Indexation conceptuelle application au domaine biomédical. Mesures de similarité dans les ontologies. [Séminaire MIAD Montpellier SupAgro]

Dimension: px
Commencer à balayer dès la page:

Download "Indexation conceptuelle application au domaine biomédical. Mesures de similarité dans les ontologies. [Séminaire MIAD Montpellier SupAgro]"

Transcription

1 [] Indexation conceptuelle application au domaine biomédical Mesures de similarité dans les ontologies Sylvie Ranwez Sébastien Harispe LGI2P de l école des mines d Alès équipe KID (Knowledge and Image analysis for Decision making) Institut Mines-Télécom

2 Contexte de recherche de l équipe KID Capacité de traitement informatique associée aux connaissances tacites de l homme Interaction homme/machine pour une résolution conjointe de problèmes d apprentissage et de décision Nécessaire de : Extraire de la connaissance Comprendre et analyser l information Donner du sens Visualiser la connaissance Décider Rechercher, analyser, structurer, filtrer les informations à la lumière de modèles de connaissances 2 13/03/2015 Institut Mines-Télécom

3 Recherche d Information Conceptuelle Ressources Requête Indexation Index des documents Ontologie de domaine Appariement (distance sémantique)? Analyse/Indexation Index de la requête R E F O R M U L A T I O N Présentation des ressources jugées pertinentes 3 13/03/2015 Institut Mines-Télécom

4 Recherche d Information Conceptuelle De nombreux avantages Filtrer les informations et augmenter la précision ; désambiguïser (polysémie, synonymie ) Exploitation d information implicite ; Généralisation/spécialisation de la requête Exploiter TOUS les types de ressources (textes, images, gènes, personnes ) des inconvénients Domaine fermé Il faut avoir une ontologie et des ressources indexées Besoin de solution pour annoter les ressources avec des éléments de l ontologie 4 13/03/2015 Institut Mines-Télécom

5 Objectifs Indexation/annotation conceptuelle de ressources pour la mise à jour régulière des référentiels de connaissances et le partage de ces connaissances Textes (e.g. publications scientifiques, CR de consultation) Images (e.g. radiographies, photos, ECG) Vidéos Sons A framework for unifying ontologybased semantic similarity measures Algorithms Medical Informatics/methods Models, Theoretical Natural Language Processing Semantics Software L indexation est longue et requiert une forte expertise (du domaine et de l ontologie e.g. MeSH 2014 contient concepts) 5 13/03/2015 Institut Mines-Télécom

6 Etat de l art Des approches algorithmiques ont été proposées Textes : NLP, Machine Learning (MTI-2004, NCBO-2009, MaxMatcher- 2006, MetaMap-2001) Images : reconnaissance de forme Vidéos : analyse de son Sons : retranscription du son + NLP Idée : se baser sur des ressources déjà indexées E.g. PMRA (PubMed Related Articles) : basé sur une proximité linguistique (mots en commun) et sur une similarité sémantique (estimée entre les concepts du MeSH qui indexent les publications) PMRA* n utilise que la première phase 2 phases : Retrouver les documents qui sont "proches" du document à annoter Agréger les annotation de ces documents pour indexer le nouveau Souvent, simple classement des concepts récoltés en phase 1 MTI fréquence du concept dans le titre et l abstract v.s. le reste du document Machine-Learning (ML) : gradient boosting, reflective random indexing et Learning-To-Rank (LTR) 6 13/03/2015 Institut Mines-Télécom

7 Indexation conceptuelle par propagation d 7 d 11 d 3 d 12 d 10 d 5 d 6 d 8 d 2 d 1 d 13 d 9 d 4 Construire une carte sémantique sur laquelle les documents sont positionnés en fonction de leur similarité sémantique [travaux de thèse de Nicolas Fiorini] 7 13/03/2015 Institut Mines-Télécom

8 Indexation conceptuelle par propagation d 7 d 11 d 3 d 12 d 10 d 5 d 6 d x d 8 d 2 d 1 d 13 d 9 d 4 Déposer un nouveau document à indexer à proximité de ceux qu on estime proches [travaux de thèse de Nicolas Fiorini] 8 13/03/2015 Institut Mines-Télécom

9 Indexation conceptuelle par propagation d 7 d 11 d 3 d 12 d 10 d 5 d 6 d x d 8 d 2 d 1 d 13 d 9 d 4 Propagation des annotations des k-plus-proches voisins Synthèse : Mammals Carnivora Dog Cat Mammals / Carnivora Différentes stratégies possibles & différentes mesures sémantiques [travaux de thèse de Nicolas Fiorini] 9 13/03/2015 Institut Mines-Télécom

10 Indexation conceptuelle par propagation Prendre comme ensemble de départ l union de tous les concepts qui apparaissent dans l indexation des k-nn V : voisinage composé des k-nn 0 = d : document A d : annotation de d Optimisation d une fonction Objectif =argmax A 0 ( ), ( )= sim(, ) d j V Ne nécessite pas de phase d apprentissage sur un gros volume de données Annotation consistante et synthétique Fiorini, N., Ranwez, S., Ranwez, V. and Montmain, J. Indexation conceptuelle par propagation. Application à un corpus d articles scientifiques lieś au cancer, CORIA /03/2015 Institut Mines-Télécom

11 User-oriented Semantic Indexer (USI) Logiciel développé en Java Phase 1 : Détection des documents proches de celui à annoter Utilisation de PMRA* Phase 2 : Identification des k-nn En utilisant les k documents placés en tête de PMRA* Par positionnement sur une carte sémantique Calcul de l ensemble de départ des annotations (on peut filtrer pour ne conserver, par exemple, que ceux qui apparaissent 2 fois) Optimisation de la fonction objectif en tenant compte de distances sémantiques entre les concepts Fiorini, N., Ranwez, S., Montmain, J. and Ranwez, V. USI: a fast and accurate approach for conceptual document annotation, BMC Bioinformatics, to appear /03/2015 Institut Mines-Télécom

12 User-oriented Semantic Indexer (USI) Ontologie de domaine {c 1, c 2 } PMRA*(d i ) d 1 3 documents placés en tête d 1 d 2 K = {d 1, d 2, d 3 } A 0 = {c 1, c 2, c 3, c 4, c 5 } Medial search USI {c 2, c 3 } {c 2, c 3 } d 2 d 3 K = {d 1, d 2, d 3 } A 0+filter = {c 2, c 3 } USI_filter {c 2, c 3 } {c 3, c 4, c 5 } {c 6 } {c 5, c 7, c 8 } d 3 d 4 d 5 3-NN identifiés sur une carte sémantique d 1 d 2 d 4 d 3 d 5 K = {d 2, d 3, d 5 } A 0 = {c 2, c 3, c 4, c 5, c 7, c 8 } K = {d 2, d 3, d 5 } A 0+filter = {c 3, c 5 } USI+map {c 3, c 4, c 7 } USI_filter+map {c 3, c 5 } 12 13/03/2015 Institut Mines-Télécom

13 User-oriented Semantic Indexer (USI) Optimisation Stocker la matrice de distance des A 0 x A 0 concepts Optimisation algorithmique Résultats (1000 documents annotés par des experts avec le MeSH et leurs 50-NN) Pas d amélioration si on rajoute de nouveaux concepts (les pères des concepts présents dans A 0 ) Notre méthode se distingue de l état de l art : c est l ensemble des concepts proposés qui fait sens pour caractériser le doc de façon globale Ici on conserve les 50 premiers documents de PMRA* et k=20 Method F-score Semantic score Processing time (s) PMRA* + MetaMap + Clustering (MTI) N/A PMRA* + LTR PMRA* + USI PMRA* + USI filter PMRA* + USI + map PMRA* + USI filter + map /03/2015 Institut Mines-Télécom

14 Faire face à l imprécision En fonction de la densité et de l hétérogénéité de la carte, la précision du positionnement a plus ou moins d influence Fiorini, N., Ranwez, S., Montmain, J. and Ranwez, V. Coping with imprecision during a semi-automatic conceptual indexing process, IPMU 2014, Series: Communications in Computer and Information Science, Vol. 444, Springer /03/2015 Institut Mines-Télécom

15 User-oriented Semantic Indexer (USI) Challenge BioASQ 1 Indexer des documents de PubMed (titre abstract, écrits en anglais) Des experts les annotent manuellement et les deux annotations sont comparées Batch 1 semaine 2 : 3 ème Batch 1 semaine 3 : 3 ème Batch 1 semaine 4 : 4 ème Batch 1 semaine 5 : 2 ème 15 05/05/2015 Institut Mines-Télécom Modèle de présentation Mines Alès

16 User-oriented Semantic Indexer (USI) Une application grand public /03/2015 Institut Mines-Télécom

17 Annotation de cluster Dans certaines applications on veut considérer un ensemble de ressources : Clusters de gènes Ensemble de publications Regroupement d images (e.g. patients) E.g. analyse de résistance au zinc regrouper des gènes présentant des profils similaires sélectionner des profils en fonction du sens donné à ces profils Analyser des profils d'expression Pierre Berthomieu, Vincent Ranwez Quel sens donner à ces ensembles? Synthèse de l annotation ou annotation moyenne (e.g. sur-représentation statistique de concepts)? 17 13/03/2015 Institut Mines-Télécom

18 Annotation de cluster c 1 c 2 c 3 A combien doiton limiter le nombre de concepts??? c 4 c 5 c 6 c 7 c 8 c 9 c 10 c 11 c 13 c 14 c 12 Annoter par c 2 ou conserver {c 4, c 8 c 9 }? Gène 1 {c 8, c 9 }? Gène 2 {c 8, c 4, c 2 } Gène 3 {c 12, c 6, c 11 } Gène 4 {c 13, c 6, c 9 }? Gène 5 {c 13, c 14, c 9 } Faut-il rajouter les nœuds intermédiaires : c 10, c 5, c 4? 18 13/03/2015 Institut Mines-Télécom

19 Annotation de cluster {c 1, c 2 } {c 2, c 3 } Cluster identifié C d 1 d 2 1) Identifier les clusters 2) Pour chaque cluster déterminer l ensemble des concepts d annotation de départ (union de tous les concepts apparaissant dans les annotations des documents et de tous leurs parents) {c 3, c 4, c 5 } {c 6 } d 3 d 4 0 = ( ) 3) Fournir une annotation concise, non redondante, mais suffisamment précise =argmax A 0 ( ) {c 5, c 7, c 8 } d 5 ( )= 1 sim(, ) ( ) d C Annotation proche des documents du cluster A Pénalise une annotation longue et spécifique 19 13/03/2015 Institut Mines-Télécom

20 Annotation de cluster Validation en cours /03/2015 Institut Mines-Télécom

21 Mesures sémantiques Au cœur du processus de recherche d information Désambiguïser les termes d une requête Calculer le score de pertinence d une ressource Pour le clustering Appariement de ressources Annotation Synthèse de plusieurs annotations 21 13/03/2015 Institut Mines-Télécom

Contributions à l étude des mesures sémantiques

Contributions à l étude des mesures sémantiques Contributions à l étude des mesures sémantiques École des mines d Alès Sébastien Harispe Plan Contributions à l étude des mesures sémantiques Estimation d IC par les fonctions de croyance Plan Contributions

Plus en détail

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

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

Plus en détail

Nouvelles de l AS fouille d images. Émergence de caractéristiques sémantiques

Nouvelles de l AS fouille d images. Émergence de caractéristiques sémantiques Nouvelles de l AS fouille d images Émergence de caractéristiques sémantiques Patrick GROS Projet TEXMEX IRISA - UMR 6074, CNRS, université de Rennes 1, INSA Rennes, INRIA L AS fouille d images Qu est-ce

Plus en détail

OBIRS-feedback, une méthode de reformulation utilisant une ontologie de domaine

OBIRS-feedback, une méthode de reformulation utilisant une ontologie de domaine OBIRS-feedback, une méthode de reformulation utilisant une ontologie de domaine Mohameth François Sy* Sylvie Ranwez* Jacky Montmain* Vincent Ranwez** * Laboratoire de Génie Informatique et d'ingénierie

Plus en détail

INGÉNIERIE DES CONNAISSANCES BCT (3b)

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

Plus en détail

Offre de formation de troisième cycle (LMD)

Offre de formation de troisième cycle (LMD) Offre de formation de troisième cycle (LMD) (Arrêté n 250 du 28 juillet 2009, fixant l organisation de la formation de troisième en vue de l obtention du diplôme de doctorat) Etablissement Faculté / Institut

Plus en détail

SEO Camp'us -4 et 5 février 2009. Directeur du pôle métiers Aposition

SEO Camp'us -4 et 5 février 2009. Directeur du pôle métiers Aposition L'apport de la sémantique et de la linguistique statistique pour le SEO SEO Camp'us -4 et 5 février 2009 Philippe YONNET Directeur du pôle métiers Aposition Président de l association SEOCamp Comment classer

Plus en détail

Artificial Intelligence AI

Artificial Intelligence AI Pedagogical Introduction Artificial Intelligence AI Lecture 0 Karim Bouzoubaa This Lecture General Information Examples Importance At the end Intelligent Systems Course Content, Other AI courses, Learning

Plus en détail

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

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

Plus en détail

Analyse des réseaux sociaux et apprentissage

Analyse des réseaux sociaux et apprentissage Analyse des réseaux sociaux et apprentissage Emmanuel Viennet Laboratoire de Traitement et Transport de l Information Université Paris 13 - Sorbonne Paris Cité Réseaux sociaux? Réseaux sociaux? Analyse

Plus en détail

Clermont Ferrand - Janvier 2003

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

Plus en détail

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

Découverte de Règles Associatives Hiérarchiques entre termes. Sandra BSIRI Hamza Mahdi ZARG AYOUNA Chiraz L.Chérif Sadok BENYAHIA Découverte de Règles Associatives Hiérarchiques entre termes Sandra BSIRI Hamza Mahdi ZARG AYOUNA Chiraz L.Chérif Sadok BENYAHIA 1 Plan Problématique et État de l art Nouvelle approche Approche Conceptuelle

Plus en détail

P. 1. Evolution de l environnement et des compétences documentaires: exemple dans le champ de la santé publique

P. 1. Evolution de l environnement et des compétences documentaires: exemple dans le champ de la santé publique P. 1 Evolution de l environnement et des compétences documentaires: exemple dans le champ de la santé publique Début des années 1990 L Inist-CNRS va contribuer à l alimentation du premier corpus de la

Plus en détail

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

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

Plus en détail

Apprentissage Automatique

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

Plus en détail

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

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

Plus en détail

Profil du candidat et connaissances techniques à connaître/maîtriser

Profil du candidat et connaissances techniques à connaître/maîtriser Utilisation d algorithmes de deep learning pour la reconnaissance d iris. jonathan.milgram@morpho.com Dans ce cadre, l'unité de recherche et technologie a pour but de maintenir le leadership Au sein de

Plus en détail

Les modes de recherche sur le Web 2.0

Les modes de recherche sur le Web 2.0 Les modes de recherche sur le Web 2.0 1 Sommaire 1. Contexte 2. Le collaboratif : les moteurs thématiques 3. La syndication des résultats de recherche 4. Les connaissances : des moteurs 2 1 1. Moteurs

Plus en détail

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

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

Plus en détail

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013 PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF Ianis Lallemand, 21 janvier 2013 APPRENTISSAGE INTERACTIF definition Contours encore assez flous dans le champ de l apprentissage automatique. Néanmoins,

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

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

Plus en détail

OLAP. Data Mining Decision

OLAP. Data Mining Decision Machine Learning Information Systems Data Warehouses Web & Cloud Intelligence OLAP Knowledge Management Data Mining Decision ENTREPÔTS, REPRÉSENTATION & INGÉNIERIE des CONNAISSANCES Une recherche pluridisciplinaire...

Plus en détail

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes CNES Paris - 22/05/2003 Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes Michel DHOME LASMEA UMR 6602CNRS/UBP Clermont-Ferrand Etat de l art (communauté vision artificielle)

Plus en détail

Veille technologique en télécommunications

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

Plus en détail

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

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

Plus en détail

NIMBUS TRAINING. Mise en œuvre d une SGBD dans toutes les étapes du projet. Déscription. Objectifs. Publics. Durée. Pré-requis

NIMBUS TRAINING. Mise en œuvre d une SGBD dans toutes les étapes du projet. Déscription. Objectifs. Publics. Durée. Pré-requis Mise en œuvre d une SGBD dans toutes les étapes du projet. Déscription A partir des retours d expérience, et des préconisations des éditeurs, présenter les facteurs clés de succès et les bonnes pratiques

Plus en détail

S 3 La sémantique au service des moteurs de recherche

S 3 La sémantique au service des moteurs de recherche S 3 La sémantique au service des moteurs de recherche Denis Lebailly, Louis de Viron Séminaire du Cental 1 er mars 2013 Plan de la présentation Introduction Chercher le sens au-delà des mots Les unités

Plus en détail

Digital Workplace et Gestion des connaissances Concepts et mise en oeuvre

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

Plus en détail

Construction et enrichissement automatique d ontologie à partir de ressources externes

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

Plus en détail

Assistance à l interaction

Assistance à l interaction Assistance à l interaction Modèles, Outils, Usages, Evaluation Jean-Paul Sansonnet LIMSI-CNRS Assistance à l interaction 2 Analyse et Modèles pour l Interaction 1. Modèles et outils pour l interaction

Plus en détail

La Convergence des outils de veille et des sources

La Convergence des outils de veille et des sources La Convergence des outils de veille et des sources Atelier A1- i Expo 2006 31 mai 2006 «Référentiels et évaluation des outils de veille» Raymond Descout Vice-président Ventes et Marketing Europe, CEDROM-SNi

Plus en détail

«Former les hommes, ce n'est pas remplir un vase, c'est allumer un feu». Aristophane

«Former les hommes, ce n'est pas remplir un vase, c'est allumer un feu». Aristophane Offres Coaching d équipe - Formation - Atelier «Former les hommes, ce n'est pas remplir un vase, c'est allumer un feu». Aristophane Notre mission : Inspirer Mobiliser - Fédérer Croitre - Influencer - Motiver

Plus en détail

Infrastructure Web sociosémantique. Collaborative. Pour un outillage de l'ingénierie de connaissances collaborative

Infrastructure Web sociosémantique. Collaborative. Pour un outillage de l'ingénierie de connaissances collaborative Infrastructure Web sociosémantique pour la Veille Collaborative Pour un outillage de l'ingénierie de connaissances collaborative Jean-Pierre Cahier Patrick Brébion Cahier@utt.fr - patrick.brebion@utt.fr

Plus en détail

INFORMATIQUE - PROJET DE DEVELOPPEMENT INTERNET/INTRANET

INFORMATIQUE - PROJET DE DEVELOPPEMENT INTERNET/INTRANET MINISTERE DE LA COMMUNAUTE FRANCAISE ADMINISTRATION GENERALE DE L ENSEIGNEMENT ET DE LA RECHERCHE SCIENTIFIQUE ENSEIGNEMENT DE PROMOTION SOCIALE DE REGIME 1 DOSSIER PEDAGOGIQUE UNITE DE FORMATION INFORMATIQUE

Plus en détail

Accès au Contenu Informationnel pour les Masses de Données de Documents

Accès au Contenu Informationnel pour les Masses de Données de Documents Accès au Contenu Informationnel pour les Masses de Données de Documents Grappa LILLE 3 - UR Futurs INRIA MOSTRARE Laboratoire d Informatique de Paris 6 Laboratoire de Recherche en Informatique Orsay -

Plus en détail

Indexation & Recherche documentaire. Véronique Heinis Professeur documentaliste Académie de Nice

Indexation & Recherche documentaire. Véronique Heinis Professeur documentaliste Académie de Nice Indexation & Recherche documentaire Véronique Heinis Professeur documentaliste Académie de Nice Le professeur documentaliste Le travail du documentaliste Alimente la base de données du logiciel documentaire

Plus en détail

Comparaison d approches statistiques pour la classification de textes d opinion. Michel Plantié, Gérard Dray, Mathieu Roche (LGI2P/EMA LIRMM)

Comparaison d approches statistiques pour la classification de textes d opinion. Michel Plantié, Gérard Dray, Mathieu Roche (LGI2P/EMA LIRMM) Comparaison d approches statistiques pour la classification de textes d opinion Michel Plantié, Gérard Dray, Mathieu Roche (LGI2P/EMA LIRMM) Caractéristiques des traitements Approche identique pour les

Plus en détail

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif 13 avril 2015 LES INNOVATIONS DANS LA SOCIAL MEDIA INTELLIGENCE Expérience informationnelle

Plus en détail

Les outils de veille sur Internet Panorama, évolutions, nouveautés. Myriel Brouland SCIP France -10 Mai 2006

Les outils de veille sur Internet Panorama, évolutions, nouveautés. Myriel Brouland SCIP France -10 Mai 2006 Les outils de veille sur Internet Panorama, évolutions, nouveautés Myriel Brouland SCIP France -10 Mai 2006 1 La veille en France: une situation paradoxale Une situation contrastée Une prise de conscience

Plus en détail

Indexation de sous-collections pour l amélioration de la haute précision

Indexation de sous-collections pour l amélioration de la haute précision Indexation de sous-collections pour l amélioration de la haute précision Joëlson Randriamparany *,** *IRIT, Institut de Recherche Informatique de Toulouse Université Paul Sabatier Toulouse III 118 Route

Plus en détail

Web sémantique, données libres et liées, UNT

Web sémantique, données libres et liées, UNT Web sémantique, données libres et liées, UNT Yolaine Bourda September 20, 2012 Web sémantique De nombreux documents sont présents sur le Web. Pourtant il est parfois difficile d avoir des réponses à des

Plus en détail

Analyse de données symboliques et graphe de connaissances d un agent

Analyse de données symboliques et graphe de connaissances d un agent d un agent Philippe Caillou*, Edwin Diday** *LAMSADE - Université Paris Dauphine Place du maréchal de Lattre de Tassigny 7516 Paris caillou@lamsade.dauphine.fr **CEREMADE - Université Paris Dauphine Place

Plus en détail

Méthode d extraction des signaux faibles

Méthode d extraction des signaux faibles Méthode d extraction des signaux faibles Cristelle ROUX GFI Bénélux, Luxembourg cristelle.roux@gfi.be 1. Introduction Au début d une analyse stratégique, la première question posée est très souvent la

Plus en détail

De l intérêt de la structuration et de la codification des données médicales en soins de santé primaire.

De l intérêt de la structuration et de la codification des données médicales en soins de santé primaire. Intérêt pour l Assurance de la qualité des soins, de la structuration et de la codification des données médicales Assemblée Générale du CeNIM le 9 mars 2002 De l intérêt de la structuration et de la codification

Plus en détail

Entreprise et Big Data

Entreprise et Big Data Entreprise et Big Data Christophe Favart Chef Architecte, SAP Advanced Development, Business Information Technology Public Juin 2013 Agenda SAP Données d Entreprise Big Data en entreprise Solutions SAP

Plus en détail

Cartographie de mots : application à la visualisation de noms de marque

Cartographie de mots : application à la visualisation de noms de marque Université Montpellier II UFR Fac des Sciences Master 1 Informatique Université Montpellier II UFR Fac des Sciences Master 1 Informatique Cartographie de mots : application à la visualisation de noms de

Plus en détail

Recherche d Information à partir d annotations automatiques et manuelles

Recherche d Information à partir d annotations automatiques et manuelles 1 / 18 Recherche d Information à partir d annotations automatiques et manuelles Robert Bossy Mathématique Informatique et Génome Bibliome Institut National de la Recherche Agronomique 14 septembre 2012

Plus en détail

Logiciel QDA Miner. Deuxième partie Gestion du livre des codes et codage manuel

Logiciel QDA Miner. Deuxième partie Gestion du livre des codes et codage manuel PLAN DE COURS «ANALYSE DE DONNEES TEXTUELLES» Trois approches pour l analyse de textes Analyse qualitative Analyse quantitative Fouille de textes Introduction au logiciel QDA Miner Introduction et gestion

Plus en détail

Présentation de la plateforme d analyse linguistique médiévale

Présentation de la plateforme d analyse linguistique médiévale Présentation de la plateforme d analyse linguistique médiévale 1. Introduction Tout au long de ce document, notre projet sera présenté à travers la méthodologie suivie pour développer la plateforme d analyse

Plus en détail

L'analyse conceptuelle assistée par ordinateur et les humanités numériques. Louis Chartrand

L'analyse conceptuelle assistée par ordinateur et les humanités numériques. Louis Chartrand L'analyse conceptuelle assistée par ordinateur et les humanités numériques Louis Chartrand Plan I. Les humanités digitales II. La LACTAO III. Expérimentations Partie I Les humanités digitales (vues par

Plus en détail

Panorama des outils de veille. Myriel Brouland I-Expo 17 Juin 2009

Panorama des outils de veille. Myriel Brouland I-Expo 17 Juin 2009 Panorama des outils de veille Myriel Brouland I-Expo 17 Juin 2009 1 La veille s est affirmée en tant que discipline : Elle s inscrit dans un démarche d optimisation du management de l information au sein

Plus en détail

Comment mesurer la couverture d une ressource terminologique pour un corpus?

Comment mesurer la couverture d une ressource terminologique pour un corpus? Comment mesurer la couverture d une ressource terminologique pour un corpus? Goritsa Ninova, Adeline Nazarenko, Thierry Hamon, Sylvie Szulman LIPN UMR 7030 CNRS Université Paris-Nord 99 av. J.-B. Clément,

Plus en détail

1 CM. Calendrier des examens - janvier 2016. Université de la Manouba Institut Supérieur des Arts Multimédias PREMIER SEMESTRE DE L A.

1 CM. Calendrier des examens - janvier 2016. Université de la Manouba Institut Supérieur des Arts Multimédias PREMIER SEMESTRE DE L A. 1 CM Lundi 04-01-2016 De 09h à 10h15 Techniques d'expressions vectorielles (DS) Pratique Lundi 04-01-2016 De 12h30 à 13h45 C2i 1 (DS) Pratique Mardi 05-01-2016 De 12h30 à 13h45 Traitement d'images numériques

Plus en détail

OFFRE DE FORMATION L.M.D.

OFFRE DE FORMATION L.M.D. REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE OFFRE DE FORMATION L.M.D. MASTER PROFESSIONNEL ET ACADEMIQUE Systèmes d Information

Plus en détail

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

TITRE : Intelligence et veille géopolitique pour l industrie

TITRE : Intelligence et veille géopolitique pour l industrie TITRE : Intelligence et veille géopolitique pour l industrie KEYWORDS : SYSTEMX, étude de marché, géopolitique, intelligence économique, recherche d information, visualisation de données, traitement automatique

Plus en détail

LSA : les limites d'une approche statistique

LSA : les limites d'une approche statistique LSA : les limites d'une approche statistique Atelier «Fouille de Données Complexes» (FDC'6), 7 janvier 26 Mathieu Roche et Jacques Chauché Equipe TAL, LIRMM, Université Montpellier 2 Plan Motivations LSA

Plus en détail

Jean-Francois DECROOCQ - 11/03/2011

Jean-Francois DECROOCQ - 11/03/2011 www.varm.fr Stratégie des risques Jean-Francois DECROOCQ - 11/03/2011 Sommaire Introduction... 2 La stratégie du risque... 2 I.0 Une démarche d entreprise... 2 I.1 Appétit pour le risque... 3 I.2 La tolérance

Plus en détail

Un peu d'organisation. Conception et Programmation par Objets HLIN406. Sommaire. Pourquoi vous parler de conception par objets? Notion de modélisation

Un peu d'organisation. Conception et Programmation par Objets HLIN406. Sommaire. Pourquoi vous parler de conception par objets? Notion de modélisation Un peu d'organisation Conception et Programmation par Objets HLIN406 Marianne Huchard, Clémentine Nebut LIRMM / Université de Montpellier 2 Premières semaines Contrôle des connaissances Supports 2015 Sommaire

Plus en détail

MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB

MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : INFORMATIQUE Spécialité

Plus en détail

COMMENT DÉFINIR L ORIENTÉ OBJET

COMMENT DÉFINIR L ORIENTÉ OBJET COMMENT DÉFINIR L ORIENTÉ OBJET De manière superficielle, le terme «orienté objet», signifie que l on organise le logiciel comme une collection d objets dissociés comprenant à la fois une structure de

Plus en détail

Module Mixmod pour OpenTURNS

Module Mixmod pour OpenTURNS Module Mixmod pour OpenTURNS Régis LEBRUN EADS Innovation Works 23 septembre 2013 EADS IW 2013 (EADS Innovation Work) 23 septembre 2013 1 / 21 Outline Plan 1 OpenTURNS et propagation d incertitudes 2 Mixmod

Plus en détail

La rémunération fixe. La rémunération variable

La rémunération fixe. La rémunération variable Sommaire La rémunération fixe La rémunération variable Direction des Ressources Humaines Groupe Juillet 2012 RENAULT 25 La rémunération fixe: une méthode de définition du niveau de responsabilité Hétérogénéité

Plus en détail

Nos offres de stages pour 2013

Nos offres de stages pour 2013 Nos offres de stages pour 2013 Les sujets de stage que nous vous proposons sont des projets à très forte valeur ajoutée, mêlant recherche amont, algorithmique et implémentation. Ils touchent à des domaines

Plus en détail

INFORMATIQUE : LOGICIELS TABLEUR ET GESTIONNAIRE DE BASES DE DONNEES

INFORMATIQUE : LOGICIELS TABLEUR ET GESTIONNAIRE DE BASES DE DONNEES MINISTERE DE LA COMMUNAUTE FRANCAISE ADMINISTRATION GENRALE DE L ENSEIGNEMENT ET DE LA RECHERCHE SCIENTIFIQUE ENSEIGNEMENT DE PROMOTION SOCIALE DE REGIME 1 DOSSIER PEDAGOGIQUE UNITE DE FORMATION INFORMATIQUE

Plus en détail

Recherche documentaire et autoformation. Lecture critique d un article médical. Recommandations pour la pratique. Les maladies orphelines

Recherche documentaire et autoformation. Lecture critique d un article médical. Recommandations pour la pratique. Les maladies orphelines 18. Recherche documentaire et autoformation. Lecture critique d un article médical. Recommandations pour la pratique. Les maladies orphelines KARILA LAURENT - APPRENTISSAGE DE L EXERCICE MÉDICAL + Objectifs

Plus en détail

GUIDE SUIVI EVALUATION RIDER SUODE

GUIDE SUIVI EVALUATION RIDER SUODE GUIDE SUIVI EVALUATION RIDER SUODE Ce document, réalisé dans le cadre du GT5 «suivi / évaluation», est un guide pour les experts du Comité Scientifique. Les critères et indicateurs choisis dans ce document

Plus en détail

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

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

Plus en détail

LE MANAGEMENT DE LA CONNAISSANCE (KM)

LE MANAGEMENT DE LA CONNAISSANCE (KM) LE MANAGEMENT DE LA CONNAISSANCE (KM) De quoi parle t on? Production de connaissances Recherche, diffusion, partage de connaissance Marché du KM : complexité, perplexité. Homme Machine Manager la Connaissance.

Plus en détail

Fouille de données : quelques applications en SHS

Fouille de données : quelques applications en SHS Fouille de données : quelques applications en SHS Séminaire «!document numérique!», INTD-CNAM 23 novembre 2010 (Paris) Julien VELCIN, laboratoire ERIC Informatique et humanités numériques!! Université

Plus en détail

Chapitre 10 Mettre en œuvre un cluster Hadoop

Chapitre 10 Mettre en œuvre un cluster Hadoop Chapitre 10 Mettre en œuvre un cluster Hadoop 1. Objectif du chapitre Mettre en œuvre un cluster Hadoop L'objectif de ce chapitre est de comparer différentes options possibles pour mettre en œuvre un cluster

Plus en détail

Introduction de la journée

Introduction de la journée Introduction de la journée David Cohen Université Pierre et Marie Curie, APHP, GH Pitié Salpêtrière, Paris, France Service de Psychiatrie de l Enfant et de l Adolescent Institut des Systèmes Intelligents

Plus en détail

Méthodes automatiques pour la détection du spamdexing

Méthodes automatiques pour la détection du spamdexing Méthodes automatiques pour la détection du spamdexing Orange Labs Tanguy Urvoy, Recherche & Développement 26 mars 2009, DAPA Le projet ANR MADSPAM Méthodes Automatiques pour la Détection de SPAMdexing

Plus en détail

La détection automatique de l opinion : contraintes et enjeux

La détection automatique de l opinion : contraintes et enjeux La détection automatique de l opinion : contraintes et enjeux Frédéric Marcoul Responsable R&D de Spotter fmarcoul@spotter.com Ana Athayde Président Directeur Général de Spotter aathayde@spotter.com RÉSUMÉ

Plus en détail

Le Knowledge Graph : bond technologique ou évolution logique?

Le Knowledge Graph : bond technologique ou évolution logique? Le Knowledge Graph : bond technologique ou évolution logique? Sylvain Peyronnet http://sylvain.berbiqui.org Le Knowledge Graph 1 / 31 La machine n existe pas! Le Knowledge Graph 2 / 31 La donnée, et sa

Plus en détail

Le projet HYPERCARTE

Le projet HYPERCARTE Le projet HYPERCARTE http://www-lsr.imag.fr/hypercarte/ ACI Masse de données 2003-2005 Laboratoire LSR-IMAG 1 Laboratoire ID-IMAG Projet APACHE INRIA 2 Laboratoire Géographie-Cité 3 UMS RIATE 4 (1) H.

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université

Plus en détail

Futurs profs: Des ressources pour la formation à l'utilisation des TIC pour les enseignants futurs et actuels du réseau collégial

Futurs profs: Des ressources pour la formation à l'utilisation des TIC pour les enseignants futurs et actuels du réseau collégial Futurs profs: Des ressources pour la formation à l'utilisation des TIC pour les enseignants futurs et actuels du réseau collégial Bruno Poellhuber et Réjean Jobin Présentation au réseau des reptic le 29

Plus en détail

Cours de Data Mining Engin de Recommendation

Cours de Data Mining Engin de Recommendation Cours de Data Mining Engin de Recommendation Andreea Dragut Univ. Aix-Marseille, IUT d Aix-en-Provence Andreea Dragut Cours de Data Mining Engin de Recommendation 1 / 12 Plan du cours Présentation Paradigmes

Plus en détail

«La visualisation de l information au service de la veille, la recherche et la découverte d information sur le web»

«La visualisation de l information au service de la veille, la recherche et la découverte d information sur le web» «La visualisation de l information au service de la veille, la recherche et la découverte d information sur le web» Social Computing est spécialisé dans les domaines de l accès à l information, des réseaux

Plus en détail

Les nouvelles pédagogies de la formation

Les nouvelles pédagogies de la formation Chaire laborh en Management Humain et Transformations du Travail ILSM-Rapport de recherche RH-Entreprises Rapport de recherche, vol. 1 (3), 2011 Les nouvelles pédagogies de la formation Rapport théorique

Plus en détail

Service d Audit des logiciels Qualité et Conformité Cobol/Cics/IMS

Service d Audit des logiciels Qualité et Conformité Cobol/Cics/IMS GT-8 Service d Audit des logiciels Qualité et Conformité Cobol/Cics/IMS IMS-DC DC/SQL/ /SQL/IMS (disponible aussi pour Java/J2EE) IMS-DLI 03/12/2007 1 Prestation de service : Audit Qualimétrique I. Description

Plus en détail

Analyse de grandes bases de données en santé

Analyse de grandes bases de données en santé .. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.

Plus en détail

Analyse de grandes bases de données en santé

Analyse de grandes bases de données en santé .. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.

Plus en détail

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

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

Plus en détail

Aujourd hui: gestionnaire de fichiers

Aujourd hui: gestionnaire de fichiers Gestion des fichiers GIF-1001 Ordinateurs: Structure et Applications, Hiver 2015 Jean-François Lalonde Source: http://www.business-opportunities.biz/2014/11/16/40-home-offices-that-are-messier-than-yours/

Plus en détail

INGÉNIERIE DES CONNAISSANCES SADE : le projet (2b)

INGÉNIERIE DES CONNAISSANCES SADE : le projet (2b) 13.02.2000 INGÉNIRI DS CONNAISSANCS SAD : le projet (2b) Application juridique de recouvrement de créances sur prêts immobiliers Système d aide à l évaluation de dossier de créance entre DF et ses agents,

Plus en détail

Transformation IT de l entreprise ANALYTIQUE : OBTENIR LA PUISSANCE D ANALYSE UTILISÉE PAR LES SERVICES DE RENSEIGNEMENT

Transformation IT de l entreprise ANALYTIQUE : OBTENIR LA PUISSANCE D ANALYSE UTILISÉE PAR LES SERVICES DE RENSEIGNEMENT Transformation IT de l entreprise ANALYTIQUE : OBTENIR LA PUISSANCE D ANALYSE UTILISÉE PAR LES SERVICES DE RENSEIGNEMENT D écouvrez dans cet e-guide les outils utilisés par les agences d investigations

Plus en détail

Apprentissage interactif et collaboratif pour la recherche dans les bases multimédia

Apprentissage interactif et collaboratif pour la recherche dans les bases multimédia Apprentissage interactif et collaboratif pour la recherche dans les bases multimédia Philippe-Henri Gosselin Habilitation à Diriger des Recherches Université de Cergy-Pontoise 10 novembre 2011 La recherche

Plus en détail

Un outil de géolocalisation et de résumé automatique pour faciliter l accès à l information dans des corpus d actualité

Un outil de géolocalisation et de résumé automatique pour faciliter l accès à l information dans des corpus d actualité Un outil de géolocalisation et de résumé automatique pour faciliter l accès à l information dans des corpus d actualité Journée Résumé Automatique Multimédia 2011/03/17 Emilie Guimier De Neef Plan de la

Plus en détail

But du cours. Sources & références. Sources & références. Sources & références. Plan. La fouille de données (ou data mining) Principe (postulat...

But du cours. Sources & références. Sources & références. Sources & références. Plan. La fouille de données (ou data mining) Principe (postulat... But du cours Vocabulaire, principes et techniques du Data Mining Méthodes et Algorithmes Interprétation des résultats. Data Mining : Concepts and Techniques J. Han, M. Kamber Morgan Kaufmann Le Data Mining

Plus en détail

INFORMATIQUE - ANALYSE ET CONCEPTION D APPLICATIONS

INFORMATIQUE - ANALYSE ET CONCEPTION D APPLICATIONS MINISTERE DE LA COMMUNAUTE FRANCAISE ADMINISTRATION GENERALE DE L ENSEIGNEMENT ET DE LA RECHERCHE SCIENTIFIQUE ENSEIGNEMENT DE PROMOTION SOCIALE DE REGIME 1 DOSSIER PEDAGOGIQUE UNITE DE FORMATION INFORMATIQUE

Plus en détail

Graphes, réseaux et internet

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

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de

Plus en détail

Classication d'images

Classication d'images Classication d'images Cas de la télédétection - Classication multirésolution Pierre Gançarski ICube CNRS - Université de Strasbourg 2013 Pierre Gançarski Analyse urbaine et télédétection 1/28 1 Contexte

Plus en détail

GPC Computer Science

GPC Computer Science CYCLE ISMIN P2015 GPC Computer Science P LALEVÉE lalevee@emse.fr @p_lalevee A3.01 0442616715 C YUGMA yugma@emse.fr A3.01 0442616715 01/09/2014 Présentation GPC CS - Ph. Lalevée - C Yugma 1 Scolarité Site

Plus en détail

Modèles et algorithmes pour le conseil et la gestion des préférences en configuration de produit. Introduction au projet ANR Blanc «BR4CP»

Modèles et algorithmes pour le conseil et la gestion des préférences en configuration de produit. Introduction au projet ANR Blanc «BR4CP» Modèles et algorithmes pour le conseil et la gestion des préférences en configuration de produit Introduction au projet ANR Blanc «BR4CP» Participants Cameleon: CRIL: IBM-ILOG : IRIT : LIRMM: Renault :

Plus en détail

Fouillez facilement dans votre système Big Data. Olivier TAVARD

Fouillez facilement dans votre système Big Data. Olivier TAVARD Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche

Plus en détail

Évaluation de la classification et segmentation d'images en environnement incertain

Évaluation de la classification et segmentation d'images en environnement incertain Évaluation de la classification et segmentation d'images en environnement incertain EXTRACTION ET EXPLOITATION DE L INFORMATION EN ENVIRONNEMENTS INCERTAINS / E3I2 EA3876 2, rue F. Verny 29806 Brest cedex

Plus en détail