf. : C est très important et, de ce point de vue, je suis heureux que la Commission travaille à une campagne d information que le commissaire Verheugen veut à la fois large et décentralisée. Exemple de mauvaises traductions (selon scores) Source : This is, of course, a perfectly legitimate question, but it is one that must be answered quite properly and precisely. Trad. : C est, bien sûr, une question parfaitement légitime, mais qui doit être une réponse tout à fait correctement et précisément. Réf. : Cette question est, bien sûr, parfaitement légitime, mais il faut y répondre de façon correcte et précise. Quelques Exemples de Systèmes Système 2007 Incorporation de Motivation Exemple de mauvaises traductions (selon scores) Source : There is hardly a fish in it which is permanently domiciled. Trad. : Il y a à peine un poisson qui est domicilié en permanence. Réf. : Je pense ici aux poissons migrateurs. Motivation Les méthodes statistiques sont très prometteurs Mais la traduction ne correspond pas toujours à un texte grammaticalement correct, facile à comprendre ou bien structuré Il faut plus de recherches pour une application réelle Directions de Recherche Meilleurs modèles statistiques Incorporation de connaissances linguistiques
18 Incorporation de Incorporation de Possibilités Idées : Incorporation de connaissances dans le modèle de langage Incorporation de connaissances dans le modèle de traduction Utilisation d autres ressources, p.ex. des dictionnaires bilingues Modèle de Langage Traitement en deux passes (traduction avec trigrammes standard + rescoring) Modèles de langage n-grammes de catégories morpho-syntaxiques Modèles de langage factorisés Modèles de langage fondés sur la syntaxe Pour l instant, peu d améliorations observées Modèle de Traduction lexicale Modèle de traduction factorisé Intégration de connaissances linguistiques Intégration de connaissances linguistiques lexicale : An : You must make the first move. PP MD VV DT JJ NN Fr : Tu dois faire le premier pas. Algorithme : Étiqueter les textes parallèles avec des informations morpho-syntaxiques (les deux côtés) Enrichir les mots avec les catégories lexicales : You P must V make V the D first Adj move N. Tu P dois V faire V le D premier Adj pas N. An : You must first move the car. PP MD RB VV DT NN Fr : Tu dois d abord déplacer la voiture. pas Comment traduire le mot move? déplacer Construire un système statistique complet sur ce vocabulaire En sortie : Suppression des étiquettes Réutilisation des étiquettes (ML morpho-syntaxique)
19 Intégration de connaissances linguistiques Incorporation de Modèle de Traduction Factorisé : Méthode a été utilisée dans le système TC-STAR (anglais espagnol) Amélioration de 0.5 points BLEU sur les données de développement Mêmes performances en évaluation humaine : meilleure structure des phrases et accords Motivation Actuellement on utilise une liste avec tous les syntagmes connus et leurs traductions Exemple Il n y a pas de généralisation La voiture rouge est belle The red car is nice Les vélos rouges sont beaux The red bikes are nice Les voitures rouges sont belles Traduction de cette phrase sachant les deux autres? Incorporation de Modèle de Traduction Factorisé Incorporation de Modèle de Traduction Factorisé Principe L approche actuelle de traduction par syntagmes traite un mot comme unité Savoir traduire un mot, ne permet pas de traduire son pluriel, sa conjugaison,... Décomposer les mots en lemme, genre, nombre,... Traduire ces facteurs séparément Recomposer le mot dans la langue cible à partir de la traductions des facteurs Processus de génération Principe mots lemme genre morpho syntaxe source traduction directe traduction des facteurs traduction
1.The pronouns me, te, nous, and vous are object pronouns.
1.The pronouns me, te, nous, and vous are object pronouns.! Marie t invite au théâtre?!! Oui, elle m invite au théâtre.! Elle te parle au téléphone?!! Oui, elle me parle au téléphone.! Le prof vous regarde?!!!
Plus en détailCette Leçon va remplir ces attentes spécifiques du curriculum :
Dev4Plan1 Le Plan De Leçon 1. Information : Course : Français Cadre Niveau : Septième Année Unité : Mes Relations Interpersonnelles Thème du Leçon : Les Adjectifs Descriptifs Date : Temps : 55 minutes
Plus en détailApprentissage 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 détailAdaptation d un Système de Traduction Automatique Statistique avec des Ressources monolingues
TALN 2010, Montréal, 19 23 juillet 2010 Adaptation d un Système de Traduction Automatique Statistique avec des Ressources monolingues Résumé. Holger Schwenk LIUM, Université du Maine, 72085 Le Mans cedex,
Plus en détailLe verbe avoir (to have) infinitif = avoir. j ai nous avons tu as vous avez. Exemples: J ai une copine à Montréal.
Leçon 7 - La Vie est belle La vie de Nafi, une jeune Française d origine sénégalaise parle de sa vie. Elle est étudiante en sociologie à l Université de Toulouse. Aujourd hui, elle parle de sa vie. -Est-ce
Plus en détailModule Title: French 4
CORK INSTITUTE OF TECHNOLOGY INSTITIÚID TEICNEOLAÍOCHTA CHORCAÍ Semester 2 Examinations 2010 Module Title: French 4 Module Code: LANG 6020 School: Business Programme Title: Bachelor of Business Stage 2
Plus en détailTraduction automatique à partir de corpus comparables: extraction de phrases parallèles à partir de données comparables multimodales
Traduction automatique à partir de corpus comparables: extraction de phrases parallèles à partir de données comparables multimodales Haithem AFLI Loïc BARRAULT Holger SCHWENK Laboratoire d Informatique
Plus en détailRevision time. 1. I m cooking. 4. You re babysitting. 2. She s swimming. 5. They re working. 3. We re practising.
1Lesson Souligne les noms au singulier en bleu, et les noms au pluriel en vert. Surligne be : en bleu au singulier et en vert au pluriel. Est-ce que tu l as correctement accordé avec le nom? Revision time
Plus en détailDifferential Synchronization
Differential Synchronization Neil Fraser Google 2009 BENA Pierrick CLEMENT Lucien DIARRA Thiemoko 2 Plan Introduction Stratégies de synchronisation Synchronisation différentielle Vue d ensemble Dual Shadow
Plus en détailLes transports en commun Vocabulaire Mots 1
CHAPITRE 10 NOM DATE 1 Les transports en commun Vocabulaire Mots 1 1 Dans la station de métro Répondez d après le dessin. 1 Où les voyageurs font-ils la queue? Ils font la queue au guichet. 2 Qu est-ce
Plus en détailTHE FRENCH EXPERIENCE 1
Euro Worksheet 1 Euro quiz Here s a quiz to help you get used to euro prices in France. Choose a or b to complete each item. 1 Le prix d une baguette de pain est de: a 0,66 euros. b 6,60 euros. 2 Une chambre
Plus en détailSYSTRAN 7 Guide de démarrage
1 SYSTRAN 7 Guide de démarrage Réf : DSK-7-QSG-HO-FR Bienvenue SYSTRAN 7 Guide de démarrage Félicitations! Nous vous remercions d avoir choisi SYSTRAN V7 la version la plus récente et la plus puissante
Plus en détaillundi 3 août 2009 Choose your language What is Document Connection for Mac? Communautés Numériques L informatique à la portée du Grand Public
Communautés Numériques L informatique à la portée du Grand Public Initiation et perfectionnement à l utilisation de la micro-informatique Microsoft Document Connection pour Mac. Microsoft Document Connection
Plus en détailApplication d un algorithme de traduction statistique à la normalisation de textos
Application d un algorithme de traduction statistique à la normalisation de textos Gabriel Bernier-Colborne 1 (1) Observatoire de linguistique Sens-Texte Université de Montréal gabriel.bernier-colborne@umontreal.ca
Plus en détailDis où ces gens vont d après les images / Tell where these people are going based on the pictures.
CHAPITRE 9 ALLONS EN VILLE! Prépare toi pour l examen Dis où ces gens vont d après les images / Tell where these people are going based on the pictures. 1. Phillipe et moi allons à la poste. 2. Tu vas
Plus en détailpart de mon expérience.
Viviane JEAN, professeur d anglais TZR (2009) Niveau: A2/A2+ Programme: 4 ème Activité langagière: Production Orale en Interaction Scénario: Je discute avec un camarade de ses projets de vacances et lui
Plus en détailLe passé composé. C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past!
> Le passé composé le passé composé C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past! «Je suis vieux maintenant, et ma femme est vieille aussi. Nous n'avons pas eu d'enfants.
Plus en détailDans une agence de location immobilière...
> Dans une agence de location immobilière... In a property rental agency... dans, pour et depuis vocabulaire: «une location» et «une situation» Si vous voulez séjourner à Lyon, vous pouvez louer un appartement.
Plus en détailDOCUMENTATION MODULE BLOCKCATEGORIESCUSTOM Module crée par Prestacrea - Version : 2.0
DOCUMENTATION MODULE BLOCKCATEGORIESCUSTOM Module crée par Prestacrea - Version : 2.0 INDEX : DOCUMENTATION - FRANCAIS... 2 1. INSTALLATION... 2 2. CONFIGURATION... 2 3. LICENCE ET COPYRIGHT... 3 4. MISES
Plus en détailOnce the installation is complete, you can delete the temporary Zip files..
Sommaire Installation... 2 After the download... 2 From a CD... 2 Access codes... 2 DirectX Compatibility... 2 Using the program... 2 Structure... 4 Lier une structure à une autre... 4 Personnaliser une
Plus en détailAPPENDIX 6 BONUS RING FORMAT
#4 EN FRANÇAIS CI-DESSOUS Preamble and Justification This motion is being presented to the membership as an alternative format for clubs to use to encourage increased entries, both in areas where the exhibitor
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailPerl Console. Votre compagnon pour développer en Perl. Les Journées du Perl 2007 16, 17 novembre, Lyon. Alexis Sukrieh <sukria@sukria.
Perl Console Votre compagnon pour développer en Perl Les Journées du Perl 2007 16, 17 novembre, Lyon Alexis Sukrieh Plan Pourquoi une console? Le modèle «Read-Eval-Print-Loop» Dépendances
Plus en détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailEnglish Q&A #1 Braille Services Requirement PPTC 144918. Q1. Would you like our proposal to be shipped or do you prefer an electronic submission?
English Q&A #1 Braille Services Requirement PPTC 144918 Q1. Would you like our proposal to be shipped or do you prefer an electronic submission? A1. Passport Canada requests that bidders provide their
Plus en détailIntelligence 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 détailCours Informatique 1. Monsieur SADOUNI Salheddine
Cours Informatique 1 Chapitre 2 les Systèmes Informatique Monsieur SADOUNI Salheddine Un Système Informatique lesystème Informatique est composé de deux parties : -le Matériel : constitué de l unité centrale
Plus en détailLogiciel Libre Cours 3 Fondements: Génie Logiciel
Logiciel Libre Cours 3 Fondements: Génie Logiciel Stefano Zacchiroli zack@pps.univ-paris-diderot.fr Laboratoire PPS, Université Paris Diderot 2013 2014 URL http://upsilon.cc/zack/teaching/1314/freesoftware/
Plus en détailUTILISATION DU WEB COMME MEGA-BASE DE DONNÉES LINGUISTIQUE : APPLICATION À LA TRADUCTION DE COOCCURRENCES LEXICALES FRANÇAISES-ANGLAISES
UTILISATION DU WEB COMME MEGA-BASE DE DONNÉES LINGUISTIQUE : APPLICATION À LA TRADUCTION DE COOCCURRENCES LEXICALES FRANÇAISES-ANGLAISES Chrystel Millon & Stéphanie Léon Equipe DELIC Université de Provence
Plus en détailTammy: Something exceptional happened today. I met somebody legendary. Tex: Qui as-tu rencontré? Tex: Who did you meet?
page: pro10 1. quelqu'un, quelque chose 2. chacun vs. aucun 3. more indefinite pronouns A pronoun replaces a noun which has been mentioned or is obvious from context. An indefinite pronoun refers to people
Plus en détailMODERN LANGUAGES DEPARTMENT
MODERN LANGUAGES DEPARTMENT Common Assessment Task 3 YEAR 9 Je m appelle Ma classe Mark 20 10 19 22 16 13 Total Effort Instructions For this extended piece of homework, you are going to learn and write
Plus en détailApplication Form/ Formulaire de demande
Application Form/ Formulaire de demande Ecosystem Approaches to Health: Summer Workshop and Field school Approches écosystémiques de la santé: Atelier intensif et stage d été Please submit your application
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailL ABC de l acquisition de petites entreprises
L ABC de l acquisition de petites entreprises Bienvenue Séries d acquisition de petites entreprises Comment aborder le sujet. Comment vendre aux petites entreprises. Accroître la connaissance des produits
Plus en détailI. Présentation générale des épreuves écrites
I. Présentation générale des épreuves écrites A. Les banques d épreuves La Banque Commune d Épreuves Écrites (BCE) gérée par la Direction des Admissions et Concours de la Chambre de Commerce et d Industrie
Plus en détailCOUNCIL OF THE EUROPEAN UNION. Brussels, 18 September 2008 (19.09) (OR. fr) 13156/08 LIMITE PI 53
COUNCIL OF THE EUROPEAN UNION Brussels, 18 September 2008 (19.09) (OR. fr) 13156/08 LIMITE PI 53 WORKING DOCUMENT from : Presidency to : delegations No prev. doc.: 12621/08 PI 44 Subject : Revised draft
Plus en détailL informatique en BCPST
L informatique en BCPST Présentation générale Sylvain Pelletier Septembre 2014 Sylvain Pelletier L informatique en BCPST Septembre 2014 1 / 20 Informatique, algorithmique, programmation Utiliser la rapidité
Plus en détailÉvaluation et implémentation des langages
Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation
Plus en détailMorphosyntaxe de l'interrogation en conversation spontanée : modélisation et évaluations
U Université dumaine Faculté des Lettres, Langues et Sciences humaines Morphosyntaxe de l'interrogation en conversation spontanée : modélisation et évaluations Carole Lailler 1 L interrogation : une modalité
Plus en détailCe que vaut un sourire
Ce que vaut un sourire Un sourire ne coûte rien et produit beaucoup. Il enrichit ceux qui le reçoivent, sans appauvrir ceux qui le donnent. Il ne dure qu un instant, mais son souvenir est parfois éternel.
Plus en détailcalls.paris-neuroscience.fr Tutoriel pour Candidatures en ligne *** Online Applications Tutorial
calls.paris-neuroscience.fr Tutoriel pour Candidatures en ligne Online Applications Tutorial 1/4 Pour postuler aux Appels d Offres de l ENP, vous devez aller sur la plateforme : calls.parisneuroscience.fr.
Plus en détailthat the child(ren) was/were in need of protection under Part III of the Child and Family Services Act, and the court made an order on
ONTARIO Court File Number at (Name of court) Court office address Applicant(s) (In most cases, the applicant will be a children s aid society.) Full legal name & address for service street & number, municipality,
Plus en détailL import massif introduit plusieurs nouvelles fonctionnalités, selon que l on importe un thésaurus, un ensemble de valeurs contrôlées ou un corpus.
Import Massif Nouvelles fonctionnalités L import massif introduit plusieurs nouvelles fonctionnalités, selon que l on importe un thésaurus, un ensemble de valeurs contrôlées ou un corpus. Le fonctionnement
Plus en détailHow to Login to Career Page
How to Login to Career Page BASF Canada July 2013 To view this instruction manual in French, please scroll down to page 16 1 Job Postings How to Login/Create your Profile/Sign Up for Job Posting Notifications
Plus en détailCours d introduction à l informatique. Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions
Cours d introduction à l informatique Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions Qu est-ce qu un Une recette de cuisine algorithme? Protocole expérimental
Plus en détailInstructions Mozilla Thunderbird Page 1
Instructions Mozilla Thunderbird Page 1 Instructions Mozilla Thunderbird Ce manuel est écrit pour les utilisateurs qui font déjà configurer un compte de courrier électronique dans Mozilla Thunderbird et
Plus en détailPRESENT SIMPLE PRESENT PROGRESSIF
PRESENT SIMPLE PRESENT PROGRESSIF 1 Exercice 1 : Conjuguez les verbes suivants au présent simple et au Verbe Pronom Présent simple Présent Progressif Exemple : To fall They fall They are falling To think
Plus en détailUn dictionnaire électronique pour apprenant de l'arabe (langue seconde) basé sur corpus
JEP-TALN 2004, Traitement Automatique de l Arabe, Fès, 20 avril 2004 Un dictionnaire électronique pour apprenant de l'arabe (langue seconde) basé sur corpus ZAAFRANI Riadh Faculté des Sciences Juridiques,
Plus en détailRecherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA
RÉCITAL 2005, Dourdan, 6-10 juin 2005 Recherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA Siham Boulaknadel (1,2), Fadoua Ataa-Allah (2) (1) LINA FRE
Plus en détailPresent Tense (1) masc = masculine fem = feminine sing = singular pl = plural
Present Tense (1) Each of the questions asks you to make a sentence in the present tense. In each case, you need to pick an appropriate subject ("je", tu" etc), pick the correct verb from the list to the
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailL ESPACE À TRAVERS LE REGARD DES FEMMES. European Economic and Social Committee Comité économique et social européen
L ESPACE À TRAVERS LE REGARD DES FEMMES 13 European Economic and Social Committee Comité économique et social européen 13 This publication is part of a series of catalogues published in the context of
Plus en détailDOCUMENTATION - FRANCAIS... 2
DOCUMENTATION MODULE CATEGORIESTOPMENU MODULE CREE PAR PRESTACREA INDEX : DOCUMENTATION - FRANCAIS... 2 INSTALLATION... 2 CONFIGURATION... 2 LICENCE ET COPYRIGHT... 3 SUPPORT TECHNIQUE ET MISES A JOUR...
Plus en détailThe new consumables catalogue from Medisoft is now updated. Please discover this full overview of all our consumables available to you.
General information 120426_CCD_EN_FR Dear Partner, The new consumables catalogue from Medisoft is now updated. Please discover this full overview of all our consumables available to you. To assist navigation
Plus en détailLes Portfolios et Moodle Petit inventaire
Les Portfolios et Moodle Petit inventaire Jean.Fruitete@univ-nantes.fr Sommaire Les Portfolios et Moodle Petit inventaire... 1 Introduction... 1 Contexte... 1 Des portfolios utilisés dans la communauté
Plus en détailDOCUMENTATION - FRANCAIS... 2
DOCUMENTATION MODULE SHOPDECORATION MODULE PRESTASHOP CREE PAR PRESTACREA INDEX : DOCUMENTATION - FRANCAIS... 2 INSTALLATION... 2 Installation automatique... 2 Installation manuelle... 2 Résolution des
Plus en détailLes nombres entiers. Durée suggérée: 3 semaines
Les nombres entiers Durée suggérée: 3 semaines Aperçu du module Orientation et contexte Pourquoi est-ce important? Dans le présent module, les élèves multiplieront et diviseront des nombres entiers concrètement,
Plus en détailTABLE DES MATIERES A OBJET PROCEDURE DE CONNEXION
1 12 rue Denis Papin 37300 JOUE LES TOURS Tel: 02.47.68.34.00 Fax: 02.47.68.35.48 www.herve consultants.net contacts@herve consultants.net TABLE DES MATIERES A Objet...1 B Les équipements et pré-requis...2
Plus en détailÉvaluation de G-LexAr pour la traduction automatique statistique
TALN 2011, Montpellier, 27 juin 1 er juillet 2011 Évaluation de G-LexAr pour la traduction automatique statistique Wigdan Mekki (1), Julien Gosme (1), Fathi Debili (2), Yves Lepage (3), Nadine Lucas (1)
Plus en détailStructuration des décisions de jurisprudence basée sur une ontologie juridique en langue arabe
Structuration des décisions de jurisprudence basée sur une ontologie juridique en langue arabe Karima Dhouib, Sylvie Després Faiez Gargouri ISET - Sfax Tunisie, BP : 88A Elbustan ; Sfax karima.dhouib@isets.rnu.tn,
Plus en détailMAQUETTE M2 PRO ILTS 2013-2014
UFR ETUDES INTERCULTURELLES DE LANGS APPLIQES Département Professionnalisation Dip : MTLBAP 109 Et : MTLB1P MAQTTE M2 PRO ILTS 2013-2014 Une 1 au choix 1 Parcours IL et deux langues modalités de contrôle
Plus en détailStakeholder Feedback Form January 2013 Recirculation
071 Stakeholder Feedback Fm January 2013 Recirculation A. How to Submit Your Comments 1. 2. 3. EMAIL: submissions@collegeofpsychotherapists.on.ca OR FAX: (416) 874-4079 OR MAIL: Consultations Transitional
Plus en détailA1 Parler avec quelqu un Je peux dire qui je suis, où je suis né(e), où j habite et demander le même type d informations à quelqu un. Je peux dire ce que je fais, comment je vais et demander à quelqu un
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
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 détailEléments de statistique
Eléments de statistique L. Wehenkel Cours du 9/12/2014 Méthodes multivariées; applications & recherche Quelques méthodes d analyse multivariée NB: illustration sur base de la BD résultats de probas en
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailDe 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 détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailI. COORDONNÉES PERSONNELLES / PERSONAL DATA
DOSSIER DE CANDIDATUREAPPLICATION FORM 2012 Please tick the admission session of your choice FévrierFebruary SeptembreSeptember MASTER OF ART (Mention the subject) MASTER OF SCIENCE (Mention the subject)
Plus en détailQuestionnaire pour connaître ton profil de perception sensorielle Visuelle / Auditive / Kinesthésique
Questionnaire pour connaître ton profil de perception sensorielle Visuelle / Auditive / Kinesthésique BUT : Découvrir ton profil préférentiel «Visuel / Auditif / Kinesthésique» et tu trouveras des trucs
Plus en détailMonétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data?
Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data? Dr Wolfgang Martin Analyste et adhérant du Boulder BI Brain Trust Les Big data Démystifier les Big data.
Plus en détailCompréhension de l oral
1 DOCUMENT RÉSERVÉ AUX CORRECTEURS CORRIGÉ ET BARÈME Compréhension de l oral 25 points Vous allez entendre trois documents sonores, correspondant à des situations différentes. Pour le premier et le deuxième
Plus en détailIndications pour une progression au CM1 et au CM2
Indications pour une progression au CM1 et au CM2 Objectif 1 Construire et utiliser de nouveaux nombres, plus précis que les entiers naturels pour mesurer les grandeurs continues. Introduction : Découvrir
Plus en détailPHOTO ROYAUME DE BELGIQUE /KINDOM OF BELGIUM /KONINKRIJK BELGIE. Données personnelles / personal data
1 ROYAUME DE BELGIQUE /KINDOM OF BELGIUM /KONINKRIJK BELGIE Service Public Fédéral Affaires Etrangères, Commerce et Coopération au développement Federal Public Service Foreign Affairs, External Trade and
Plus en détailN 334 - SIMON Anne-Catherine
N 334 - SIMON Anne-Catherine RÉALISATION D UN CDROM/DVD CONTENANT DES DONNÉES DU LANGAGE ORAL ORGANISÉES EN PARCOURS DIDACTIQUES D INITIATION LINGUISTIQUE A PARTIR DES BASES DE DONNÉES VALIBEL Introduction
Plus en détailM. Jean-Yves Le Drian, Ministre de la défense. Discours pour les vingt ans du lancement du satellite Hélios IA
MINISTÈRE DE LA DÉFENSE M. Jean-Yves Le Drian, Ministre de la défense Discours pour les vingt ans du lancement du satellite Hélios IA A Toulouse, le 9 juillet 2015 Seul le prononcé fait foi Page 1 sur
Plus en détailLesson Plan Physical Descriptions. belle vieille grande petite grosse laide mignonne jolie. beau vieux grand petit gros laid mignon
Lesson Plan Physical Descriptions Objective: Students will comprehend and describe the physical appearance of others. Vocabulary: Elle est Il est Elle/Il est Elle/Il a les cheveux belle vieille grande
Plus en détailCréé par Goldfing & Pblabla Créé le 02/05/2006 09:49:00. Guide pour la déclaration d impôt
Créé par Goldfing & Pblabla Créé le 02/05/2006 09:49:00 Guide pour la déclaration d impôt Disclaimer Le présent document ne se substitue, en aucun cas, aux notices que l'on trouve sur le site des impôts
Plus en détailAlgorithme. Table des matières
1 Algorithme Table des matières 1 Codage 2 1.1 Système binaire.............................. 2 1.2 La numérotation de position en base décimale............ 2 1.3 La numérotation de position en base binaire..............
Plus en détailOffre active de services dans les deux langues officielles
Offre active de services dans les deux langues officielles Le public a le droit de recevoir ses services dans la langue officielle de son choix. Vous avez l obligation de faire une offre active de service
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 détailmajuscu lettres accent voyelles paragraphe L orthographe verbe >>>, mémoire préfixe et son enseignement singulier usage écrire temps copier mot
majuscu conjugaison >>>, L orthographe singulier syllabe virgule mémoire lettres et son enseignement graphie suffixe usage accent ; écrire féminin temps voyelles mot point Renforcer l enseignement de l
Plus en détailNouveautés printemps 2013
» English Se désinscrire de la liste Nouveautés printemps 2013 19 mars 2013 Dans ce Flash Info, vous trouverez une description des nouveautés et mises à jour des produits La Capitale pour le printemps
Plus en détailLe livre blanc de la traduction
Le livre blanc de la traduction Tout ce que vous avez toujours voulu savoir sur la traduction 2 Sommaire 1. Traduction 1.1. Qu est ce que traduire? 1.2. Qu est ce que faire traduire? 2. Traduction assermentée
Plus en détailCambridge International Examinations Cambridge International Advanced Subsidiary Level
www.xtremepapers.com Cambridge International Examinations Cambridge International Advanced Subsidiary Level FRENCH LANGUAGE (US) 8276/21 *8053810870* Paper 2 Reading and Writing May/June 2014 1 hour 45
Plus en détailPOLITIQUE RELATIVE AUX SERVICES DE TRADUCTION
POLITIQUE RELATIVE AUX SERVICES DE TRADUCTION Affaires intergouvernementales Division des affaires acadiennes et francophones C.P. 58 Wellington (PE) C0B 2E0 Téléphone : 902-854-7442 Télécopieur : 902-854-7255
Plus en détailGrandes tendances et leurs impacts sur l acquisition de produits et services TI.
Grandes tendances et leurs impacts sur l acquisition de produits et services TI. François Banville Partenaire exécutif chez Gartner Gartner is a registered trademark of Gartner, Inc. or its affiliates.
Plus en détailCHAPITRE 12 Nom: Date: 1
CHAPITRE 12 Nom: Date: 1 La routine quotidienne Vocabulaire Mots 1 1 Tous les jours Write a sentence telling what the person in each illustration is doing. 1 Marie se lave les cheveux. 2 Carole se brosse
Plus en détailPARIS ROISSY CHARLES DE GAULLE
GPS 2 34 1 E 49 0 46 N GPS* 2 56 56 E 49 0 12 N Votre contact / Your contact: et / and: Accueil : Cabines téléphoniques publiques Reception: Public telephone kiosks Navette Shuttle AÉROPORT DE TT CAR TRANSIT
Plus en détailROYAUME DE BELGIQUE / KINGDOM OF BELGIUM / KONINKRIJK BELGIE
1 ROYAUME DE BELGIQUE / KINGDOM OF BELGIUM / KONINKRIJK BELGIE Service Public Fédéral Affaires Etrangères, Commerce extérieur et Coopération au Développement Federal Public Service Foreign Affairs, External
Plus en détailINDIVIDUALS AND LEGAL ENTITIES: If the dividends have not been paid yet, you may be eligible for the simplified procedure.
Recipient s name 5001-EN For use by the foreign tax authority CALCULATION OF WITHHOLDING TAX ON DIVIDENDS Attachment to Form 5000 12816*01 INDIVIDUALS AND LEGAL ENTITIES: If the dividends have not been
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailTutoriel de formation SurveyMonkey
Tutoriel de formation SurveyMonkey SurveyMonkey est un service de sondage en ligne. SurveyMonkey vous permet de créer vos sondages rapidement et facilement. SurveyMonkey est disponible à l adresse suivante
Plus en détailIf you understand the roles nouns (and their accompanying baggage) play in a sentence...
If you understand the roles nouns (and their accompanying baggage) play in a sentence...... you can use pronouns with ease (words like lui, leur, le/la/les, eux and elles)...... understand complicated
Plus en détail