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

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f JFMS Toulouse 24, 25, 26 mars 2010 AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f Benjamin Echard Nicolas Gayton Maurice Lemaire LaMI Laboratoire

Plus en détail

Livre blanc. Cartographie de débit de dose. Utilisez-vous la bonne méthode d interpolation?

Livre blanc. Cartographie de débit de dose. Utilisez-vous la bonne méthode d interpolation? Livre blanc Cartographie de débit de dose Utilisez-vous la bonne méthode d interpolation? Cartographie de débit de dose Utilisez-vous la bonne méthode d interpolation? Mettez en œuvre la méthode d interpolation

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

$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

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Séverine Demeyer, Frédéric Jenson, Nicolas Dominguez CEA, LIST, F-91191

Plus en détail

Prise en compte de la stochasticité dans les modèles : optimisation robuste

Prise en compte de la stochasticité dans les modèles : optimisation robuste Prise en compte de la stochasticité dans les modèles : optimisation robuste Rodolphe Le Riche (CNRS & EMSE) & Victor Picheny (INRA) La Rochelle, 5/11/2014 Plan Introduction 1 Introduction 2 Formulations

Plus en détail

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

Plus en détail

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

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

Plus en détail

Simulation avancée du procédé d injection

Simulation avancée du procédé d injection Simulation avancée du procédé d injection JT «Conception et optimisation numérique en plasturgie» Jeudi 30 juin Ronan Le Goff Sommaire Introduction Modèle numérique Cas d étude Paramètres rhéo Stratégies

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

OPTIMISATION MULTICRITERE STOCHASTIQUE

OPTIMISATION MULTICRITERE STOCHASTIQUE OPTIMISATION MULTICRITERE STOCHASTIQUE Michel DUMAS, Gilles ARNAUD, Fabrice GAUDIER CEA/DEN/DMS/SFME/LETR michel.dumas@cea.r gilles.arnaud@cea.r abrice.gaudier @cea.r Introduction L optimisation multicritère

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

Agrégation séquentielle d'experts

Agrégation séquentielle d'experts Agrégation séquentielle d'experts avec application à la prévision de consommation électrique Pierre Gaillard pierre-p.gaillard@edf.fr avec Yannig Goude (EDF R&D) et Gilles Stoltz (CNRS, HEC Paris) 27 août

Plus en détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

SOMMAIRE CHOIX DE LA METHODE D INTERPOLATION SPATIALE 3

SOMMAIRE CHOIX DE LA METHODE D INTERPOLATION SPATIALE 3 SOMMAIRE CHOIX DE LA METHODE D INTERPOLATION SPATIALE 3 CARTOGRAPHIE DES CHAMPS DE CONCENTRATION EN DIOXYDE D AZOTE (NO 2 ) ET EN BENZENE (C 6 H 6 ) - INTERPOLATION PAR KRIGEAGE ORDINAIRE MONOVARIABLE

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

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

optimisation robuste de réseaux de télécommunications

optimisation robuste de réseaux de télécommunications optimisation robuste de réseaux de télécommunications Orange Labs Laboratoire Heudiasyc, UMR CNRS 6599, Université de Technologie de Compiègne Olivier Klopfenstein thèse effectuée sous la direction de

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

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

Métamodèles Multiples pour l Approximation et l Optimisation de Fonctions Numériques Multivariables

Métamodèles Multiples pour l Approximation et l Optimisation de Fonctions Numériques Multivariables Ecole Nationale Supérieure des Mines de Saint-Etienne Centre de Génie Industriel et Informatique Département Méthodes et Modèles Mathématiques pour l Industrie Document extrait d une version provisoire

Plus en détail

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel.

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Workshop du GIS 3SGS Reims, 29 septembre 2010 Sommaire Missions

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

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

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

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

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

Présentation Actions 2008-2010. GdR speaks to GdR, 3 décembre 2010

Présentation Actions 2008-2010. GdR speaks to GdR, 3 décembre 2010 Présentation Actions 2008-2010 GdR speaks to GdR, 3 décembre 2010 Journées annuelles 1ère rencontres. Février 2006, Toulouse, «sensibilités, plans» 2èmes rencontres. Mars 2007, Solaize, «processus gaussiens,

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

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

Puissance d un test de détection de zones de changement abrupt dans le plan

Puissance d un test de détection de zones de changement abrupt dans le plan Puissance d un test de détection de zones de changement abrupt dans le plan Edith Gabriel & Denis Allard Institut National de la Recherche Agronomique, Unité de Biométrie Domaine saint Paul, site agroparc,

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

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

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

Méthodes d apprentissage statistique («Machine Learning»)

Méthodes d apprentissage statistique («Machine Learning») Méthodes d apprentissage statistique («Machine Learning») Journées d Etudes IARD Niort, 21 Mars 2014 Fabrice TAILLIEU Sébastien DELUCINGE Rémi BELLINA 2014 Milliman. All rights reserved Sommaire Introduction

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

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

Plus en détail

Maxime Claprood. Institut national de la recherche scientifique, Centre ETE

Maxime Claprood. Institut national de la recherche scientifique, Centre ETE Intégration de données de sismique-réflexion par des méthodes géostatistiques Application pour la séquestration géologique du CO 2 dans les Basses-Terres du Saint-Laurent Maxime Claprood Institut national

Plus en détail

Approche multi-échelles: Aide à la conception et à l'injection de pièces en Polyamide renforcé. Y. Deyrail, M. Oumarou, A. Causier, W.

Approche multi-échelles: Aide à la conception et à l'injection de pièces en Polyamide renforcé. Y. Deyrail, M. Oumarou, A. Causier, W. Approche multi-échelles: Aide à la conception et à l'injection de pièces en Polyamide renforcé Y. Deyrail, M. Oumarou, A. Causier, W. Zerguine SOMMAIRE Présentation de la société Contexte de l étude Approche

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

Analyse d un système de freinage récupératif d un véhicule électrique

Analyse d un système de freinage récupératif d un véhicule électrique Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet 1 Compréhension

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

TITRE : OPTIMISATION ROBUSTE : CREATION D UNE PLATEFORME ET

TITRE : OPTIMISATION ROBUSTE : CREATION D UNE PLATEFORME ET TITRE : OPTIMISATION ROBUSTE : CREATION D UNE PLATEFORME ET APPLICATIONS INDUSTRIELLES MOTS CLEFS : OPTIMISATION, ANALYSE DE SENSIBILITE, REDUCTION DE MODELES, FIABILITE, SYSTEMX CONTEXTE de l IRT SYSTEMX

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Table des matières 1 Graph Kernels for Molecular Structure-Activity Relationship Analysis

Plus en détail

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

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

Journées Valor-IG 07 «La donnée dans tous ses états»

Journées Valor-IG 07 «La donnée dans tous ses états» Journées Valor-IG 07 «La donnée dans tous ses états» 28 Mars 2007 Incertitudes de mesures bathymétriques, évaluation, validation et application sur les levés bathymétriques de la Seudre, de la Charente

Plus en détail

GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 2013

GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 2013 École de technologie supérieure Département de génie de la production automatisée Responsable(s) du cours : Crédits : Richard Lepage, ing., Ph.D. GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE

Plus en détail

Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli?

Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli? Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli? Bayesian Experimental Design: A Review Statistical Science, Vol. 10, No. 3 Sophie Ancelet 1, 2 1 UMR 518 AgroParisTech/INRA, Département

Plus en détail

Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre 2009. Plan Modélisation Filtrage Approches continues Post-Traitements

Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre 2009. Plan Modélisation Filtrage Approches continues Post-Traitements Détection de contours Nicolas Thome 19 octobre 2009 1 / 61 Introduction Rôle primordial de la détection de contours en vision 1 Réduction d'information Information de toute l'image résumée dans le contours

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

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

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

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

PJE : Analyse de comportements avec Twitter Classification supervisée

PJE : Analyse de comportements avec Twitter Classification supervisée PJE : Analyse de comportements avec Twitter Classification supervisée Arnaud Liefooghe arnaud.liefooghe@univ-lille1.fr Master 1 Informatique PJE2 2015-16 B. Derbel L. Jourdan A. Liefooghe 1 2 Agenda Partie

Plus en détail

Modélisation des codes de calcul dans. le cadre des processus gaussiens

Modélisation des codes de calcul dans. le cadre des processus gaussiens Modélisation des codes de calcul dans le cadre des processus gaussiens Amandine Marrel Laboratoire de Modélisation des Transferts dans l Environnement CEA Cadarache Introduction (1) Fiabilité et calcul

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

Graphes, réseaux et internet

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

Plus en détail

1. OBJET 3 2. PERIMETRE DES PRESTATIONS 3

1. OBJET 3 2. PERIMETRE DES PRESTATIONS 3 SOMMAIRE 1. OBJET 3 2. PERIMETRE DES PRESTATIONS 3 3. EXEMPLES TYPES DE PRESTATIONS 3 3.1 Thématique 1 : expertises et études thermohydrauliques : 3 3.2 Thématique 2 : expertises et études neutroniques

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

Apprentissage de structure dans les réseaux bayésiens pour

Apprentissage de structure dans les réseaux bayésiens pour Apprentissage de structure dans les réseaux bayésiens pour la détection d événements vidéo Siwar Baghdadi 1, Claire-Hélène Demarty 1, Guillaume Gravier 2, et Patrick Gros 3 1 Thomson R&D France, 1 av Belle

Plus en détail

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1 Modélisation stochastique des données à partir d essais sur matériaux Pr. Denys Breysse Université Bordeaux 1 Hasard cause fictive de ce qui arrive sans raison apparente ou explicable (Petit Robert). Ce

Plus en détail

Eléments de statistique Introduction - Analyse de données exploratoire

Eléments de statistique Introduction - Analyse de données exploratoire Eléments de statistique Introduction - Louis Wehenkel Département d Electricité, Electronique et Informatique - Université de Liège B24/II.93 - L.Wehenkel@ulg.ac.be MATH0487-2 : 3BacIng, 3BacInf - 16/9/2014

Plus en détail

PRISE EN COMPTE ET EVALUATION DES RISQUES TECHNIQUES ET FINANCIERS DANS LES REPONSES A APPEL D OFFRE

PRISE EN COMPTE ET EVALUATION DES RISQUES TECHNIQUES ET FINANCIERS DANS LES REPONSES A APPEL D OFFRE PRISE EN COMPTE ET EVALUATION DES RISQUES TECHNIQUES ET FINANCIERS DANS LES REPONSES A APPEL D OFFRE Xavier Ameye Assetsman 2 bis, passage Roche 78000 Versailles Résumé Ce document présente l apport des

Plus en détail

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de

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

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

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

Plus en détail

Métamodèles Multiples pour l Approximation et l Optimisation de Fonctions Numériques Multivariables

Métamodèles Multiples pour l Approximation et l Optimisation de Fonctions Numériques Multivariables Ecole Nationale Supérieure des Mines de Saint-Etienne Centre de Génie Industriel et Informatique Département Méthodes et Modèles Mathématiques pour l Industrie Document extrait d une version provisoire

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

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

Résolution d un problème d assimilation variationnelle 4D-VAR par des modèles réduits POD adaptatifs

Résolution d un problème d assimilation variationnelle 4D-VAR par des modèles réduits POD adaptatifs Résolution d un problème d assimilation variationnelle 4D-VAR par des modèles réduits POD adaptatifs G. TISSOT, L. CORDIER, B. R. NOACK Institut Pprime, Dpt. Fluides, Thermique et Combustion, 8636 Poitiers

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

La thématique Traitement Statistique de l Information à TL1

La thématique Traitement Statistique de l Information à TL1 La thématique Traitement Statistique de l Information à TL1 Equipe de recherche Thématique développée à TL1 par 3 enseignants-chercheurs : Yves Delignon, Christelle Garnier, François Septier Thématique

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

QUANTIFICATION DES EXAMENS ONCOLOGIQUES AU FLUORO-DÉOXYGLUCOSE EN TOMOGRAPHIE PAR ÉMISSION DE POSITONS

QUANTIFICATION DES EXAMENS ONCOLOGIQUES AU FLUORO-DÉOXYGLUCOSE EN TOMOGRAPHIE PAR ÉMISSION DE POSITONS Journées Jeunes Chercheurs d Aussois d - Décembre D 2003 U494 QUANTIFICATION DES EXAMENS ONCOLOGIQUES AU FLUORO-DÉOXYGLUCOSE OXYGLUCOSE EN TOMOGRAPHIE PAR ÉMISSION DE POSITONS Juliette FEUARDENT Thèse

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

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

Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage

Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage Idir Belaidi, Raouf Tahmi & Kamal Mohammedi Laboratoire LMMC, Groupe Modélisation Mécanique

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

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Université Paris Diderot Physique L2 2014-2015 Simulations Numériques SN4 Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Objectifs : Simuler

Plus en détail

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours ENSIIE - Intelligence Artificielle (RIIA) - 1er cours Benjamin PIWOWARSKI 28 septembre 2015 Benjamin PIWOWARSKI IA - 1er cours 28 septembre 2015 1 / 53 Introduction Plan 1 Introduction 2 Définitions 3

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

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

Les 6èmes Journées Francophones sur les Réseaux Bayésiens

Les 6èmes Journées Francophones sur les Réseaux Bayésiens Les 6èmes Journées Francophones sur les Réseaux Bayésiens 11 13 Mai 2012, Îles de Kerkennah, Tunisie Vers des Réseaux Bayésiens pour la Classification des Causes de Défaillances PRÉSENTÉ PAR: MOHAMMED

Plus en détail

SPLEX Statistiques pour la classification et fouille de données en

SPLEX Statistiques pour la classification et fouille de données en SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr

Plus en détail

Projet d ingénieur en laboratoire Conception optimale de réseaux d observation pour la qualité de l air

Projet d ingénieur en laboratoire Conception optimale de réseaux d observation pour la qualité de l air Projet d ingénieur en laboratoire Conception optimale de réseaux d observation pour la qualité de l air Matthieu Chevallier Ingénieur-élève des Ponts et Chaussées 20 juin 2008 1 Numéro rapport CEREA :

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

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

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

Plus en détail

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

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

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

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

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

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Stéréoscopie par minimisation d'énergie Frédéric Devernay d'après le cours de Richard Szeliski Mise en correspondance stéréo Quels algorithmes possibles? mettre en correspondance

Plus en détail

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES Table des matières Avant propos Chapitre I NOTIONS SUR LES SYSTEMES 1. Systèmes linéaires 1 2. Systèmes stationnaires 1 3. Systèmes continus 2 4. Systèmes linéaires invariants dans le temps (LIT) 2 4.1

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