Sélection darwinienne et systèmes multi-agents
|
|
- Salomé Lecompte
- il y a 8 ans
- Total affichages :
Transcription
1 Sélection darwinienne et systèmes multi-agents Samuel Landau Miriad - OASIS - LIP6
2 Objectifs Objectifs Conception de systèmes distribués adaptatifs Apprentissage distribué en ligne Exemples d application: services et réseaux informatiques contrôle d un robot simulations distribuées (biologiques ou sociales) insuffisamment spécifiées, par exemple : évaluation de paramètres libres, évolution de comportements, émission ou validation d hypothèses organisationnelles Samuel Landau 06/06/2003 Présentation INRA - Toulouse 2
3 Contraintes et problèmes Contraintes Descriptions des comportements évolués des entités : Appréhendables par les concepteurs par exemple assimilable à un ensemble de règles Pouvant disposer d états internes si nécessaire Problèmes Théorique: dans tout modèle d apprentissage distribué se pose le problème de Credit assignment [Minsky 1963] Pratique: comparaison des méthodes d apprentissage utilisées Samuel Landau 06/06/2003 Présentation INRA - Toulouse 3
4 Choix Capacités adaptatives obtenue par un processus de sélection darwinienne (évolution artificielle) Généricité, parallélisme Peu de prérequis sur l espace de recherche Apporte une réponse au Credit assignment Description des comportements par des structures intelligibles (architectures symboliques) Concevoir un cadre applicatif liant évolution artificielle et simulation multi-agent, et l implémenter en une plate-forme Samuel Landau 06/06/2003 Présentation INRA - Toulouse 4
5 SFERES [Landau, Doncieux et al 2001] Cadre applicatif d évolution artificielle et de simulation multi-agent travaux d abstraction sur les concepts des techniques évolutionnistes (dont les algorithmes évolutionnistes) Expérimenter plusieurs techniques évolutionnistes sur la même expérience Réutiliser une technique évolutionniste dans plusieurs expériences Plate-forme implantée en C++ sur Linux et sur les BSD libres Echéancier discret, interface avec un moteur de simulation 3D physique-réaliste, gestion fine des statistiques Environ 80 classes abstraites/ lignes de code, et 400 classes dérivées/ ldc Les principaux algorithmes évolutionnistes et architectures évoluables d agent sont implantées Samuel Landau 06/06/2003 Présentation INRA - Toulouse 5
6 Sélection darwinienne Principes [Darwin 1859] Individus en compétition pour des ressources limitées Sélection Ressemblance entre parents et enfants (hérédité) Variation Hypothèse d indépendance entre les causes de variations et celles de sélections Variations «aléatoires» Modèle «hasard - sélection» Gradualisme Darwinisme synthétique [Huxley/Wright 1942] Introduction de la génétique Samuel Landau 06/06/2003 Présentation INRA - Toulouse 6
7 Algorithmes évolutionnistes Méthodes d optimisation inspirées du modèle darwinien synthétique Sélection suivant la valeur d une fonction d évaluation (fitness) + Le génome peut coder pour des structures + Peu de prérequis sur l espace de recherche - Évolution hors ligne - Pas de solution générique pour le credit assignment - Coût élevé en nombre de présentation d exemples ( temps de calcul) Samuel Landau 06/06/2003 Présentation INRA - Toulouse 7
8 Modèles ontophylogénétiques tiques [Landau et Picault 2001, Landau 2003] Dualité organisme / écosystème Population en croissance et compétition sur les ressources Processus de sélection s darwinienne Les renforcements distribués s au système influent sur la disponibilité des ressources Pression sélective s induite renforcements comme pression sélective externe Organisme en développement (population d individus qui croit) ontogenèse Écosystème (composé d individus qui évoluent) phylogenèse Métaphore biologique de «l ontophylogenèse» [Kupiec 1981] Samuel Landau 06/06/2003 Présentation INRA - Toulouse 8
9 Modèles ontophylogénétiques tiques Comparaison avec les algorithmes évolutionnistes Algorithmes Évolutionnistes 1. Centralisé 2. Évaluation «statique» 3. Phylogenèse Modèles ontophylogénétiques 1. Distribué 2. Évaluation «dynamique» 3. Ontogenèse + phylogenèse (échelle inf.) 4. Fitness explicite 5. Hors ligne 6. Cycle exploration/exploitation 4. Fitness implicite 5. En ligne 6. Exploration et exploitation Samuel Landau 06/06/2003 Présentation INRA - Toulouse 9
10 Modèles ontophylogénétiques tiques Cas particuliers Systèmes de classeur (LCS) «Michigan style» Les individus sont les classeurs du système Nombre de classeurs et d états internes (le cas echéant) fixé à l avance Systèmes immunitaires artificiels (AIS) Les individus sont des vecteurs («anticorps») Les ressources constituent les renforcements Samuel Landau 06/06/2003 Présentation INRA - Toulouse 10
11 Modèles ontophylogénétiques tiques Propriétés Moins de présentations d exemples nécessaires Possibilité de distribuer les critères d évaluation sur la population Credit assignment implicite (via la sélection darwinienne) Extension et unification de l apprentissage par renforcement et de l évolution artificielle pour un système distribué Avec des structures : Plus souples que les LCS et AIS à l échelle individuelle (par ex. nombre de règles / d états internes non fixé a priori) Plus souples que les LCS et AIS à l échelle collective (par ex. populations non-homogènes / interactions plus riches) Samuel Landau 06/06/2003 Présentation INRA - Toulouse 11
12 Puissance d expression Évolution des structures Propriétés recherchées «Quasi continuité» du code génétique cadre gradualiste de la sélection darwinienne de petites variations du génotype doivent induire la plupart du temps des petites variations de la structure Neutralité [Kimura 1983] Redondance Épistasie faible Pouvoir générer des structures appréhendables pour faciliter l analyse, les manipulations et l amorçage Les codes génétiques existants ne vérifient pas toutes ces propriétés simultanément Samuel Landau 06/06/2003 Présentation INRA - Toulouse 12
13 Codes génétiquesg directs Le génotype est la structure Principales instances: Programmation génétique [Koza 1992] arbres Programmation évolutionniste [Fogel et al 1966 ] machines à états finis, réseaux de neurones, graphes, + Puissance d expression + Structures appréhendables Pas de redondance Épistasie forte Neutralité faible Nécessité de biaiser fortement les opérateurs génétiques Samuel Landau 06/06/2003 Présentation INRA - Toulouse 13
14 Codes génétiquesg indirects Construction de la structure à partir du «programme» génétique langages de construction, basés pour la plupart sur : une grammaires non contextuelle ou des règles de réécriture de type L-systems réseaux de neurones, circuits électroniques + Puissance d expression + Structures appréhendables o Redondance et neutralité suivant grammaire Épistasie hiérarchique liée à l application des règles de grammaire Nécessité pour les opérateurs génétiques de respecter les règles grammaticales La sémantique (structure produite) est encore très fortement liée à la syntaxe du génotype Samuel Landau 06/06/2003 Présentation INRA - Toulouse 14
15 Stack-Based Gene Expression [Landau et Picault 2001] Code indirect basé sur un langage à pile Samuel Landau 06/06/2003 Présentation INRA - Toulouse 15
16 Stack-Based Gene Expression Principes Les variations affectent le contenu et la taille de la chaîne Samuel Landau 06/06/2003 Présentation INRA - Toulouse 16
17 Stack-Based Gene Expression Propriétés Opérateurs classiques des AG, et même plus (insertion/déletion) car Toute chaîne est interprétable Pas de biais nécessaire sur les opérateurs génétiques Neutralité et redondance du code génétique (surjection) à l interprétation par ex.: l ordre peut ne pas importer pour certaines instructions plusieurs façon de coder les mêmes sous-structures structures différentes mais mêmes sémantique (dépend de l environnement) Épistasie Localité des instructions de la pile Grammaire contextuelle, «distribuée» sur les lexèmes Samuel Landau 06/06/2003 Présentation INRA - Toulouse 17
18 Stack-Based Gene Expression Inspiration biologique Métaphore de la synthèse de protéines Samuel Landau 06/06/2003 Présentation INRA - Toulouse 18
19 ATNoSFERES SBGE appliqué à l évolution d ATN connect dupnode c1? a1! node interprète ATN <vide> Samuel Landau 06/06/2003 Présentation INRA - Toulouse 19
20 ATNoSFERES SBGE appliqué à l évolution d ATN interprète connect dupnode c1? a1! 1 ATN 1 Samuel Landau 06/06/2003 Présentation INRA - Toulouse 20
21 ATNoSFERES SBGE appliqué à l évolution d ATN c1? interprète connect dupnode a1! 1 ATN 1 Samuel Landau 06/06/2003 Présentation INRA - Toulouse 21
22 ATNoSFERES SBGE appliqué à l évolution d ATN 1 c1? interprète connect a1! 1 ATN 1 Samuel Landau 06/06/2003 Présentation INRA - Toulouse 22
23 ATNoSFERES SBGE appliqué à l évolution d ATN 1 interprète 1 ATN c1? a1! 1 Samuel Landau 06/06/2003 Présentation INRA - Toulouse 23
24 ATNoSFERES SBGE appliqué à l évolution d ATN interprète ATN c1? Start a1! 1 End Samuel Landau 06/06/2003 Présentation INRA - Toulouse 24
25 Expérimentations individuelles Fonctionnement Conditions: N?/~N?, NE?/~NE?, Actions : N!, NE!, Samuel Landau 06/06/2003 Présentation INRA - Toulouse 25
26 Comparaison avec les LCS sur des problèmes non-markoviens Dans les modèles distribués, la localité des perceptions et actions des agents induisent souvent de devoir résoudre individuellement des POMDP ATNoSFERES peut résoudre individuellement des problèmes markoviens (expériences non décrites), mais de façon beaucoup moins efficace que les LCS (du fait de l algorithme génétique) Si on ne sait pas à l avance si le problème individuel sera markovien ou non, ATNoSFERES présente a priori l avantage de ne pas nécessiter plus d hypothèses Comparaisons sur des bancs d essais non-markoviens avec les principaux LCS permettant d attaquer des problèmes nonmarkoviens : XCSM (LCS à registres) et ACS (LCS pouvant exécuter des «chaînes comportementales») Samuel Landau 06/06/2003 Présentation INRA - Toulouse 26
27 Comparaison avec les LCS Fonctionnement de XCSM Samuel Landau 06/06/2003 Présentation INRA - Toulouse 27
28 Comparaison avec les LCS Équivalence formelle avec XCSM Étiquettes de condition / action sur les arcs (en limitant le nombre d actions) conditions / actions externes dans les règles Noeud état interne Origine d un arc condition interne Extrémité d un arc action interne ATN XCSM c1 c3? 0 1 a2! conditions actions externe interne externe interne c1 c2 c3 s1 a1 a2 g1 1 # Samuel Landau 06/06/2003 Présentation INRA - Toulouse 28
29 Environnement Maze10 [Lanzi 1998] environnement non-markovien : 13 cases présentant des alias perceptuels 5 cases non ambiguës ; 1 case «food» (sortie), perçue Samuel Landau 06/06/2003 Présentation INRA - Toulouse 29
30 Comparaison résultats Maze XCSMH ATNoSFERES optimum 1 0 nombre de pas moyen XCSMH : version de XCSM «hiérarchique» optimisée pour gérer plus efficacement les états internes Les résultats pour XCSM (15,1) n ont pas été portés pour ne pas «écraser» les histogrammes Samuel Landau 06/06/2003 Présentation INRA - Toulouse 30
31 Environnement E1 [Métivier et Lattaud 2002] environnement non-markovien : 20 cases présentant des alias perceptuels 24 cases non ambiguës ; 1 case «food» (sortie), perçue Samuel Landau 06/06/2003 Présentation INRA - Toulouse 31
32 Comparaison résultats E1 4 3,5 3 2,5 2 1,5 1 0,5 0 nombre de pas moyen ACS (2) ACS (3) ATNoSFERES optimum ACS nécessite de fixer au préalable le longueur maximale des «chaînes comportementales» (paramètre BS max), qui influe beaucoup sur la vitesse d apprentissage du modèle du monde Plus d améliorations au-delà de BS max=3 Samuel Landau 06/06/2003 Présentation INRA - Toulouse 32
33 Environnement E2 [Métivier et Lattaud 2002] environnement non-markovien : 36 cases présentant des alias perceptuels 22 cases non ambiguës ; 1 case «food» (sortie), perçue Samuel Landau 06/06/2003 Présentation INRA - Toulouse 33
34 Comparaison résultats E ACS ATNoSFERES optimum 1 0 nombre de pas moyen Métivier et Lattaud rapportent que faire varier BS max ne change pas grand-chose aux performances du système Samuel Landau 06/06/2003 Présentation INRA - Toulouse 34
35 Première expérimentation collective Enseigner un comportement à un robot pas dé démonstration traitement démonstrations réalisation Modèle naïf : un SMA contrôle le robot. Chaque agent perçoit la couleur d un pixel de l image captée par la caméra du robot, et fait une proposition d action. Les actions sont agrégées par un système de vote, et l action résultante est exécutée par le robot. L utilisateur distribue le renforcement au système soit explicitement, soit implicitement en pilotant le robot. Samuel Landau 06/06/2003 Présentation INRA - Toulouse 35
36 Première expérimentation collective Résultat : échec Problème trop complexe pour des études préliminaires de système ontophylogenétiques : modèle asynchrone pour ce qui est du développement / la robotique en environnement réel implique des perceptions bruitées et le traitement des perceptions visuelles est un problème vaste en soi A cependant permis de soulever des questions : celle du synchronisme des agents, qui ne se pose pas pour les LCS/AIS celle de la régulation du développement et de la pression sélective Les prochaines expériences sont en simulation, en substituant à ATNoSFERES et à l algorithme génétique un modèle distribué sur des automates, apprenant par renforcement Samuel Landau 06/06/2003 Présentation INRA - Toulouse 36
37 Conclusion Résultats SFERES validé (plusieurs techniques/expériences implantées) SBGE et ATNoSFERES validés dans le cadre individuel Observations expérimentales : parcimonie, régulations implicites Travaux actuels Étude du modèle de contrôle distribué en simulation Perspectives Apprentissage multicritère, distribué sur une population d automates possiblement non-homogène Auto-observation et capacité du système à agir sur sa propre activité, afin de créer des bassins d attraction le long du front de Pareto Application dans des modèles sociaux et naturels (CAS) Retour à la robotique quand le modèle sera dominé en simulation Samuel Landau 06/06/2003 Présentation INRA - Toulouse 37
Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailIntelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
Plus en détailLes apports de l informatique. Aux autres disciplines
Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il
Plus en détailConception et contrôle des SMA tolérants aux fautes
Conception et contrôle des SMA tolérants aux fautes Une plate-forme multiagents tolérante aux fautes à base de réplication Nora FACI Contexte SMA large échelle Nombre important d agents Ressources éloignées
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailbasée sur le cours de Bertrand Legal, maître de conférences à l ENSEIRB www.enseirb.fr/~legal Olivier Augereau Formation UML
basée sur le cours de Bertrand Legal, maître de conférences à l ENSEIRB www.enseirb.fr/~legal Olivier Augereau Formation UML http://olivier-augereau.com Sommaire Introduction I) Les bases II) Les diagrammes
Plus en détailUniversité de Bangui. Modélisons en UML
Université de Bangui CRM Modélisons en UML Ce cours a été possible grâce à l initiative d Apollinaire MOLAYE qui m a contacté pour vous faire bénéficier de mes connaissances en nouvelles technologies et
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 détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailConception des systèmes répartis
Conception des systèmes répartis Principes et concepts Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT Octobre 2012 Gérard Padiou Conception des systèmes répartis 1 / 37 plan
Plus en détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailIFT2255 : Génie logiciel
IFT2255 : Génie logiciel Chapitre 6 - Analyse orientée objets Section 1. Introduction à UML Julie Vachon et Houari Sahraoui 6.1. Introduction à UML 1. Vers une approche orientée objet 2. Introduction ti
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
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 détailSFERES : Un framework pour la conception de systèmes multi-agents adaptatifs
RECHERCHE SFERES : Un framework pour la conception de systèmes multi-agents adaptatifs Samuel Landau * Stéphane Doncieux ** Alexis Drogoul * Jean-Arcady Meyer ** LIP6 Pôle IA thème OASIS 8, rue du Capitaine
Plus en détailEXAMEN CRITIQUE D UN DOSSIER TECHNIQUE
EXAMEN CRITIQUE D UN DOSSIER TECHNIQUE (Préparation : 5 heures -- Exposé et Questions : 1 heure) Rapport établi par : P.J. BARRE, E. JEAY, D. MARQUIS, P. RAY, A. THIMJO 1. PRESENTATION DE L EPREUVE 1.1.
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 détailSciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION
Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailPEUT- ON SE PASSER DE LA NOTION DE FINALITÉ?
PEUT- ON SE PASSER DE LA NOTION DE FINALITÉ? à propos de : D Aristote à Darwin et retour. Essai sur quelques constantes de la biophilosophie. par Étienne GILSON Vrin (Essais d art et de philosophie), 1971.
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailChapitre 1 : Introduction aux bases de données
Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données
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 détailCréation intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailLa Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS
Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département
Plus en détailUne dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU
Une dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU Gabriel Antoine Louis Paillard Ce travail a eu le soutien de la CAPES, agence brésilienne pour
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détailRapport d activité. Mathieu Souchaud Juin 2007
Rapport d activité Mathieu Souchaud Juin 2007 Ce document fait la synthèse des réalisations accomplies durant les sept premiers mois de ma mission (de novembre 2006 à juin 2007) au sein de l équipe ScAlApplix
Plus en détailProgrammation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006
vendredi 8 septembre 2006 Programmation d'agents intelligents Vers une refonte des fils de raisonnement Stage de fin d'études Master IAD 2006 Benjamin DEVEZE Responsable : M. Patrick TAILLIBERT Plan Plan
Plus en détailMODELISATION UN ATELIER DE MODELISATION «RATIONAL ROSE»
MODELISATION UN ATELIER DE MODELISATION «RATIONAL ROSE» Du cours Modélisation Semi -Formelle de Système d Information Du Professeur Jean-Pierre GIRAUDIN Décembre. 2002 1 Table de matière Partie 1...2 1.1
Plus en détailGénérer du code à partir d une description de haut niveau
Cedric Dumoulin Générer du code à partir d une description de haut niveau Ce projet vise à fournir un environnement de développement permettant de modéliser des UI Android à un haut niveau d abstraction,
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 détailDéveloppement spécifique d'un système d information
Centre national de la recherche scientifique Direction des systèmes d'information REFERENTIEL QUALITE Procédure Qualité Développement spécifique d'un système d information Référence : CNRS/DSI/conduite-proj/developpement/proc-developpement-si
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailSystème à enseigner : Robot M.I.M.I. MultipodeIntelligent à Mobilité Interactive. Version 1.0
Système à enseigner : Robot M.I.M.I. MultipodeIntelligent à Mobilité Interactive Sommaire - Le Robot M.I.M.I. (Multipode Intelligent à Mobilité Interactive) - Présentation du Système à Enseigner. - Composition
Plus en détailModèles et simulations informatiques des problèmes de coopération entre agents
Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations
Plus en détailCours 1 : Qu est-ce que la programmation?
1/65 Introduction à la programmation Cours 1 : Qu est-ce que la programmation? Yann Régis-Gianas yrg@pps.univ-paris-diderot.fr Université Paris Diderot Paris 7 2/65 1. Sortez un appareil qui peut se rendre
Plus en détailParcours en deuxième année
Parcours en deuxième année Unités d Enseignement (UE) ECTS Ingénierie des réseaux haut 4 débit Sécurité des réseaux et 4 télécoms Réseaux mobiles et sans fil 4 Réseaux télécoms et 4 convergence IP Infrastructure
Plus en détailConstruire un tableau de bord par Marc Maisonneuve
Construire un tableau de bord par Marc Maisonneuve Le tableau de bord On peut le définir comme la présentation synoptique d indicateurs relatifs au suivi d une bibliothèque, d un projet, d un service.
Plus en détailLa plate-forme DIMA. Master 1 IMA COLI23 - Université de La Rochelle
La plate-forme DIMA Master 1 IMA COLI23 - Université de La Rochelle DIMA Bref aperçu Qu'est-ce? Acronyme de «Développement et Implémentation de Systèmes Multi-Agents» Initié par Zahia Guessoum et Jean-Pierre
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailComplexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux
Complexité et auto-organisation chez les insectes sociaux Guy Theraulaz Centre de Recherches sur la Cognition Animale CNRS, UMR 5169, Toulouse, France Marathon des Sciences XXIII ème Festival d Astronomie,
Plus en détailSuivant les langages de programmation, modules plus avancés : modules imbriqués modules paramétrés par des modules (foncteurs)
Modularité Extensions Suivant les langages de programmation, modules plus avancés : modules imbriqués modules paramétrés par des modules (foncteurs) généricité modules de première classe : peuvent être
Plus en détailProposition de sujet de thèse CIFRE EUROCOPTER / LGI2P
EUROCOPTER SAS Groupe EADS Marignane Ecole des Mines d Alès Laboratoire de Génie Informatique et d Ingénierie de Production LGI2P Nîmes Proposition de sujet de thèse CIFRE EUROCOPTER / LGI2P Titre Domaine
Plus en détailProgramme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION. Mentions Ingénierie des Systèmes d Information Business Intelligence
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION Mentions
Plus en détailquelles sont les spécificités du système de gouvernance des PME - PMI?
LA GOUVERNANCE DES PME-PMI Gérard CHARREAUX Professeur de Sciences de Gestion à 1 Université de Bourgogne, Dijon PREAMBULE Il est probable que vous vous interrogez sur l'apport des recherches en matière
Plus en détailGrammaires d unification
Cours sur le traitement automatique des langues (IV) Violaine Prince Université de Montpellier 2 LIRMM-CNRS Grammaires d unification Grammaire catégorielle Grammaire syntagmatique généralisée (GPSG) Les
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailL E C O U T E P r i n c i p e s, t e c h n i q u e s e t a t t i t u d e s
L E C O U T E P r i n c i p e s, t e c h n i q u e s e t a t t i t u d e s L E C O U T E P r i n c i p e s, t e c h n i q u e s e t a t t i t u d e s Stéphane Safin Psychologue - Ergonome Lucid Group -
Plus en détailInformation utiles. cinzia.digiusto@gmail.com. webpage : Google+ : http://www.ibisc.univ-evry.fr/ digiusto/
Systèmes de gestion de bases de données Introduction Université d Evry Val d Essonne, IBISC utiles email : cinzia.digiusto@gmail.com webpage : http://www.ibisc.univ-evry.fr/ digiusto/ Google+ : https://plus.google.com/u/0/b/103572780965897723237/
Plus en détailMises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger.
Cet ouvrage est fondé sur les notes d un cours dispensé pendant quelques années à l Institut universitaire de technologie de Grenoble 2, au sein du Département statistique et informatique décisionnelle
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailArchitecture distribuée
Architecture distribuée Conception et développement d algorithmes distribués pour le moteur Baboukweb Jean-Christophe DALLEAU Département de Mathématiques et Informatique Université de La Réunion 26 juin
Plus en détailLes diagrammes de modélisation
L approche Orientée Objet et UML 1 Plan du cours Introduction au Génie Logiciel L approche Orientée Objet et Notation UML Les diagrammes de modélisation Relations entre les différents diagrammes De l analyse
Plus en détailSillage Météo. Notion de sillage
Sillage Météo Les représentations météorologiques sous forme d animation satellites image par image sont intéressantes. Il est dommage que les données ainsi visualisées ne soient pas utilisées pour une
Plus en détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détail3A-IIC - Parallélisme & Grid GRID : Définitions. GRID : Définitions. Stéphane Vialle. Stephane.Vialle@supelec.fr http://www.metz.supelec.
3A-IIC - Parallélisme & Grid Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Principes et Objectifs Evolution Leçons du passé Composition d une Grille Exemple d utilisation
Plus en détailL intelligence artificielle distribuée appliquée aux jeux d équipe situés dans un milieu dynamique : l exemple de la RoboCup
Maîtrise d Informatique Option Tranversale Université Paris 8 L intelligence artificielle distribuée appliquée aux jeux d équipe situés dans un milieu dynamique : l exemple de la RoboCup Benjamin DRIEU
Plus en détailSemestre 1. Objectifs Approfondissement de l environnement Java et de son interface de programmation d applications : réseaux, et processus.
Programmation Java avancée (3 ECTS 36h) Semestre 1 Approfondissement de l environnement Java et de son interface de programmation d applications : réseaux, et processus. Introduction. Rappels des concepts
Plus en détailChap 4: Analyse syntaxique. Prof. M.D. RAHMANI Compilation SMI- S5 2013/14 1
Chap 4: Analyse syntaxique 1 III- L'analyse syntaxique: 1- Le rôle d'un analyseur syntaxique 2- Grammaires non contextuelles 3- Ecriture d'une grammaire 4- Les méthodes d'analyse 5- L'analyse LL(1) 6-
Plus en détailManuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2
éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........
Plus en détailExemple de réalisation dans le cas de projets pilotes Smart Grids. sociétaux» 13 juin, Laas-CNRS Toulouse Jean Wild
Exemple de réalisation dans le cas de projets pilotes Smart Grids «Smart grids au carrefour des enjeux technologiques et sociétaux» 13 juin, Laas-CNRS Toulouse Jean Wild l'essentiel Milliards d euros de
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 détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailAgrégation de liens xdsl sur un réseau radio
Agrégation de liens xdsl sur un réseau radio Soutenance TX Suiveur: Stéphane Crozat Commanditaire: tetaneutral.net/laurent Guerby 1 02/02/212 Introduction 2 Introduction: schéma 3 Définition d un tunnel
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailChapitre VI- La validation de la composition.
Chapitre VI- La validation de la composition. Objectifs du chapitre : Expliquer les conséquences de l utilisation de règles de typage souples dans SEP. Présenter le mécanisme de validation des connexions
Plus en détailGénie Industriel et Maintenance
Génie Industriel et Maintenance Pour qu aucun de ces systèmes ne tombe en panne. Plan de la visite 1 2 3 6 4 5 Guide visite du département Génie Industriel et Maintenance 1 Salles Informatiques Utilisation
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 détailBASES DE DONNÉES. CNAM Centre associé de Clermont-Ferrand Cycle A Année 1997-98. J. Darmont I. INTRODUCTION II. LES SYSTÈMES HIÉRARCHIQUES
BASES DE DONNÉES CNAM Centre associé de Clermont-Ferrand Cycle A Année 1997-98 J. Darmont I. INTRODUCTION II. LES SYSTÈMES HIÉRARCHIQUES III. LES SYSTÈMES RÉSEAU IV. LES SYSTÈMES RELATIONNELS V. LE LANGAGE
Plus en détailTable des matières. CHAPITRE 1 Le conseil en organisation : bilan et perspectives... 15
Table des matières Préface... 5 Avertissement... 9 Introduction... 11 CHAPITRE 1 Le conseil en organisation : bilan et perspectives... 15 1 L activité du consultant, un terrain peu exploré... 16 2 Deux
Plus en détailLes attentes du marché
www.pwc.com Les attentes du marché Octobre 2012 L état des lieux à propos des formats de reporting et de l appropriation par le marché du XBRL La taxonomie XBRL pour les reportings Solvabilité 2 a fait
Plus en détailFrançais langue étrangère Savoir-faire - Actes de paroles - Supports d apprentissage -Tâches
Niveau C1 Descripteur global Français langue étrangère Savoir-faire - Actes de paroles - Supports d apprentissage -Tâches La personne peut : comprendre en détail de longs discours et des échanges complexes
Plus en détailSynthèse du «Schéma Directeur des Espaces Numériques de Travail» A l attention du Premier degré (doc réalisé par Les MATICE 76)
Synthèse du «Schéma Directeur des Espaces Numériques de Travail» A l attention du Premier degré (doc réalisé par Les MATICE 76) 1. Qu est-ce que le SDET : schéma directeur des espaces numériques de travail?
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailSECTION 5 BANQUE DE PROJETS
SECTION 5 BANQUE DE PROJETS INF 4018 BANQUE DE PROJETS - 1 - Banque de projets PROJET 2.1 : APPLICATION LOGICIELLE... 3 PROJET 2.2 : SITE WEB SÉMANTIQUE AVEC XML... 5 PROJET 2.3 : E-LEARNING ET FORMATION
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
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 détailSynthèse «Le Plus Grand Produit»
Introduction et Objectifs Synthèse «Le Plus Grand Produit» Le document suivant est extrait d un ensemble de ressources plus vastes construites par un groupe de recherche INRP-IREM-IUFM-LEPS. La problématique
Plus en détailEléments constitutifs et synthèse des convertisseurs statiques. Convertisseur statique CVS. K à séquences convenables. Source d'entrée S1
1 Introduction Un convertisseur statique est un montage utilisant des interrupteurs à semiconducteurs permettant par une commande convenable de ces derniers de régler un transfert d énergie entre une source
Plus en détailInformatique et mathématiques
Informatique Discipline qui traite de tous les aspects, tant théoriques que pratiques, reliés à la conception, à la programmation, au fonctionnement et à l utilisation des ordinateurs. Algorithmique Étude
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailVérifier la qualité de vos applications logicielle de manière continue
IBM Software Group Vérifier la qualité de vos applications logicielle de manière continue Arnaud Bouzy Kamel Moulaoui 2004 IBM Corporation Agenda Analyse de code Test Fonctionnel Test de Performance Questions
Plus en détailCloud Computing et SaaS
Cloud Computing et SaaS On a vu fleurir ces derniers temps un grands nombre de sigles. L un des premiers est SaaS, Software as a Service, sur lequel nous aurons l occasion de revenir. Mais il y en a beaucoup
Plus en détailFormula Negator, Outil de négation de formule.
Formula Negator, Outil de négation de formule. Aymerick Savary 1,2, Mathieu Lassale 1,2, Jean-Louis Lanet 1 et Marc Frappier 2 1 Université de Limoges 2 Université de Sherbrooke Résumé. Cet article présente
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailRetour d expériences avec UML
Retour d expériences avec UML UML pour les systèmes biologiques Marie-Hélène Moirez-Charron, UMR AGIR, équipe MAGE INRA Toulouse mailto:marie-helene.charron@toulouse.inra.fr PLAN Contexte de travail UML,
Plus en détailLE PLAISIR D APPRENDRE POUR APPRENDRE
Ville-École-Intégration, n 119, décembre 1999 LE PLAISIR D APPRENDRE POUR APPRENDRE Jean-Pierre ARCHAMBAULT (*) Les TICE favorisent le travail collectif et aident au travail individuel, ont l attrait de
Plus en détailChristophe Le Page CIRAD - UPR Green
Christophe Le Page CIRAD - UPR Green Combiner jeux de rôles et simulation informatique pour modéliser avec les acteurs les interactions entre dynamiques écologiques et dynamiques sociales dans les agro-écosystèmes
Plus en détailNOM : Prénom : Date de naissance : Ecole : CM2 Palier 2
NOM : Prénom : Date de naissance : Ecole : CM2 Palier 2 Résultats aux évaluations nationales CM2 Annexe 1 Résultats de l élève Compétence validée Lire / Ecrire / Vocabulaire / Grammaire / Orthographe /
Plus en détail