K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre Palaiseau
|
|
- Francine Généreux
- il y a 8 ans
- Total affichages :
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 Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailModélisation 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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailAXES 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 détailTABLE 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 détailT. 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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailSoutenance 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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailUne 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 détailNON-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 détailLA 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 détailEchantillonnage 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 détailProjet 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 détailMémoire 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 détailLa Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS
Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département
Plus en détailDe 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 détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailFiltrage 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 détailQuantification 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 détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailOrdonnancement 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 détailNouvelles 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 détailFaire 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 détailCAPTEURS - 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 détailCommunications 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 détailRapport 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 détailPrincipe 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 détailPROBABILITES 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 détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailModèle 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 détailGENIE 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 détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailModélisation 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 détailAgenda 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 détailNOTE 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 détailAvis 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 détailRésumé 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 détailMéthodes 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 détailRenforcement 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 détailNouvelles 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 détailAnalyses 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 détailValidation 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 détailApproche 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 détailDétection 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 détailUne 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 détailETUDE 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 détailTempérature 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 détailModélisation 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 détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailIntroduction 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 détailWe 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 détailMontrouge, 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 détailIntroduction 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailRégression 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 détailLe 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 détailGrégoire 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 détailÉTUDE 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 détailModélisation 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 détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailInterception 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 détailASSURER LA QUALITE DES RESULTATS D ESSAI ET D ETALONNAGE Assuring the quality of test and calibration results
ASSURER LA QUALITE DES RESULTATS D ESSAI ET D ETALONNAGE Assuring the quality of test and calibration results Soraya Amarouche Armelle Picau Olivier Pierson Raphaël Deal Laboratoire National de Métrologie
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailMODÉLISATION DU FONCTIONNEMENT EN PARALLELE À DEUX OU PLUSIEURS POMPES CENTRIFUGES IDENTIQUES OU DIFFERENTES
Annals of the University of Craiova, Electrical Engineering series, No. 30, 006 MODÉLISATION DU FONCTIONNEMENT EN PARALLELE À DEUX OU PLUSIEURS POMPES CENTRIFUGES IDENTIQUES OU DIFFERENTES Daniela POPESCU,
Plus en détailCAP 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 détail1. Étude réalisée par l AFOPE en 2005. 2. Hellriegel D., Slocum J. W., Woodman R. W., Management des organisations, Bruxelles, De Boeck, 1992.
Introduction 1 I n t r o d u c t i o n Créer des usines, des entreprises, des organisations, des méthodes, des produits, des services nouveaux suppose d avoir des équipes motivées, obéissant à un calendrier
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailDocument 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 détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailLe data mining et l assurance Mai 2004. Charles Dugas Président Marianne Lalonde Directrice, développement des affaires
Le data mining et l assurance Mai 2004 Charles Dugas Président Marianne Lalonde Directrice, développement des affaires AGENDA Qu est-ce que le data mining? Le projet et les facteurs de réussite Les technologies
Plus en détailMaîtriser les mutations
Maîtriser les mutations Avec UNE Supply chain AGILE La réflexion porte ses fruits www.cereza.fr TALAN Group Notre savoir-faire : maîtriser les mutations et en faire une force pour l entreprise Cereza,
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailProjet 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 détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détailRaisonnement 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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailUtilisation du module «Geostatistical Analyst» d ARCVIEW dans le cadre de la qualité de l air
Etude n 10 Assistance en modélisation (Rapport 3/3) Utilisation du module «Geostatistical Analyst» d ARCVIEW dans le cadre de la qualité de l air Novembre 2004 Convention : 04000087 Giovanni CARDENAS Utilisation
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailCatalogue de formation
Enregistré sous le numéro : 11 91 012 9991 auprès du Commissaire de la République de la Région Ile de France et du Département de Paris, CADLM propose un ensemble de formation dont les programmes sont
Plus en détailRégionalisation des régimes de perturbations et implications pour l aménagement dans un contexte de changement climatique
Régionalisation des régimes de perturbations et implications pour l aménagement dans un contexte de changement climatique Sylvie Gauthier, Chercheuse scientifique, successions forestières RNCan-SCF-CFL
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailLes outils de simulation. Myriam HUMBERT CETE Ouest
Les outils de simulation Myriam HUMBERT CETE Ouest Outils de simulation pour la GPE Objectif Ø Recommandations pour la mise en œuvre des calculs dans le cadre d une GPE ü Analyse qualitative des outils
Plus en détailBIG DATA en Sciences et Industries de l Environnement
BIG DATA en Sciences et Industries de l Environnement François Royer www.datasio.com 21 mars 2012 FR Big Data Congress, Paris 2012 1/23 Transport terrestre Traçabilité Océanographie Transport aérien Télémétrie
Plus en détailovermind La solution précède le problème 2008 Overmind - All rights reserved
La solution précède le problème Société Overmind vous propose des solutions d optimisation, d anticipation, de pilotage global capables de prendre en compte l interdépendance des variables en terme de
Plus en détail