Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.

Dimension: px
Commencer à balayer dès la page:

Download "Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes."

Transcription

1 Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis de généraliser ces exemples à tout son proche des données d'entraînement. Il s'agit d'un apprentissage supervisé, c'est à dire que l'on choisit de séparer les sons en différentes catégories (ici les notes et les gammes) et d'en donner un exemple de chaque. Un réseau de neurones est une structure imitant le fonctionnement d'un cerveau; le neurone formel est une unité reliée aux autre neurones, capable de recevoir de l'information, de la traiter puis de l'envoyer aux autres neurones. De la même façon qu'un journaliste traite différemment ses sources selon la confiance qui leur attribue, un neurone accord un certain poids aux informations reçues. Les neurones sont organisés de façon hiérarchique, "par couches", et l'ensemble est appelé réseau. L'information avance, couche par couche, depuis l'entrée du réseau qui traite les données jusqu'à la sortie renvoyant les résultats. On notera l'importance des connexions entre neurones caractérisées par les "poids" de ces liaisons. I Étude rapide du réseau - Apprentissage -On cherche à classer des notes de musique, ce qui revient à approcher la fonction qui au son associe sa hauteur et sa gamme. Approcher une fonction linéaire est très simple à l'aide d'un seul neurone. [schéma+explication brève?)] On définit l'erreur commise par le réseau comme la différence entre la sortie voulue sur l'exemple et la sortie réelle proposée par le réseau. (En pratique on se servira de la distance N 2 entre les deux n-uplets ) On peut alors associer sur un exemple donné, l'ensemble des poids du réseau à l'erreur, ce qui nous donne une fonction de R n dans R +, on veut désormais minimiser cette fonction. Le principe de la rétro-propagation est simple, on mesure l'effet d'une petite variation d'un poids sur l'erreur (dérivée partielle) et le gradient ainsi obtenu nous permet de nous "diriger" avec une vitesse donnée, appelée "pas", vers une erreur plus faible. En pratique, je modifie la dernière couche pour diminuer l'erreur puis je déduit de ce travail, la sortie de l'avant dernière couche qui aurait donné un erreur minimale (à l'aide cette fois-ci des dérivées partielles par rapport aux entrées des neurones), on obtient alors la sortie désirée pour cette avant dernière couche et on réapplique le principe de façon récursive à toute les couches. On constate alors la convergence du réseau vers une erreur minimale. II Application à la reconnaissance des notes. Le programme a été réalisé en plusieurs étapes, nécessaires pour obtenir une représentation efficace du réseau de neurones. Une première vision récursive, se prêtant bien à l'algorithme de rétro-propagation des erreurs n'a pas été retenue notamment à cause de la représentation peu claire des réseaux qui était nécessaire pour rendre l'algorithme efficace. Une seconde possibilité, en stockant un réseau sous une forme de matrices contenant les poids (vision inspirée du cours de sciences.ch), a également été mise de côté en raison de son caractère trop formel sans gain réel de rapidité

2 (utiliser une multiplication en O(n 3 ) sur des matrices diagonales est trop coûteux pour un gain de clarté trop faible). Enfin j'ai mis au point une version utilisant des enregistrements ce qui permet de concilier clarté (on utilise des appels comme : reseau.couche.neurone.poids ) et efficacité. type neurone= {poids: float array; mutable activation : float; mutable sortie:float;mutable sensib: float} type reseau=neurone array array Le réseau n'est évidement pas capable de traiter du son de façon brute, afin de lui fournir les données représentatives je me suis orienté vers la Transformée de Fourrier rapide, qui permettrait à un humain de classer aisément les notes par hauteur et gamme. -L'algorithme que j'ai utilisé est très simple: sur un exemple, on propage l'entrée dans le réseau puis on étudie la sortie et on modifie les poids par rétro-propagation des erreurs et on recommence jusqu'à ce que l'erreur passe en dessous d'un seuil défini à l'avance. On exécute cet algorithme sur tous les exemples jusqu'à ce que l'erreur globale soit faible. (voir Le programme) A l'aide d'un logiciel synthétiseur, nous avons fabriqué des fichiers midi de toutes les notes de 4 gammes jouées par plusieurs instruments auxquels j'ai appliqué la transformée de Fourrier. Le réseau s'est alors entraîne pendant environ 10 heures puis nous l'avons testé sur des accords (sur lesquels il n'était pas entraîné) de deux notes simultanées. On obtient alors le type de profil d'erreur (erreur au cours de l'apprentissage) suivant:

3 III Problèmes rencontrés lors de la convergence et solutions appliquées. La convergence d'un réseau vers la solution la plus efficace reste cependant très lente et non garantie. J'ai observé plusieurs problèmes récurrents lors des différents essai dont: la non convergence du réseau, l'instabilité de la convergence et la non généralisation. -Si l'algorithme ne converge pas, cela provient souvent de la difficulté de ce qu'on lui demande, disproportionnée par rapport à ses capacités. En effet, plus le réseau comporte de réseau, plus son pouvoir de résolution est important, le nombre de couche est également important (une couche ne peut résoudre que des problèmes linéaires alors que 3 suffisent généralement pour la plupart des problèmes). On peut donc essayer d'augmenter le nombre de neurones sur les différentes couches afin d'obtenir une convergence. Cependant il ne faut pas tomber dans l'excès inverse car un plus grand nombre de neurones augmente considérablement le nombre de liaisons donc le temps d'exécution de l'algorithme. (Il est toujours plus long de comprendre des choses difficiles) -l'instabilité du réseau peut se caractériser par le profil d'erreur suivant:

4 On obtient ce résultat lorsqu'on se trouve dans une "cuvette d'erreur" très étroite. Le pas d'avancement est peut alors trop grand et fait augmenter l'erreur même selon la direction du gradient. Pour résoudre ce problème, il faut alors savoir doser avec justesse le pas: trop grand, on risque de ne pas aboutir, trop faible la convergence est trop lente. Après avoir essayé de déterminer de façon automatique la valeur optimale du pas, j'ai opté pour une modification manuelle en cours d'entraînement. (Cependant les résultats obtenus en utilisant un pas que l'on pourrait qualifier d'inertiel (il augmente si l'erreur diminue et décroît si elle augmente) ont été assez prometteurs). -Le problème le plus gênant reste la non-généralisation du réseau, si celui-ci apprend parfaitement les exemples, ils peut cependant ne rester qu'un perroquet et se contenter de répéter ce qu'on lui a appris. Cela peut venir de plusieurs causes: le surentraînement, la sous capacité, la non-représentativité des exemples ou tout simplement le hasard! En effet, si l'on fixe le critère d'arrêt à une erreur très faible, le réseau peut alors perdre sa capacité à reconnaître de nouvelles données pour se focaliser sur les exemples. Le cas de la sous-capacité avait déjà été traité dans la non convergence, il suffit d'augmenter la taille du réseau. Enfin, le choix des exemples doit se faire avec attention: ils doivent être caractéristiques de leur catégorie (un mi bémol joué par un harmonica n'est pas vraiment représentatif de cette note!). Une amélioration de l'algorithme consiste à utiliser une validation croisée, il suffit de trouver deux sets d'exemples, l'un servant pour l'apprentissage, l'autre n'étant pas appris mais utilisé pour "valider" l'apprentissage c'est à dire vérifier la capacité de généralisation. L'algorithme se poursuit jusqu'à la validation, ce qui permet donc d'essayer d'éviter le "syndrome du perroquet". IV Résultats obtenus. Les résultats obtenus bien qu'imparfaits sont tout de même satisfaisants: la valeur ajoutée par le réseau montre une qu'une certaine linéarité a été acquise: la superposition de deux notes est comprise par le réseau ce qui n'est pas nécessairement évident. Nous avons généré la séquence suivante : ( a3 e4 ) c3 (g3 a4) g3 e4 a3 <- les indicatifs des notes testées (note+n de gamme), les

5 couples simultannés sont entre parenthèses. Les notes sont jouées successivement et tous les dt le réseau cherche à reconnaitre les notes. Seules les notes dont la sortie est supérieure à 0.3 sont représentées. 3a : , 4a : , (Reconnaissance du 3a et d'une note non jouée 4a qui correspond à une harmonique plus faible) 3a : , 4a : , 4e : , 3a : , 4e : , 3a : , (le réseau reconnait le doublet) 3a : , 3c : , 3f : , (le réseau reconnait de même la fondamentale et l'harmonique suivante) 3c : , 3c : , 3c : , 3c : , 4g : , (la note g3 commence à apparaitre sous la forme d'une de ses harmoniques) 3g : , 3c : , 3g : , 3g : , 4a : , 4d : , 3g : , 4a : , 4a : , 3d : , (le g3 disparait au profit d'un de ses harmoniques) 4g : , 3g : , 3a : , 3g : , 4a : , (4a disparait alors que g3, la note seule suivante, se reforme) 3g : , 3g : , 4e : , 3g : , 4e : , 4e : , 4e : , 4e : , 3a : , 3a : , 3a : , 3a : , 3a : La capacité de généralisation est réelle puisque des tests sur des notes générées avec d'autres instruments (flûte, piano et harpe) ont données également d'excellents résultats. De même on aurait pu tester la capacité du réseau à reconnaître des triplets de notes simultanées. Conclusion: Ce TIPE permet de répondre à plusieurs des questions que je me suis posées: ->Un réseau de neurones est-il de l'intelligence artificielle? Il semble qu'on ne puisse pas qualifier notre réseau d'intelligent, pour plusieurs raisons. Tout d'abord, ce réseau est hyper-spécialisé et ne peut extrapoler les exemples appris que dans une certaine mesure: sons légèrement différents, simultanéité des notes mais certainement pas plus complexe sans risque d'erreur importante. De plus, la nécessité d'un apprentissage supervisé rend notre réseau comparable plus à un chien savant qu'à un une véritable intelligence. Enfin, la grande rigidité de ce réseau dans sa structure (liaisons synaptiques qui ne peuvent pas de détériorer au cours du temps, organisation par couches donc pas de cycles et manque de

6 souplesse dans la propagation), ne permettra jamais au réseau d'évoluer plus qu'une limite fixée dès la génération du réseau. En effet, un tel réseau ne pourra jamais, à moins de changer sa structure, comprendre la voix humaine ou tracer une partition. -Le réseau de neurones est-il un outil rapide?... Non, le réseau nécessite un grand nombre d'exécution de l'algorithme avant d'être opérationnel. En moyenne, plusieures heures sont nécessaires pour l'entraîner correctement sur 28 notes et quelques doublets. En revanche, une fois entraîné, le réseau est extrement rapide (environ 8000 propagations par secondes). -> Quel est alors l'interêt d'un réseau de neurones. Le réseau est spécialisé dans le classement de données, il peut ainsi apprendre à trier un grand nombre d'éléements à partir de quelques exemples bien choisis. Remerciements à: Thierry Artieres, professeur à Paris 6 pour ses conseils très utiles pour améliorer la convergence du réseau. M. Blain, mon prof de physique pour ses conseils sur la présentation du tipe. Ankush Sethi, un étudidant américain. Le Programme (très simplifié pour une meilleure lecture) :

7

8

ÉPREUVE OPTIONNELLE D'INFORMATIQUE AU BACCALAURÉAT (juin 1988) - suite - POLYNÉSIE -

ÉPREUVE OPTIONNELLE D'INFORMATIQUE AU BACCALAURÉAT (juin 1988) - suite - POLYNÉSIE - 62 ÉPREUVE OPTIONNELLE D'INFORMATIQUE AU BACCALAURÉAT (juin 1988) - suite - POLYNÉSIE - PREMIÈRE PARTIE (sur 6 points) Le candidat choisira l'un des deux sujets proposés, qu'il traitera en 200 à 300 mots.

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE PROBLEME DU PLUS COURT CHEMIN LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs

Plus en détail

LE PROBLEME DU FLOT MAXIMAL

LE PROBLEME DU FLOT MAXIMAL LE PROBLEME DU FLOT MAXIMAL I Exemple d introduction Deux châteaux d'eau alimentent 3 villes à travers un réseau de canalisations au sein duquel se trouvent également des stations de pompage. Les châteaux

Plus en détail

CHAPITRE VIII : Les circuits avec résistances ohmiques

CHAPITRE VIII : Les circuits avec résistances ohmiques CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On

Plus en détail

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls.

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls. Diagonalisation des matrices http://www.math-info.univ-paris5.fr/~ycart/mc2/node2.html Sous-sections Matrices diagonales Valeurs propres et vecteurs propres Polynôme caractéristique Exemples Illustration

Plus en détail

Pourquoi l apprentissage?

Pourquoi l apprentissage? Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage

Plus en détail

Al g ori thmi q u e N u méri q u e

Al g ori thmi q u e N u méri q u e Al g ori thmi q u e N u méri q u e Rapport de TP "Gauss et compagnie" Ce rapport présente deux algorithmes de produit matriciel (méthode "Classique" et de Strassen) ainsi que deux algorithmes de résolution

Plus en détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.

Plus en détail

RAPPORT DE STAGE CERTIFICAT DE FORMATION CONTINUE EN LEGISTIQUE (CEFOLEG)

RAPPORT DE STAGE CERTIFICAT DE FORMATION CONTINUE EN LEGISTIQUE (CEFOLEG) FACULTE DE PSYCHOLOGIE ET DES SCIENCES DE L'EDUCATION TECFA Technologies de Formation et Apprentissage RAPPORT DE STAGE CERTIFICAT DE FORMATION CONTINUE EN LEGISTIQUE (CEFOLEG) René Glaus rglaus@mail.com

Plus en détail

Complément C7 Infodauphine.com

Complément C7 Infodauphine.com Complément C7 Infodauphine.com Pourquoi se soucier des performances? L'utilisateur n'aime pas attendre Le timing peut-être critique Trading VBA est un outil de productivité La notion de temps d'exécution

Plus en détail

Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES

Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES Erik PERNOD Calcul Scientifique 3 ème Année RESEAUX DE NEURONES 1 TABLE DES MATIERES TABLE DES MATIERES... 2 I PERCEPTRON SIMPLE... 3 I.1 Introduction... 3 I.2 Algorithme... 3 I.3 Résultats... 4 1er exemple

Plus en détail

Premières étapes de la lecture de la musique

Premières étapes de la lecture de la musique 1 Premières étapes de la lecture de la musique En général, les enfants ne sont pas capables de comprendre les explications abstraites. Il est donc préférable d'aborder tous les sujets de manière active

Plus en détail

IVRG Image and Visual Representation Group

IVRG Image and Visual Representation Group IVRG Image and Visual Representation Group Projet en Digital Photography Responsable : Patrick Vandewalle Sylvain PASINI Bertrand GRANDGEORGE le 2 juin 2003 Table des matières Table des matières 2 1. Introduction

Plus en détail

Calcul d erreur (ou Propagation des incertitudes)

Calcul d erreur (ou Propagation des incertitudes) Travaux Pratiques de Physique vers. septembre 014 Calcul d erreur (ou Propagation des incertitudes) 1) Introduction Le mot "erreur" se réfère à quelque chose de juste ou de vrai. On parle d erreur sur

Plus en détail

Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies

Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

Algorithmique IN102 TD 3

Algorithmique IN102 TD 3 Algorithmique IN10 TD 16 décembre 005 Exercice 1 Clairement, il existe des arbres de hauteur h à h + 1 éléments : il sut pour cela que leurs n uds internes aient au plus un ls non vide. On a alors un arbre

Plus en détail

CH.8 Décidabilité. Propriétés des langages récursifs : Fermés par complémentation, union et intersection. oui. non. oui M 1. non. oui M 2.

CH.8 Décidabilité. Propriétés des langages récursifs : Fermés par complémentation, union et intersection. oui. non. oui M 1. non. oui M 2. CH.8 Décidabilité 8.1 Les langages récursifs 8.2 La machine de Turing universelle 8.3 Des problèmes de langages indécidables 8.4 D'autres problèmes indécidables Automates ch8 1 8.1 Les langages récursifs

Plus en détail

Chapitre 1 I:\ Soyez courageux!

Chapitre 1 I:\ Soyez courageux! Chapitre 1 I:\ Soyez courageux! Pour ne rien vous cacher, le langage d'assembleur (souvent désigné sous le terme "Assembleur", bien que ce soit un abus de langage, puisque "Assembleur" désigne le logiciel

Plus en détail

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Principes généraux de codage entropique d'une source Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Table des matières Objectifs 5 Introduction 7 I - Entropie d'une source 9 II -

Plus en détail

L'ACCORD DU PARTICIPE PASSÉ : UN MODULE POUR HYPERPROF

L'ACCORD DU PARTICIPE PASSÉ : UN MODULE POUR HYPERPROF 93 L'ACCORD DU PARTICIPE PASSÉ : «L'accord du participe passé» est un module pour HyperProf, un système auteur hypermédia pour Macintosh, commercialisé par le CUDEC 1. 1. CARACTÉRISTIQUES GÉNÉRALES D'HYPERPROF

Plus en détail

Présentation de l'activité

Présentation de l'activité Présentation de l'activité On utilise les couleurs pour conjecturer la nature de la médiatrice d'un segment. Deux étapes: - Dans un premier temps, sous GeoGebra, on dispose de deux points de couleurs différentes,

Plus en détail

La boîte à outils du CPE

La boîte à outils du CPE La boîte à outils du CPE ProNote VS I - Présentation générale ProNote VS est développé par Index Éducation, société par ailleurs bien connue dans les établissements scolaires pour EdT, un programme de

Plus en détail

2. Formalisation ... Or les variables sont indépendantes. Donc si

2. Formalisation ... Or les variables sont indépendantes. Donc si L'estimation 1. Concrètement... Dernièrement un quotidien affichait en première page : en 30 ans les françaises ont grandi de... je ne sais plus exactement, disons 7,1 cm. C'est peut-être un peu moins

Plus en détail

La conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA)

La conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA) La conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA) I. L'intérêt de la conversion de données, problèmes et définitions associés. I.1. Définitions:

Plus en détail

5 semaines pour apprendre à bien jouer un morceau de piano

5 semaines pour apprendre à bien jouer un morceau de piano 5 semaines pour apprendre à bien jouer un morceau de piano Ce guide peut être librement imprimé et redistribué gratuitement. Vous pouvez pouvez l'offrir ou le faire suivre à vos amis musiciens. En revanche,

Plus en détail

Reaper : utilisations avancées

Reaper : utilisations avancées Reaper : utilisations avancées Reaper dispose de ressources qui, sans être cachées, ne sont pas toujours faciles à trouver, d'autant plus que souvent on n'imagine même pas que ces choses soient possible!...

Plus en détail

INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE

INTRODUCTION AUX PROBLEMES COMBINATOIRES DIFFICILES : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Leçon 10 INTRODUCTION AUX PROBLEMES COMBINATOIRES "DIFFICILES" : LE PROBLEME DU VOYAGEUR DE COMMERCE ET LE PROBLEME DE COLORATION D'UN GRAPHE Dans cette leçon, nous présentons deux problèmes très célèbres,

Plus en détail

Tableau R : 255 0 0 255 255 0. Tableau G : 0 255 255 255 255 0. Tableau B : 0 0 255 0 255 0. Chaque carré représente un pixel

Tableau R : 255 0 0 255 255 0. Tableau G : 0 255 255 255 255 0. Tableau B : 0 0 255 0 255 0. Chaque carré représente un pixel Mini-Projet n 2 : Jouer avec les images. A rendre pour le lundi 14 novembre 2011 avant midi. Introduction : Une image est un ensemble de pixels dont chacun est défini par trois valeurs, que l'on note R,

Plus en détail

RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES

RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES Sommaire 1 Méthodes de résolution... 3 1.1. Méthode de Substitution... 3 1.2. Méthode des combinaisons linéaires... 6 La rubrique d'aide qui suit s'attardera aux

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

TABLE DES MATIÈRES I. INTRODUCTION... 3 II. PIANO D'ACCOMPAGNEMENT...

TABLE DES MATIÈRES I. INTRODUCTION... 3 II. PIANO D'ACCOMPAGNEMENT... TABLE DES MATIÈRES I. INTRODUCTION... 3 II. PIANO D'ACCOMPAGNEMENT... 4 Les tons et demi-tons... 5 Les notes... 6 Différentes figures d'altérations... 7 La gamme majeure... 8 Le chiffrage des notes ou

Plus en détail

5.1.1 La procédure pour la description d'une situation-problème

5.1.1 La procédure pour la description d'une situation-problème 5 LE CHOIX DES PARTIES DE COURS : UNE PROGRESSION DES APPRENTISSAGES Éléments du cinquième chapitre 5.1 La description de la situation-problème finale 5.1.1 La procédure pour la description d'une situation-problème

Plus en détail

SYSTEMES EXERCICES CORRIGES

SYSTEMES EXERCICES CORRIGES Exercice n. SYSTEMES EXERCICES CRRIGES Parmi les couples (8,), (,-,5), (,), (5,), lequel est solution du système Exercice n. x+ y = 7x y= 8 Résoudre par substitution : ) ) x 5y = x+ y= 6 x+ y = 6 5x y=

Plus en détail

DEFLATEURS ET TECHNOLOGIE : INDICES DE PRIX ET INDICES DE PERFORMANCES

DEFLATEURS ET TECHNOLOGIE : INDICES DE PRIX ET INDICES DE PERFORMANCES BULLETIN DE l'acn n 28 INSEE Association de Comptabilité Nationale 18, bd Adolphe Pinard 75675 PARIS CEDEX 14 (France) DEFLATEURS ET TECHNOLOGIE : INDICES DE PRIX ET INDICES DE PERFORMANCES Henri DUPRAT

Plus en détail

Programmation de modèles à registres en Sophus

Programmation de modèles à registres en Sophus Programmation de modèles à registres en Sophus I/Avec des billes dans des boîtes Les modèles de Post et Wang peuvent être simulés par des boîtes quantiques, où un fermion (obligatoirement unique) peut

Plus en détail

Méthodes d optimisation pour un problème de co-voiturage couplé aux transports en commun

Méthodes d optimisation pour un problème de co-voiturage couplé aux transports en commun Méthodes d optimisation pour un problème de co-voiturage couplé aux transports en commun Aziz Amnay Encadrant : Nadia Brauner Responsable Ensimag : Florence MARANINCHI Grenoble, le 16 mai 2012 Table des

Plus en détail

L Intelligence Artificielle

L Intelligence Artificielle L Intelligence Artificielle pour les développeurs Concepts et implémentations en C# Virginie MATHIVET Table des matières 1 Les exemples à télécharger sont disponibles à l'adresse suivante : http://www.editions-eni.fr

Plus en détail

L apprentissage automatique

L apprentissage automatique L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer

Plus en détail

Séquence "Radar sous le tunnel"

Séquence Radar sous le tunnel Académie de Lyon TraAM 2013-2014 : Des problèmes ouverts avec les TICE Séquence "Radar sous le tunnel" Groupe académique IREM UPO Dominique Bernard Cécile Bombrun-Nivon Jean-Louis Bonnafet Françoise Cavanne

Plus en détail

SIMULATION EN BIOLOGIE

SIMULATION EN BIOLOGIE 119 R. LESTOURNELLE Les logiciels éducatifs de sciences naturelles sont peu nombreux et certains répondent mal aux objectifs assignés à notre enseignement. C'est pourquoi depuis des années, je me suis

Plus en détail

Travaux dirigés n 1. Programmation linéaire

Travaux dirigés n 1. Programmation linéaire Université de Reims Champagne Ardenne U.F.R. de Sciences Exactes et Naturelles MASTER 1 Informatique - 2014/2015 Pierre Delisle Travaux dirigés n 1 Programmation linéaire Exercice 1 (Résolution d'un programme

Plus en détail

Conception par les élèves d exercices d évaluation

Conception par les élèves d exercices d évaluation Conception par les élèves d exercices d évaluation Jean-Jacques Belen, professeur de Sciences de la Vie et de la Terre au lycée Jean Mermoz de Saint-Louis Discipline : SVT Niveau : Terminale scientifique

Plus en détail

Chapitre 06 : PROPORTIONNALITÉ ET FONCTIONS LINÉAIRES

Chapitre 06 : PROPORTIONNALITÉ ET FONCTIONS LINÉAIRES Chapitre 06 : PROPORTIONNALITÉ ET FONCTIONS LINÉAIRES 6 cm I) Synthèse sur la proportionnalité : 1) Définition : Grandeurs proportionnelles : Dire que deux grandeurs sont proportionnelles revient à dire

Plus en détail

Automatisation de l'exécution d'un package SSIS sur Microsoft SQL Server 2005

Automatisation de l'exécution d'un package SSIS sur Microsoft SQL Server 2005 Automatisation de l'exécution d'un package SSIS sur Microsoft SQL Server 2005 par Fleur-Anne BLAIN (fablain.developpez.com) Date de publication : 01/04/2008 Dernière mise à jour : 01/04/2008 Ce tutoriel

Plus en détail

CAPTEURS - CHAINES DE MESURES

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

Plus en détail

MÉTHODE DE CLASSEMENT ET DE RECHERCHE BIBLIOGRAPHIQUE AUTOMATISÉS DANS UN LABORATOIRE DE PHYSIOLOGIE

MÉTHODE DE CLASSEMENT ET DE RECHERCHE BIBLIOGRAPHIQUE AUTOMATISÉS DANS UN LABORATOIRE DE PHYSIOLOGIE MÉTHODE DE CLASSEMENT ET DE RECHERCHE BIBLIOGRAPHIQUE AUTOMATISÉS DANS UN LABORATOIRE DE PHYSIOLOGIE Un laboratoire de recherche médicale s'intéresse à un domaine si particulier, que les méthodes de classification

Plus en détail

a) La technique de l analyse discriminante linéaire : une brève présentation. 3 étapes de la méthode doivent être distinguées :

a) La technique de l analyse discriminante linéaire : une brève présentation. 3 étapes de la méthode doivent être distinguées : a) La technique de l analyse discriminante linéaire : une brève présentation. Nous nous limiterons ici à l'analyse discriminante linéaire et à deux groupes : - linéaire, la variante utilisée par ALTMAN

Plus en détail

PRISME ET RESEAU APPLICATION A LA MESURE DE LONGUEURS D'ONDE

PRISME ET RESEAU APPLICATION A LA MESURE DE LONGUEURS D'ONDE PRISME ET RESEAU APPLICATION A LA MESURE DE LONGUEURS D'ONDE PARTIE THEORIQUE A - RESEAUX 1 - Définition On appelle réseau plan le système constitué par un grand nombre de fentes fines, parallèles, égales

Plus en détail

MINI ARTICLE. Qualité des backups : ok ou pas? Expérimenter grâce aux articles imprimés!

MINI ARTICLE. Qualité des backups : ok ou pas? Expérimenter grâce aux articles imprimés! MINI ARTICLE Qualité des backups : ok ou pas? Expérimenter grâce aux articles imprimés! Date Version Révision : 8.3.2005 Mais, ni l auteur de ce guide, ni les webmaters ou les administrateurs de Metagames,

Plus en détail

Rapidolect Les Productions de la Columelle (1998-2006) Page 1

Rapidolect Les Productions de la Columelle (1998-2006) Page 1 Page 1 Page 2 Logiciel Rapidolect RATIONNEL DU JEU Un bon lecteur possède dans sa tête des images précises des mots écrits qu'il connaît. Lorsqu'il parcourt un texte, ses yeux se déplacent par saccades

Plus en détail

ENCHAINER LES ACCORDS

ENCHAINER LES ACCORDS TUTORIEL LES BASES DE L'HARMONIE TONALE CLASSIQUE Attention! Je considère comme acquises les notions de bases : intervalles, gammes, degrés et tonalités, données dans le tutorial de Setzer. Je ne parlerais

Plus en détail

Mesure d'une concentration en dioxygène à l'aide d'une carte Arduino reliée à une sonde de Clark

Mesure d'une concentration en dioxygène à l'aide d'une carte Arduino reliée à une sonde de Clark Mesure d'une concentration en dioxygène à l'aide d'une carte Arduino reliée à une sonde de Clark DOMENJOD Quentin GAMIN Cécile TS1 Projet ISN 2014/2015 Lycée Antoine Roussin SOMMAIRE Présentation......p3

Plus en détail

Un programme d'intelligence artificielle en LOGO LE PROBLÈME DES HUIT REINES

Un programme d'intelligence artificielle en LOGO LE PROBLÈME DES HUIT REINES 198 Un programme d'intelligence artificielle en LOGO LE PROBLÈME DES HUIT REINES 1. PRÉSENTATION Certains avantages du LOGO sont bien connus: la grande facilité d'accès que procure sa TORTUE en fait un

Plus en détail

Laboratoire 3 : Familiarisation avec les RNA (Réseaux de Neurones Artificiels)

Laboratoire 3 : Familiarisation avec les RNA (Réseaux de Neurones Artificiels) Université du Québec en Outaouais Département d'informatique et d ingénierie C.P. 1250 - Hull - Québec J8X 3X7 Téléphone: (819) 595-3900 Télécopieur: (819) 773-1638 Programme de Génie Informatique 7643

Plus en détail

Le sujet traite de l'étude des Amida-Kuji, jeu de hasard japonais.

Le sujet traite de l'étude des Amida-Kuji, jeu de hasard japonais. Amida-kuji Collège Mario Meunier Montbrison (42) Année 2012/2013 Elèves: AIRED A. (4ème 3) BAROU C. (4ème 2) BLANC A. (4ème 9) BOS T. (4ème 3) BRUYERE T. (4ème 9) CHAUMETTE C. (4ème 9) CHERMANNE M. (3ème

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

Structures de données non linéaires

Structures de données non linéaires Structures de données non linéaires I. Graphes Définition Un graphe (simple) orienté G est un couple (S, A), où : S est un ensemble dont les éléments sont appelés les sommets. A est un ensemble de couples

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

Saisir dans EXCEL les résultats du bac comme dans le tableau suivant (cf. figure n 1).

Saisir dans EXCEL les résultats du bac comme dans le tableau suivant (cf. figure n 1). TP n 2 - Calcul du Khi2 Le but de ce TP est de réaliser, à l'aide d'excel, un modèle réutilisable d'analyse bivarié entre des variables qualitatives. Ce modèle permet d aller de la saisie dans un tableau

Plus en détail

Créer une archive et la décompresser pour optimiser les échanges.

Créer une archive et la décompresser pour optimiser les échanges. Créer une archive et la décompresser pour optimiser les échanges. Auteur : Version 1.0 Décembre 2010 Doc. : Responsable TICE, ENT et C2i2e second degré ISFEC de décembre 2010 Page : 1/5 1. Introduction

Plus en détail

COPIER, COUPER, COLLER, SELECTIONNER, ENREGISTRER.

COPIER, COUPER, COLLER, SELECTIONNER, ENREGISTRER. COPIER, COUPER, COLLER, SELECTIONNER, ENREGISTRER. 1. Comment déplacer ou copier un fichier sur Windows Vous aurez régulièrement besoin de déplacer ou dupliquer des fichiers sur votre ordinateur. Par exemple

Plus en détail

Cours 11 : Homogénéité de la variance et transformations non linéaires

Cours 11 : Homogénéité de la variance et transformations non linéaires Cours 11 : Homogénéité de la variance et transformations non linéaires Table des matières Section 1. Régularité de la nature et effets linéaires... 2 Section 2. Homogénéité des variances... 2 Section 3.

Plus en détail

1. INFORMATIQUE DANS LES DISCIPLINES, INFORMATIQUE DISCIPLINE

1. INFORMATIQUE DANS LES DISCIPLINES, INFORMATIQUE DISCIPLINE 29 UN PLAN DE FORMATION À L'INFORMATIQUE DE TOUS LES ÉLÈVES, DE L'ÉCOLE PRIMAIRE AU LYCÉE Note n 8 du groupe technique disciplinaire informatique - décembre 1991 - (principaux extraits) 1. INFORMATIQUE

Plus en détail

Introduction au Data Mining

Introduction au Data Mining Cours GMM Introduction au Data Mining 1.0 DT_GMM3 Décembre 2009 Légende Table des matières 3 4 Introduction Ce support de cours est un complément au cours magistral et n'est en aucun cas autosuffisant.

Plus en détail

Préparation à réaliser avant le début du TP

Préparation à réaliser avant le début du TP Préparation à réaliser avant le début du TP Soit une suite de points p 0,p 1,... p n du plan (n>=3). On cherche à approximer l'ensemble de ces points par une droite. Écrivez le système d'équations (sur

Plus en détail

Analyse des données des machines - La meilleure manière d'avancer

Analyse des données des machines - La meilleure manière d'avancer Livre blanc Analyse des données des machines - La meilleure manière d'avancer Détectez plus rapidement les causes premières en exploitant l'apprentissage machine et en automatisant l'analyse des données

Plus en détail

Informations relatives à la mise-à-jour. 2011r.03

Informations relatives à la mise-à-jour. 2011r.03 Informations relatives à la mise-à-jour 2011r.03 Table des matières 1. Modélisation... 3 1.1. Attribuer plus facilement des conditions limites de pivotement aux éléments plats... 3 1.1.1. Possibilités

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

Norme comptable relative aux Contrats de construction

Norme comptable relative aux Contrats de construction NC 09 Norme comptable relative aux Contrats de construction Objectif 01. Les contrats de construction portent généralement sur la construction d'immeubles, de barrages, de ponts, de bateaux ou d'autres

Plus en détail

CH.5 MÉTHODES APPROCHÉES

CH.5 MÉTHODES APPROCHÉES CH.5 MÉTHODES APPROCHÉES 5.1 Les voisinages 5. Les méthodes de descentes 5. Le recuit simulé 5.4 La Méthode Tabou 5.5 Les algorithmes génétiques Opti-comb ch 5 1 5.1 Les voisinages Dans les problèmes de

Plus en détail

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours 0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage 3- Organisation du cours Le présent cours constitue une introduction pour situer le langage C++, beaucoup des concepts

Plus en détail

Algorithmique et programmation. Cours d'algorithmique illustré par des exemples pour le picbasic

Algorithmique et programmation. Cours d'algorithmique illustré par des exemples pour le picbasic Algorithmique et programmation Cours d'algorithmique illustré par des exemples pour le picbasic Même s'il est possible d'écrire un programme petit à petit par touches successives, le résultat est souvent

Plus en détail

Distinguer entre «Enregistrer» et «Sauvegarder»

Distinguer entre «Enregistrer» et «Sauvegarder» Compétence D1.4 IV - : Pérenniser ses données IV Assurer une sauvegarde 33 Compresser / Décompresser un fichier ou un ensemble de fichiers / dossiers 35 A. Assurer une sauvegarde Distinguer entre «Enregistrer»

Plus en détail

Gestion de projet - la phase de réalisation du projet

Gestion de projet - la phase de réalisation du projet Gestion de projet - la phase de réalisation du projet GÉRARD CASANOVA - DENIS ABÉCASSIS Paternité - Pas d'utilisation Commerciale - Pas de Modification : http://creativecommons.org/licenses/by-nc-nd/2.0/fr/

Plus en détail

Les déterminants de la consommation http://www.animeco.fr

Les déterminants de la consommation http://www.animeco.fr Les déterminants de la consommation http://www.animeco.fr Une animation de la société Boutet et Terver Applications avec l aide du ministère de l éducation (France). Disciplines, classes et programmes

Plus en détail

Figure 2.1 : fenêtre de travail d'excel v7.0

Figure 2.1 : fenêtre de travail d'excel v7.0 2.1. Excel 2.1.1. Présentation Les tableurs sont des utilitaires parfois intégrés aux éditeurs de texte (Works, Word, Kspread) ou non (Excel) et qui permettent la gestion de données numériques, le graphisme

Plus en détail

Cours 9 Une variable numérique : distribution et répartition

Cours 9 Une variable numérique : distribution et répartition Cours 9 Une variable numérique : distribution et répartition Lorsqu'une variable est qualitative et l'autre numérique, il est courant que la première identie des sous-populations (sexe, catégories socio-économiques,

Plus en détail

OPTIONS DE CONTRÔLE POUR MONTURES EQUATORIALES

OPTIONS DE CONTRÔLE POUR MONTURES EQUATORIALES POC : EQMOD Yahoo! Group OPTIONS DE CONTRÔLE POUR MONTURES EQUATORIALES Version 1.0 control_pc.odt - Page 1/7-31/03/2011 POC : EQMOD Yahoo! Group HISTORIQUE VERSION DATE REDACTION VALIDATION COMMENTAIRE

Plus en détail

MÉTHODES DE CLASSIFICATION

MÉTHODES DE CLASSIFICATION MÉTHODES DE CLASSIFICATION Pierre-Louis GONZALEZ MÉTHODES DE CLASSIFICATION Objet Opérer des regroupements en classes homogènes d un ensemble d individus. Données Les données se présentent en général sous

Plus en détail

DS Informatique Scientifique

DS Informatique Scientifique DUT Mesures Physiques - semestre S'2 DS Informatique Scientifique 10 décembre 2012 0. Directives Durée : 2h Tout système électronique interdit (calculatrice, téléphone, etc). Téléphone portable éteint

Plus en détail

HEURISTIQUES D'OPTIMISATION. Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/

HEURISTIQUES D'OPTIMISATION. Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/ HEURISTIQUES D'OPTIMISATION Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/ D'après Patrick Siarry, LiSSi, Univ. de Paris-Est Créteil MÉTA-HEURISTIQUES Du grec : méta :au-delà,

Plus en détail

Probabilités sur un univers ni

Probabilités sur un univers ni POIRET Aurélien TD n o 21 MPSI Probabilités sur un univers ni 1 Événements et probabilités Exercice N o 1 : Dans un centre de loisirs, une personne peut pratiquer trois activités. On considère les événements

Plus en détail

Conception de Bases de Données Avec UML

Conception de Bases de Données Avec UML 1 1 Bases de Données Avancées Module B IUT Lumière, License CE-STAT 2006-2007 Pierre Parrend Plan du Cours Table of Contents Conception de Bases de Données Avec UML UML et la conception de Bases de Données...2

Plus en détail

CHAPITRE 2 CALCULS ALGEBRIQUES

CHAPITRE 2 CALCULS ALGEBRIQUES Classe de Troisième CHAPITRE CALCULS ALGEBRIQUES UTILISER DES LETTRES... 34 EXPRESSIONS EQUIVALENTES... 36 VOCABULAIRE DU CALCUL LITTERAL... 37 REDUCTIONS D'ECRITURES... 39 DEVELOPPER UN PRODUIT... 40

Plus en détail

SIMDI Six Sigma «Les élèves résolvent un problème complexe avec Six Sigma dans le temps réduit d une formation»

SIMDI Six Sigma «Les élèves résolvent un problème complexe avec Six Sigma dans le temps réduit d une formation» SIMDI Six Sigma «Les élèves résolvent un problème complexe avec Six Sigma dans le temps réduit d une formation» Objectifs du simulateur Le simulateur Six Sigma reproduit l'ensemble d'un processus de production

Plus en détail

Les algorithmes de base du graphisme

Les algorithmes de base du graphisme Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............

Plus en détail

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S POUR L ENSEIGNEMENT DE L INFORMATIQUE MPSI première année I. Objectifs de la formation II-1 Développement de compétences et d aptitudes

Plus en détail

Chapitre 1 : Introduction aux bases de données

Chapitre 1 : Introduction aux bases de données Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données

Plus en détail

Algorithmes d'apprentissage

Algorithmes d'apprentissage Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt

Plus en détail

2 Grad Info Soir Langage C++ Juin 2007. Projet BANQUE

2 Grad Info Soir Langage C++ Juin 2007. Projet BANQUE 2 Grad Info Soir Langage C++ Juin 2007 Projet BANQUE 1. Explications L'examen comprend un projet à réaliser à domicile et à documenter : - structure des données, - objets utilisés, - relations de dépendance

Plus en détail

BEP Systèmes Electroniques Industriels et Domestiques

BEP Systèmes Electroniques Industriels et Domestiques Fiche de procédure : Créer un réseau domestique sous Windows XP I) Préambule Cette fiche méthode a été créée avec l'objectif de donner aux débutants la possibilité de créer un réseau domestique sous Windows

Plus en détail

INF Z10 - Cours Théorique n 8 TRAITEMENT ELECTRONIQUE DES TEXTES 1

INF Z10 - Cours Théorique n 8 TRAITEMENT ELECTRONIQUE DES TEXTES 1 INF Z10 - Cours Théorique n 8 TRAITEMENT ELECTRONIQUE DES TEXTES 1 Bref historique de l'écrit L'écriture peut se définir comme la représentation de la pensée par des signes graphiques conventionnels. C'est

Plus en détail

Extrait de cours maths 3e. Multiples et diviseurs

Extrait de cours maths 3e. Multiples et diviseurs Extrait de cours maths 3e I) Multiples et diviseurs Multiples et diviseurs Un multiple d'un nombre est un produit dont un des facteurs est ce nombre. Un diviseur du produit est un facteur de ce produit.

Plus en détail

Gestion d'un entrepôt

Gestion d'un entrepôt Gestion d'un entrepôt Épreuve pratique d'algorithmique et de programmation Concours commun des écoles normales supérieures Durée de l'épreuve: 3 heures 30 minutes Juin/Juillet 2010 ATTENTION! N oubliez

Plus en détail

Article sélectionné par : CapLine com.

Article sélectionné par : CapLine com. Article sélectionné par : CapLine com. [KNOWLEDGE MANAGEMENT] Le KM est une aventure à la fois personnelle et collective qui rassemble des individualités autour des valeurs et vision d'une organisation.

Plus en détail

TD 2 Exercice 1. Un bûcheron a 100 hectares de bois de feuillus. Couper un hectare de bois et laisser la zone se régénérer naturellement coûte 10 kf par hectares, et rapporte 50 kf. Alternativement, couper

Plus en détail

COMMENT OBTENIR UN SPECTRE SATISFAISANT D UN SIGNAL ENREGISTRE PAR ORDINATEUR?

COMMENT OBTENIR UN SPECTRE SATISFAISANT D UN SIGNAL ENREGISTRE PAR ORDINATEUR? NOM: Coéquipier : COMMENT OBTENIR UN SPECTRE SATISFAISANT D UN SIGNAL ENREGISTRE PAR ORDINATEUR? Soit une fonction G(t) périodique, de fréquence f. D'après Fourier, cette fonction peut se décomposer en

Plus en détail

Navigateur généalogique 1 / 10

Navigateur généalogique 1 / 10 Navigateur généalogique 1 / 10 Navigateur généalogique Mode d'emploi du logiciel «NaviGeneal.exe» de Marcel Délèze Version du logiciel 2015-09-29, version du mode d'emploi : 2015-09-29 NaviGeneal permet

Plus en détail