K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre Palaiseau

Dimension: px
Commencer à balayer dès la page:

Download "K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau"

Transcription

1 Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre Palaiseau Apport des modèles de krigeage à la simulation numérique 1/36

2 Krigeage Introduction au krigeage Modèle du krigeage par processus gaussiens Krigeage en optimisation Contribution à la validation des codes de calcul Modèle probabiliste des écarts Calculs - Expériences Application Contribution à la validation des simulations Complexité des simulations numériques Détection des erreurs de calcul par Leave One Out Application Conclusions Apport des modèles de krigeage à la simulation numérique 2/36

3 Introduction au krigeage Développé en géostatistique (D Krige, G Matheron) prospection minière : cartographie à partir de mesures ponctuelles Estimateur linéaire de variance minimale à partir d un modèle de corrélations (spatiales, variogramme) Cadre probabiliste / statistique : prédictions vues comme réalisations d un processus gaussien conditionné par les observations Outil en Simulation Numérique Méthodologie DACE, Design and Analysis of Computer Experiment (2003, Sacks) Méta-modèles des codes de calcul Intérêt : prédictions intervalles de confiance Heuristiques en optimisation (EGO : Efficient Global Optimization, 1998, Jones) Apport des modèles de krigeage à la simulation numérique 3/36

4 Modèle du krigeage par processus gaussiens Processus gaussiens Un processus gaussien Z(x) est caractérisé par sa fonction moyenne et sa fonction de covariance Fonction moyenne : la fonction x m(x) := E(Z(x)) Fonction de covariance : La fonction (x 1, x 2) K(x 1, x 2) := Cov(Z(x 1), Z(x 2)) K(x 1, x 2 ) grand et positif Z(x 1 ) et Z(x 2 ) fortement corrélés K(x 1, x 2 ) proche de zéro Z(x 1 ) et Z(x 2 ) faiblement corrélés Paramétrée, la fonction de covariance permet à un processus gaussien de s adapter à un grand nombre de fonctions physiques Apport des modèles de krigeage à la simulation numérique 4/36

5 y y y Modèle du krigeage par processus gaussiens Processus gaussien := émulateur de fonctions déterministes On dispose d une large classe de fonctions de covariance permettant de représenter un large spectre de fonctions plus ou moins régulières x x x En multi-dimensions : prise en compte de l anisotropie Apport des modèles de krigeage à la simulation numérique 5/36

6 Modèle du krigeage par processus gaussiens Observations y n Apport des modèles de krigeage à la simulation numérique 6/36

7 Modèle du krigeage par processus gaussiens Observations y n Réalisations Y (x new ) y n Apport des modèles de krigeage à la simulation numérique 6/36

8 Modèle du krigeage par processus gaussiens Observations y n Réalisations Y (x new ) y n BLUP = E[Y (x new ) y n] Apport des modèles de krigeage à la simulation numérique 6/36

9 Modèle du krigeage par processus gaussiens Observations y n Réalisations Y (x new ) y n BLUP = E[Y (x new ) y n] Intervalle 95%± := 196 Var[Y (x new ) y n] Apport des modèles de krigeage à la simulation numérique 6/36

10 Modèle du krigeage par processus gaussiens Observations y n Réalisations Y (x new ) y n BLUP = E[Y (x new ) y n] Intervalle 95%± := 196 Var[Y (x new ) y n] Choix d une moyenne (tendance) et d une fonction de corrélation (régularité) Critères de sélection (hyper-paramètres), plans d expériences optimaux (2013, F Bachoc) Apport des modèles de krigeage à la simulation numérique 6/36

11 Modèle du krigeage par processus gaussiens Références Ch de Fouquet, Sur quelques aspects de la mise en oeuvre de la geostatistique dans le contexte des géosciences, Kriging and Gaussian Processes for Computers Experiments, CHORUS Workshop, April, 30th 2014, wwwgdr-mascotnumfr/chorusapr14html François Bachoc, Estimation paramétrique de la fonction de covariance dans le modèle de krigeage Application à la quantification des incertitudes en simulation numérique Thèse Paris 7, 3 octobre 2013 Apport des modèles de krigeage à la simulation numérique 7/36

12 Krigeage en optimisation Krigeage Introduction au krigeage Modèle du krigeage par processus gaussiens Krigeage en optimisation Contribution à la validation des codes de calcul Modèle probabiliste des écarts Calculs - Expériences Application Contribution à la validation des simulations Complexité des simulations numériques Détection des erreurs de calcul par Leave One Out Application Conclusions Apport des modèles de krigeage à la simulation numérique 8/36

13 Krigeage en optimisation Planification séquentielle des simulations Recherche d une solution optimale d une fonction complexe (code de calcul) x opt = arg min x X f (x) Exploration initiale : spécification de N premiers points et réalisation des calculs X N = {(x i, f (x i )) i=1,2,,n } Comment spécifier un autre calcul X N+1? Apport des modèles de krigeage à la simulation numérique 9/36

14 Krigeage en optimisation Planification séquentielle des simulations Solution Bayésienne : estimer l information apportée par un nouveau point x new X N Algorithme EGO (Efficient Global Optimisation, D Jones 1998) estimant le critère Expected Improvement (J Mockus 1970) par un prédicteur krigeage Y N (x) de f (x) f min = min(f (x i ) i=1,2,,n ) x new = arg max E[max(f min Y N (x), 0)] x } {{ } Expected Improvment D autres critères en Machine Learning (N Vayatis à suivre) Apport des modèles de krigeage à la simulation numérique 10/36

15 Krigeage en optimisation Algorithme EGO (Efficient Global Optimisation) Apport des modèles de krigeage à la simulation numérique 11/36

16 Krigeage en optimisation Algorithme EGO (Efficient Global Optimisation) Apport des modèles de krigeage à la simulation numérique 11/36

17 Krigeage en optimisation Algorithme EGO (Efficient Global Optimisation) Apport des modèles de krigeage à la simulation numérique 11/36

18 Krigeage en optimisation Algorithme EGO (Efficient Global Optimisation) Apport des modèles de krigeage à la simulation numérique 11/36

19 Krigeage en optimisation Algorithme EGO (Efficient Global Optimisation) Apport des modèles de krigeage à la simulation numérique 11/36

20 Krigeage en optimisation Algorithme EGO (Efficient Global Optimisation) Apport des modèles de krigeage à la simulation numérique 11/36

21 Krigeage en optimisation Algorithme EGO (Efficient Global Optimisation) Apport des modèles de krigeage à la simulation numérique 11/36

22 Krigeage en optimisation Algorithme EGO (Efficient Global Optimisation) Apport des modèles de krigeage à la simulation numérique 11/36

23 Krigeage en optimisation Travaux Questions sur la convergence et la vitesse de convergence vers l optimum D Jones, M Schonlau, W Welch Efficient Global Optimization of Expensive Black-Box Functions, Journal of Global Optimization, 13, , 1998 Julien Bect, Modèles numériques coûteux - de la quantification des incertitudes à la planification séquentielle d expériences LRC Manon, journée 4 mars 2014, INSTN, Saclay wwwljllmathupmcfr/groupes/cea/lrc/journee php Apport des modèles de krigeage à la simulation numérique 12/36

24 Krigeage Introduction au krigeage Modèle du krigeage par processus gaussiens Krigeage en optimisation Contribution à la validation des codes de calcul Modèle probabiliste des écarts Calculs - Expériences Application Contribution à la validation des simulations Complexité des simulations numériques Détection des erreurs de calcul par Leave One Out Application Conclusions Apport des modèles de krigeage à la simulation numérique 13/36

25 Modèle probabiliste des écarts Calculs - Expériences Modélisation probabiliste des incertitudes Etat du système dépend d un groupe de paramètres x Données expérimentales Y obs (x) acquises sur le système réel Y reel (x) simulé par le code f (x, β) Y obs (x) = Y reel (x) + ɛ obs (x) := incertitudes aléatoires Y reel (x) = f (x, β) + Z(x) := incertitudes épistémiques β paramètre(s) à calibrer, prise en compte éventuel d un avis d expert via un prior Bayésien : β N (β prior, Γ prior ) Modèle des écarts Expériences - Calculs = Z(x) + ɛ obs (x) Z est l erreur de modélisation modélisée par un processus gaussien (fonction aléatoire de x) ɛ obs erreur sur les observations Apport des modèles de krigeage à la simulation numérique 14/36

26 Application Code de calcul FLICA IV (thermohydraulique) Variable d intérêt : perte de pression à la traversée d un élément combustible dans un coeur de réacteur nucléairee Y obs (x) : mesure de la perte de charge f (x, β) : code de calcul de la perte de charge x : regroupant deux types de conditions expérimentales Paramètres de système : diamètre hydraulique, hauteur de frottement, entrefer Variables d environnement : pression de sortie, débit, flux pariétal, enthalpie liquide, titre thermodynamique, température d entrée Apport des modèles de krigeage à la simulation numérique 15/36

27 Application Méthode Prise en compte des erreurs sur les mesures et les paramètres x Familles de fonctions de corrélation testées gaussienne, exponentielle, Matèrn 3/2 et 5/2 Analyse des erreurs par validation croisée (10-fold) RMSE : Root Mean Square Error IC : Intervalle de Confiance Procédures de calibration des paramètres Loi a priori β prior N (β prior, Q prior ) Apport des modèles de krigeage à la simulation numérique 16/36

28 Application Résultats avec tendance linéaire et Matèrn 3/2 RMSE FLICA IV (best estimate) 740Pa FLICA IV calibré processus gaussiens 296Pa prediction error 90% confidence intervals prediction error 90% confidence intervals Index Index Solution obtenue par approximation linéaire ( β f (x, β)) est équivalente à la solution exacte égale à l espérance de la loi a posteriori β post (plus coûteuse en temps de calcul) Apport des modèles de krigeage à la simulation numérique 17/36

29 Application Conclusions Krigeage : pistes d amélioration des prédictions d un code de calcul (ou modèle numérique) en le complétant par un modèle statistique inféré à partir de résultats expérimentaux nécessité d avoir suffisamment de résultats expérimentaux (en rapport avec la dimension) importance du choix de la fonction de covariance et des critères d analyse de la robustesse des prédictions (pas d extrapolations abusives) Bachoc F, Bois G, Martinez JM and J Garnier, Calibration and improved prediction of computer models by universal Kriging, Nuclear Science Engineering, 176, 81-97, 2014 Guillaume Damblin, Validation de modèles numériques dans un contexte industriel sous incertitudes LRC Manon, journée 4 mars 2014, INSTN, Saclay wwwljllmathupmcfr/groupes/cea/lrc/journee php Apport des modèles de krigeage à la simulation numérique 18/36

30 Krigeage Introduction au krigeage Modèle du krigeage par processus gaussiens Krigeage en optimisation Contribution à la validation des codes de calcul Modèle probabiliste des écarts Calculs - Expériences Application Contribution à la validation des simulations Complexité des simulations numériques Détection des erreurs de calcul par Leave One Out Application Conclusions Apport des modèles de krigeage à la simulation numérique 19/36

31 Complexité des simulations numériques Modèles : multi-physiques, multi-échelles Couplages de codes Pré-traitements : spécification des paramètres, des calculs Calculs : maillages (espace, temps), convergence Pré et Post-traitements, extraction de données Impossibilité de vérifier manuellement tous les calculs spécifiés par un gros plan d expériences numériques Apport des modèles de krigeage à la simulation numérique 20/36

32 Détection des erreurs de calcul par Leave One Out Utiliser un méta-modèle pour une vérification globale de l ensemble des calculs Intérêt des prédicteurs linéaires (en les observations) : le calcul des erreurs par Leave One Out (solution à l interpolation) est immédiat ɛ loo = M y obs Détection des outliers par Leave One Out un mauvais calcul (erreurs, convergence, ) va présenter probablement une erreur Leave One Out importante Distribution statistique des erreurs standardisées doit être proche de la distribution normale centrée réduite Exemple d une détection seuillée à 3 σ : Outlier = {i : ɛ loo (i) > 3 σ loo (i)} Apport des modèles de krigeage à la simulation numérique 21/36

33 Application Physique des réacteurs nucléaires Code thermomécanique (déterministe) simulant le comportement du combustible Krigeage a fait apparaître un bruit de mesure non physique Visualisation du bruit numérique anormal et de 2 outliers Apport des modèles de krigeage à la simulation numérique 22/36

34 Application Bruit numérique a été expliqué par la méthode utilisée par le mailleur du préprocesseur Après adaptation du mailleur : Les 2 outliers détectés par le krigegage avaient été identifiés par le code mais pas pris en compte par le postprocesseur Karim Ammar, Conception multi-physiques et multi-objectifs des coeurs de RNR-Na hétérogènes : développement d une méthode d optimisation sous incertitudes, Thèse, Paris Sud, soutenance prévue le 9/12/2014 Apport des modèles de krigeage à la simulation numérique 23/36

35 Conclusions Réduction de la complexité des codes par des modèles de substitution ne se limite à la réduction des temps de calcul Intérêt des modèles de substitution par krigeage compléter une modélisation physique détecter d éventuelles erreurs de calcul planification feedback : optimisation, apprentissage Problèmes soulevés par la grande dimension, le choix de la fonction de corrélation et par le nombre d exemples Comparaison restant à faire avec les méthodes à noyaux (RKHS) similaires mais sans la difficulté de l estimation des hyper-paramètres de la fonction de corrélation (notamment en grande dimension) Apport des modèles de krigeage à la simulation numérique 24/36

36 Conclusions Réduction de la complexité des codes par des modèles de substitution ne se limite à la réduction des temps de calcul Intérêt des modèles de substitution par krigeage compléter une modélisation physique détecter d éventuelles erreurs de calcul planification feedback : optimisation, apprentissage Problèmes soulevés par la grande dimension, le choix de la fonction de corrélation et par le nombre d exemples Comparaison restant à faire avec les méthodes à noyaux (RKHS) similaires mais sans la difficulté de l estimation des hyper-paramètres de la fonction de corrélation (notamment en grande dimension) et avec les anciens réseaux de neurones : CE Rasmussen citant MacKay an interesting question whether in moving from neural networks to Gaussian processes we have thrown the baby out with the bathwater C Rasmussen, Ch Williams, Gaussian Processes for Machine Learning, MIT Press 2006 Apport des modèles de krigeage à la simulation numérique 24/36

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU

$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 détail

Modélisation géostatistique des débits le long des cours d eau.

Modélisation géostatistique des débits le long des cours d eau. Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des

Plus en détail

Introduction au datamining

Introduction 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 détail

T. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet 5

T. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet 5 Modélisation de la performance et optimisation d un algorithme hydrodynamique de type Lagrange-Projection sur processeurs multi-cœurs T. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet

Plus en détail

Tâche 03 Approche hybride De la correction des erreurs à la sélection de variables

Tâche 03 Approche hybride De la correction des erreurs à la sélection de variables 31 décembre 2013 Georges-Marie Saulnier, William Castaings, Anne Johannet, Gérard Dreyfus Tâche 03 Approche hybride De la correction des erreurs à la sélection de variables Sommaire 1. INTRODUCTION...

Plus en détail

AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES

AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte

Plus en détail

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be

Plus en détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Calcul Haute Performance avec OpenTURNS

Calcul Haute Performance avec OpenTURNS Calcul Haute Performance avec OpenTURNS Renaud Barate EDF R&D Workshop du GdR MASCOT-NUM «Quantification d incertitude et calcul intensif» 28 Mars 2013 Sommaire Présentation du logiciel OpenTURNS Problématiques

Plus en détail

Session de rattachement : comment faire parler vos données géographiques?

Session de rattachement : comment faire parler vos données géographiques? Contributions pratiques d une géostatistique raisonnée en environnement : méthodes et application à la cartographie nationale de la pollution par l ozone en France Nicolas Jeannée, GEOVARIANCES 49bis av.

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Réduction des modèles numériques

Réduction des modèles numériques Réduction des modèles numériques Mickaël ABBAS EDF R&D Chef de Projet Méthodes Numériques Avancées Développeur Code_Aster 03 février 2014 Mines ParisTech Plan de la présentation Éléments de contexte industriel

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

Quantification Scalaire et Prédictive

Quantification 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 détail

Echantillonnage Non uniforme

Echantillonnage Non uniforme Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas

Plus en détail

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains. Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY

Plus en détail

Etat de l art sur l utilisation des techniques Web Sémantique en ECD

Etat de l art sur l utilisation des techniques Web Sémantique en ECD Etat de l art sur l utilisation des techniques Web Sémantique en ECD Hicham Behja ENSAM Meknès(1,2,3) Brigitte Trousse Projet AxIS INRIA Sophia Antipolis (2) Abdelaziz Marzak Faculté des sciences Casablanca

Plus en détail

Une comparaison de méthodes de discrimination des masses de véhicules automobiles

Une comparaison de méthodes de discrimination des masses de véhicules automobiles p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

Plus en détail

Projet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA

Projet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA Projet ANR Bruno Capra - OXAND MEFISTO : Maîtrise durable de la fissuration des infrastructures en bétons Contexte Problématique des Maîtres d Ouvrages Evaluation et prédiction de la performance des ouvrages

Plus en détail

Introduction au Data-Mining

Introduction 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 détail

Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires

Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique

Plus en détail

Rapport d'analyse des besoins

Rapport d'analyse des besoins Projet ANR 2011 - BR4CP (Business Recommendation for Configurable products) Rapport d'analyse des besoins Janvier 2013 Rapport IRIT/RR--2013-17 FR Redacteur : 0. Lhomme Introduction...4 La configuration

Plus en détail

De la mesure à l analyse des risques

De la mesure à l analyse des risques De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De

Plus en détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Mesure agnostique de la qualité des images.

Mesure 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 détail

Apprentissage statistique et Big Data, focus sur l algorithme online-em

Apprentissage statistique et Big Data, focus sur l algorithme online-em Apprentissage statistique et Big Data, focus sur l algorithme online-em Olivier Cappé Laboratoire Traitement et Communication de l Information CNRS, Télécom ParisTech, 75013 Paris 8 octobre 2013 0. Cappé

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE Les résultats donnés par R et SAS donnent les valeurs des tests, la valeur-p ainsi que les intervalles de confiance. TEST DE COMPARAISON

Plus en détail

Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique

Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique Proposition de thèse CIFRE CERMICS-EDF Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique 13 Janvier 2015 1 Contexte industriel et problématique En tant qu équipement

Plus en détail

Ordonnancement robuste et décision dans l'incertain

Ordonnancement robuste et décision dans l'incertain Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4

Plus en détail

Optimisation d une fonction de transmission d ordres

Optimisation d une fonction de transmission d ordres Optimisation d une fonction de transmission d ordres pour driver à très haute isolation galvanique. Application aux modules IGBT pour onduleurs multi-niveaux MMC (Multilevel Modular Converters). Sokchea

Plus en détail

Cours STAT 2150. "Statistique non paramétrique: Méthodes de lissage"

Cours STAT 2150. Statistique non paramétrique: Méthodes de lissage Cours STAT 2150 "Statistique non paramétrique: Méthodes de lissage" Année académique 2008-2009 Séance 1 1 Table de matière du cours 1. Introduction (Fonction de répartition, histogramme, propriétés d un

Plus en détail

La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS

La 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 détail

Utilisation des réseaux bayésiens et de l approche de Fenton pour l estimation de probabilité d occurrence d événements

Utilisation des réseaux bayésiens et de l approche de Fenton pour l estimation de probabilité d occurrence d événements Utilisation des réseaux bayésiens et de l approche de Fenton pour l estimation de probabilité d occurrence d événements Rapport LAAS-CNRS Numéro N o 13077 Quynh Anh DO HOANG, Jérémie GUIOCHET, Mohamed

Plus en détail

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,

Plus en détail

Avis de l IRSN sur la tenue en service des cuves des réacteurs de 900 MWe, aspect neutronique et thermohydraulique

Avis de l IRSN sur la tenue en service des cuves des réacteurs de 900 MWe, aspect neutronique et thermohydraulique Avis DSR/2010-065 26 février 2010 Avis de l IRSN sur la tenue en service des cuves des réacteurs de 900 MWe, aspect neutronique et thermohydraulique Par lettre du 19 février 2009, l Autorité de sûreté

Plus en détail

Faire un semi variograme et une carte krigée avec surfer

Faire un semi variograme et une carte krigée avec surfer Faire un semi variograme et une carte krigée avec surfer Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr avril 2004 Fichier de données Faire un fichier excel avec les données organisée en colonnes:

Plus en détail

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr FOUILLE DE DONNEES Anne LAURENT laurent@lirmm.fr ECD Pourquoi la fouille de données? Données disponibles Limites de l approche humaine Nombreux besoins : Industriels, Médicaux, Marketing, Qu est-ce que

Plus en détail

CAPTEURS - CHAINES DE MESURES

CAPTEURS - CHAINES DE MESURES CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité

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

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet 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 détail

Analyse des erreurs de mesure lors d une opération de soudage ; Définition d une instrumentation optimale.

Analyse des erreurs de mesure lors d une opération de soudage ; Définition d une instrumentation optimale. Analyse des erreurs de mesure lors d une opération de soudage ; Définition d une instrumentation optimale. Morgan DAL 1, Philippe LE MASSON 1, Michel DUMONS 1, Didier LAWRJANIEC 2 1 LIMATB, Université

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant

Plus en détail

We make your. Data Smart. Data Smart

We make your. Data Smart. Data Smart We make your We make your Data Smart Data Smart Une société Une société du du groupe Le groupe NP6 SPECIALISTE LEADER SECTEURS EFFECTIFS SaaS Marketing : 50% Data intelligence : 50% 15 sociétés du CAC

Plus en détail

GENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT

GENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements

Plus en détail

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume COURS SYRRES RÉSEAUX SOCIAUX Jean-Loup Guillaume Le cours http://jlguillaume.free.fr/www/teaching/syrres/ Exemple 1 : Expérience de Milgram Objectif faire transiter une lettre depuis les Nebraska à un

Plus en détail

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE SUR LA MODELISATION DU RISQUE D INFLATION NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui

Plus en détail

Agenda de la présentation

Agenda de la présentation Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction

Plus en détail

Le bootstrap expliqué par l exemple

Le bootstrap expliqué par l exemple Le bootstrap expliqué par l exemple 1 Le bootstrap expliqué par l exemple 1. Les concepts du bootstrap 2. Des variantes adaptées au contexte 3. Comparaison des différentes méthodes 4. Les cas sensibles

Plus en détail

Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.

Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos. Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière

Plus en détail

Analyse des déplacements des objets mobiles : définition de comportements types

Analyse des déplacements des objets mobiles : définition de comportements types Analyse des déplacements des objets mobiles : définition de comportements types Thomas Devogele Université François Rabelais (Tours) thomas.devogele@univ-tours.fr Les déplacements L analyse des déplacements

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Résumé des communications des Intervenants

Résumé des communications des Intervenants Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit

Plus en détail

Méthodes de Simulation

Méthodes de Simulation Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents

Plus en détail

Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux

Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en

Plus en détail

Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH

Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897

Plus en détail

ETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES

ETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES ETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES P.E. LOISEL, J. SCHAGUENE, O. BERTRAND, C. GUILBAUD ARTELIA EAU ET ENVIRONNEMENT Symposium du CFBR

Plus en détail

Validation probabiliste d un Système de Prévision d Ensemble

Validation probabiliste d un Système de Prévision d Ensemble Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste

Plus en détail

Sensitivity of SAR data to the soil surface parameters

Sensitivity of SAR data to the soil surface parameters Sensitivity of SAR data to the soil surface parameters Nicolas Baghdadi Irstea, Maison de la télédétection, UMR TETIS, Montpellier, France Sensibilité du signal radar en bande X: TerraSAR-X Fort potentiel

Plus en détail

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

ÉVALUATION DES PARAMÈTRES CINÉTIQUES DES RÉACTEURS NUCLÉAIRES APPLICATION AUX COMBUSTIBLES MIXTES

ÉVALUATION DES PARAMÈTRES CINÉTIQUES DES RÉACTEURS NUCLÉAIRES APPLICATION AUX COMBUSTIBLES MIXTES ÉVALUATION DES PARAMÈTRES CINÉTIQUES DES RÉACTEURS NUCLÉAIRES APPLICATION AUX COMBUSTIBLES MIXTES ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE POUR L'OBTENTION DU GRADE DE DOCTEUR ÈS SCIENCES TECHNIQUES PAR

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

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

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

Plus en détail

Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données

Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,

Plus en détail

Introduction aux Statistiques et à l utilisation du logiciel R

Introduction aux Statistiques et à l utilisation du logiciel R Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil

Plus en détail

ETUDE PROBABILISTE DE L ENVIRONNEMENT ELECTROMAGNETIQUE GENERE DANS UN VEHICULE AUTOMOBILE

ETUDE PROBABILISTE DE L ENVIRONNEMENT ELECTROMAGNETIQUE GENERE DANS UN VEHICULE AUTOMOBILE ETUDE PROBABILISTE DE L ENVIRONNEMENT ELECTROMAGNETIQUE GENERE DANS UN VEHICULE AUTOMOBILE Fatou DIOUF * - Sébastien LALLECHERE* - Françoise PALADIAN * - Marco KLINGLER***- Michel FOGLI ** (*) LASMEA,

Plus en détail

Montrouge, le 9 février 2015. Centre national d équipement nucléaire (CNEN) EDF 97 avenue Pierre Brossolette 92120 MONTROUGE

Montrouge, le 9 février 2015. Centre national d équipement nucléaire (CNEN) EDF 97 avenue Pierre Brossolette 92120 MONTROUGE RÉPUBLIQUE FRANÇAISE DIRECTION DES CENTRALES NUCLEAIRES Montrouge, le 9 février 2015 Réf. : CODEP-DCN-2015-002998 Monsieur le Directeur Centre national d équipement nucléaire (CNEN) EDF 97 avenue Pierre

Plus en détail

Interception des signaux issus de communications MIMO

Interception des signaux issus de communications MIMO Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

CAP CAMION A ASSISTANCE PNEUMATIQUE

CAP CAMION A ASSISTANCE PNEUMATIQUE Séminaire mi parcours Stock-e 2010 CAP CAMION A ASSISTANCE PNEUMATIQUE Iyad Balloul Renault Trucks - iyad.balloul@volvo.com Eric Bideaux INSA Lyon - eric.bideaux@insa-lyon.fr Marc Michard LMFA - Marc.Michard@ec-lyon.fr

Plus en détail

1 METHODOLOGIE BIM [BUILDING INFORMATION MODELING] Avantages & principes

1 METHODOLOGIE BIM [BUILDING INFORMATION MODELING] Avantages & principes 1 METHODOLOGIE BIM [BUILDING INFORMATION MODELING] 1.1 Avantages & principes 1.2 Process de fonctionnement BIM ESQUISSE CONCEPTION EVALUATION CONSTRUCTION GESTIONS Acquisition de données Intégration logiciel

Plus en détail

Modélisation Prédictive Robuste

Modélisation Prédictive Robuste INTELLIGENT TECHNOLOGIES Modélisation Prédictive Robuste GENERATE P R E D I C T O P T I M I Z E Découvrir l'essentiel. pour comprendre, prédire et optimiser. est une solution inédite de modélisation et

Plus en détail

Document d orientation sur les allégations issues d essais de non-infériorité

Document d orientation sur les allégations issues d essais de non-infériorité Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette

Plus en détail

AMÉLIORATION DE L OPTIMISATION DES DESIGNS DE FOSSES PAR L APPROCHE STOCHASTIQUE

AMÉLIORATION DE L OPTIMISATION DES DESIGNS DE FOSSES PAR L APPROCHE STOCHASTIQUE UNIVERSITÉ DE MONTRÉAL AMÉLIORATION DE L OPTIMISATION DES DESIGNS DE FOSSES PAR L APPROCHE STOCHASTIQUE JOSIANE CARON DÉPARTEMENTS DES GÉNIES CIVIL, GÉOLOGIQUE ET DES MINES ÉCOLE POLYTECHNIQUE DE MONTRÉAL

Plus en détail

Overmind. Project Management Optimization

Overmind. Project Management Optimization Project Management Optimization Contenu Objectifs Expérience et compétences Project Management Optimization : Mission et Vision Grands programmes Données, Méthodologie et Résultats Process Appendix 1 Front

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet de Traitement du Signal Segmentation d images SAR Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,

Plus en détail

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R

Plus en détail

Raisonnement probabiliste

Raisonnement probabiliste Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte

Plus en détail

Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs.

Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs. Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs. H. ZAÏDI a, S. FOHANNO a, R. TAÏAR b, G. POLIDORI a a Laboratoire

Plus en détail

Grégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.

Grégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved. Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans

Plus en détail

ÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS

ÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS ÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS B. Badri 1 ; M. Thomas 1 ; S. Sassi 2 (1) Department of Mechanical Engineering,

Plus en détail

J. Franco *1, O. Vasseur 2, B. Corre 1, M. Sergent 3. Communication orale 1. INTRODUCTION

J. Franco *1, O. Vasseur 2, B. Corre 1, M. Sergent 3. Communication orale 1. INTRODUCTION Un nouveau critère basé sur les arbres de longueur minimale pour déterminer la qualité de la répartition spatiale des points d un plan d expériences numériques en phase exploratoire. J. Franco *1, O. Vasseur

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail