1. Introduction. 2. Extraction d observation à partir du signal audio. TP ATIAM, Structuration et résumé audio Mardi 27 janvier h00 17h30

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "1. Introduction. 2. Extraction d observation à partir du signal audio. TP ATIAM, Structuration et résumé audio Mardi 27 janvier 2009 14h00 17h30"

Transcription

1 Sujet : Date : Auteur : TP ATIAM, Structuration et résumé audio Mardi 7 janvier h00 17h30 Geoffroy Peeters 1. Introduction Ce TP vise à construire un système simple mais complet de création de résumé audio. L entrée du système est un fichier wav contenant la totalité du signal audio d un morceau, la sortie du système est un fichier wav contenant le résumé audio d une durée de 0s. La méthode de création du résumé est basée sur le «summary score» proposé dans Cooper 00 (voir références à la fin). Cependant à la différence de cette publication (qui utilise une observation du signal de type MFCC) nous utiliserons une observation de type chroma (voir références à la fin). Les différentes étapes du système à développer sont - Lecture d un fichier wav par la fonction wavread - Extraction à chaque instant du vecteur d observation chroma - Calcul de la matrice de similarité à partir des vecteurs de chroma extraits à chaque instant - Calcul du summary score pour une longueur de 0s à partir de la matrice de similarité - Sélection du summary score le plus élevé - Ecriture du résumé audio par la fonction wavwrite - L objectif de ce TP est également d apprendre à subdiviser le problème posé en sous fonctions effectuant chacune une fonctionnalité précise.. Extraction d observation à partir du signal audio Fonction : Fobservation.m L objectif de cette fonction est d extraire à chaque instant d analyse une représentation de type chroma du signal. Pour rappel, le chroma est un vecteur à 1 dimensions représentant l importance des 1 classes de semi-tons à un instant donné du signal. La fonction à écrire comporte deux étapes : 1) Création d une matrice de filtres effectuant le mapping entre les bins du module de la TF et les valeurs de chroma ) Analyse du signal à fenêtre glissante effectuant : a) le fenêtrage du signal b) le calcul du module de la TF c) le mapping entre le module de la TF et les valeurs de chroma à l aide de la matrice de filtres créé précédemment 1.1 Création de la matrice de filtres Nous notons N le nombre de points de la TF, nous nous intéressons uniquement au demiaxe positif de la TF (indices entre 1 et N/+1). Chaque filtre effectue le mapping entre ce vecteur et un chroma spécifique. Pour rappel, il y a 1 chromas, chacun correspondant à une classe de hauteur de demi-ton c. Une classe de hauteur de demi-ton c représente toutes les hauteurs de demi-tons n tel que c = mod(n, 1)+1. Pour chaque chroma c, le filtre a créer est donc composé de la somme des filtres passebandes chacun centrés sur les demi-tons n tel que c = mod(n, 1)+1. TP ATIAM, Structuration et résumé audio, Peeters 1/7

2 Chacun des filtres passe-bandes est centré sur une hauteur de demi-ton n et s étend de part et d autres jusqu au demi-ton inférieur et supérieur. On s aidera de la formule suivante effectuant le mapping entre les fréquences de la TF, freqtf, et les notes midi correspondantes : miditf = 1*log(freqTF / 440)+69 On utilisera également la formule suivante pour la forme du filtre passe-bande : H = 1/*tanh(pi*(1-*x))+1/; dans lequel x représente la valeur absolue de la distance entre - miditf : la fréquence des bins de la TF exprimé en notes midi et - n : la hauteur de demi-ton considéré x = abs(n - miditf) La figure suivante illustre le filtre de demi-ton pour n=43 (note G ou 98Hz) La figure suivante illustre le filtre de chroma pour c=8 (note G=G+G3+G4+ ) somme des contributions des filtres n tel que 8 = mod(n, 1) On se limitera à l utilisation des filtres entre n = 43 à 95. L ensemble des filtres de chroma seront stockés dans une matrice de taille (1, N/+1), i.e. un filtre de chroma par ligne. Nous représentons ci-dessous la matrice résultante. L affichage s effectue à l aide de la fonction imagesc TP ATIAM, Structuration et résumé audio, Peeters /7

3 1. Calcul du chromagram par analyse à fenêtre glissante L analyse à court terme s effectue à l aide d une fenêtre de type blackman de longueur 0.s, le pas d avancement étant fixé à 0.1s. La conversion en nombre d échantillon s effectue selon L=round(0.*sr_hz) et S=round(0.1*sr_hz) dans lequel sr_hz désigne le sampling rate du signal audio. Le sampling rate dépend du signal (44.1Khz pour gammepno.wav, 11KHz pour song1.wav) et est donné par la fonction wavread. Pour rappel, la taille de la FFT, N, doit être supérieure à la longueur de la fenêtre, L, et puissance de. A chaque trame d analyse, on calculera - fenêtrage du signal - calcul du module de la TF du signal fenêtré - calcul du vecteur de chroma correspondant. Pour cela on multipliera le module de la TF par la matrice de filtre de chroma : (1, N/+1) * (N/+1, 1) = (1, 1) La sortie de la fonction est une matrice dont les lignes correspondent aux 1 valeurs de chroma et les colonnes aux trames successives de l analyse à court terme. Sa taille est (1, nb_trame) 1.3 Test de la fonction On testera la fonction d observation chroma sur le signal gammepno.wav représentant une gamme chromatique ascendante au piano. L affichage de la matrice d observation chroma s effectue à l aide de la fonction imagesc. Le résultat pour le signal gammepno.wav doit ressembler à celui de la figure suivante : à chaque instant la dimension du vecteur de chroma correspond à la tonique de la note jouée(1,, 3, 4,, 1 au cours du temps) TP ATIAM, Structuration et résumé audio, Peeters 3/7

4 3. Calcul de la matrice de similarité des observations Fonction: Fmatricedesimilarite.m A partir de la matrice d observation calculée précédemment, nous calculons la matrice de similarité du morceau. Pour cela nous calculons la distance cosinusoidale entre les vecteurs d observation à tous les couples de temps i et j (calcul de la distance entre toutes les colonnes prises deux à deux). Etant donné la nature symétrique de la matrice, on se limitera avantageusement à calculer la matrice triangulaire inférieure ou supérieure de la matrice et à déduire l autre partie transposition. Pour rappel la distance cosinusoidale entre un vecteur x et un vecteur y est calculée par x( y( i dist = x( y( i La sortie de cette fonction est une matrice carrée symétrique de taille égale au nombre de trames du morceau : (nb_trame, nb_trame) i.1 Test de la fonction A titre d exemple, on montre ci-dessous la matrice de similarité correspondant aux observations calculées précédemment pour le signal gammepno.wav. L affichage s effectue également à l aide de la fonction imagesc TP ATIAM, Structuration et résumé audio, Peeters 4/7

5 4. Filtrage de la matrice de similarité Fonction: Ffiltragematrice.m Afin d accentuer la présence de diagonales dans la matrice de similarité, et donc de mettre en évidence les répétitions de type «séquences» par rapport au bruit de fond, on utilisera la fonction Fmatricefiltrage. Cette fonction effectue un filtrage passe-haut dans le sens perpendiculaire aux diagonales et un filtrage passe-bas dans le sens des diagonales de manière à accentuer la présence de diagonales par rapport au bruit de fond et à lisser les discontinuités des diagonales (répétition non-exacte). Cette partie n ayant pas été étudiée lors du cours, nous nous contenterons d appliquer telle quelle la fonction Ffiltragematrice. S_m = Ffiltragematrice(S_m, STEP_sec) - S_m est la matrice similarité calculée précédemment - STEP_sec est la pas d avancement de l analyse à court terme exprimé en seconde 5. Estimation du point de démarrage du résumé audio: méthode du summary score Fonction: Fsummaryscore.m A partir de la matrice de similarité nous cherchons à estimer le point de départ dans le morceau d un extrait continu de 0s tel que cet extrait soit le plus représentatif du morceau (i.e. similaire au reste du morceau). Pour cela, nous calculons le «summary score» tel que proposé dans Cooper 00. Pour chaque temps (ligne q de la matrice), le summary score est calculé comme la somme des colonnes de la matrice de similarité à q donné. Il représente la similarité de l instant q avec l ensemble des temps du morceau. Pour un segment démarrant en q et de longueur L, le summary score est calculé comme la somme des sommes des colonnes entre q et q+l. Il représente la similarité moyenne du segment [q,q+l] avec l ensemble du morceau. L est la longueur du résumé recherché. Nous recherchons un résumé de longueur 0s (convertir ce temps en nombre de trames en utilisant le pas d avancement (0.1s)). Nous cherchons la valeur de q qui maximise le summary score. La sortie de la fonction est cette valeur de q. 6. Création du résumé audio Le résumé audio est créé en extrayant du signal audio le segment compris entre l instant q et l instant q+l et en le sauvegardant dans un fichier. Attention la valeur q retournée par la fonction Fsummaryscore indique un numéro de trame et non un temps! Ł convertir cette valeur en temps en utilisant le pas d avancement de l analyse (0.1s) Ł convertir la valeur obtenue en nombre d échantillons du signal en utilisant le sampling rate (11.05Hz). Le résumé final sera calculé sur le morceau : song1.wav. TP ATIAM, Structuration et résumé audio, Peeters 5/7

6 7. Clustering du morceau par algorithme de type fuzzy-kmeans Fonction: Ffuzzykmeans.m On écrira un algorithme de type fuzzy-kmeans afin d obtenir une représentation par état du morceau de musique. Calcul des observations Afin d obtenir plus aisément ce type de représentation (mettant en évidence la structure d arrangement du morceau) on utilisera une observation de type timbre. Celle-ci peut s obtenir par exemple en calculant la suite de vecteur MFCCs du signal audio. En utilisera ici une observation basée sur l analyse en composante principale de la partie basse du spectre. 1) calcul du spectrogram du signal audio ) calcul de l analyse en composante principale de la partie basse du spectre à l aide la fonction matlab princomp. On gardera uniquement les 5 composantes principales expliquant la variance maximale du signal. Ecriture de l algorithme de fuzzy-kmeans L algorithme de clustering fuzzy-kmeans est un algorithme itératif de type E-M (Expectation/ Maximization). A chaque itération nous calculons l étape E et l étape M. L étape E calcul pour chaque observation la probabilité d appartenir à un cluster K donné. L étape M calcul pour chaque cluster K une nouvelle définition de son centre en fonction de l attribution des observations à ce cluster. L algorithme procède en répétant les étapes E et M jusqu à convergence. L initialisation s effectuera ici en prenant de manière aléatoire un nombre K d observations et en les considérant comme définition initiale du centre des K clusters. Paramètres d entrée de la fonction : matrice d observation (5, nombre de trame) nombre de clusters K nombre d itération N Initialisation Prendre de manière aléatoire K observations parmi la matrice d observation Définir les centres des K clusters comme ces K observations Itération Etape E 1) Calculer la distance euclidéenne entre chaque observation X et chacun des K clusters ) Transfomer cette distance en probabilité d appartenance d une observation X à un cluster K selon la formule 1 /( b 1) 1 p ( = dist( 3) Normaliser cette probabilité de manière à ce que, pour une observation X donnée, la somme des probabilités d appartenance de X à tous les clusters soit égal à 1 = Etape M Recalculer le centre de chaque cluster K comme la somme pondérée des observations. La pondération s effectue par la probabilité d appartenance de chaque observation au cluster k TP ATIAM, Structuration et résumé audio, Peeters 6/7

7 G k X x = b Nous choisirons K=10, b=, et un nombre d itération égale à 50. x En sortie de l algorithme on assignera chaque observation X au cluster K le plus probable (pour chaque X on choisit le K maximum de P(X,K)). b 8. Bibliographie Article libre de droit expliquant l extraction des vecteurs de chroma : Peeters, G. (006). Chroma-based estimation of musical key from audio-signal analysis. Proc. of ISMIR, Victoria, Canada. Cet article est accessible à l URL suivante : Article libre de droit expliquant l extraction du summary score: Cooper, M. and J. Foote (00). Automatic Music Summarization via Similarity Analysis. Proc. of ISMIR, Paris, France. Cet article est accessible à l URL suivante : TP ATIAM, Structuration et résumé audio, Peeters 7/7

Audio Numérique Notes de cours année 2006/2007. 1 Complément sur la TFD, illustration sous Pure Data

Audio Numérique Notes de cours année 2006/2007. 1 Complément sur la TFD, illustration sous Pure Data Audio Numérique Notes de cours année 2006/2007 Marc Ferràs - Thomas Pellegrini LIMSI-CNRS Pour cette séance, vous devez rédiger un compte-rendu de TP à rendre à la fin de la séance. 1 Complément sur la

Plus en détail

UE SI350 :Travaux Pratiques sur l indexation audio

UE SI350 :Travaux Pratiques sur l indexation audio UE SI35 :Travaux Pratiques sur l indexation audio Gaël RICHARD - Miguel ALONSO Détection du tempo et Mixage audio avec ajustement rythmique Introduction Signal Extraction du tempo Modification du tempo

Plus en détail

Bibliothèque de Traitement d Images en Niveaux de Gris

Bibliothèque de Traitement d Images en Niveaux de Gris TP Bibliothèque de Traitement d Images en Niveaux de Gris Étudiants : Besnier Alexandre Taforeau Julien Version 1.2 Janvier 2008 2008 Rapport TP - Version 1.2 i Table des matières Introduction 1 1 Objectif

Plus en détail

Laboratoire 2 Extraction des caractéristiques

Laboratoire 2 Extraction des caractéristiques Laboratoire 2 Extraction des caractéristiques L objectif de l extraction et de la sélection de caractéristiques est d identifier les caractéristiques importantes pour la discrimination entre classes. Après

Plus en détail

Installation de la librairie VISP et création du projet

Installation de la librairie VISP et création du projet ESIR3-IN Travaux Pratiques VO 2012-2013 PREAMBULE Copier les données des TPs 1. créez un répertoire VO dans votre homedir cd ~/ mkdir VO cd VO 2. copier le dossier contenant toutes les données pour les

Plus en détail

Acoustique Etude des sons

Acoustique Etude des sons Etude des sons Français p 1 Version : 0109 1 Descriptif 1.1 Objectif L objectif du banc d essai 3 haut-parleurs est de mettre en évidence que chaque haut-parleur, selon ses caractéristiques physiques de

Plus en détail

Master 2 ATIAM Extraction automatique d une structure musicale et génération d un résumé audio

Master 2 ATIAM Extraction automatique d une structure musicale et génération d un résumé audio Master 2 ATIAM Extraction automatique d une structure musicale et génération d un résumé audio Geoffroy.Peeters@ircam.fr (UMR 9912 SMTS: IRCAM CNRS UPMC) 215-216 Geoffroy Peeters - peeters@ircam.fr - 215-1

Plus en détail

Obtenir et exploiter des sons musicaux Terminale S

Obtenir et exploiter des sons musicaux Terminale S Obtenir et exploiter des sons musicaux Terminale S Dernière modification : le 10/01/2013. [Par Matthieu Brivet http://mbrivet.free.fr] Ce mode d emploi présente : - une (et pas «la») méthode pour obtenir

Plus en détail

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

Plus en détail

Scénario: Exploration, classification des encours boursiers parisiens

Scénario: Exploration, classification des encours boursiers parisiens Scénario: Exploration, classification des encours boursiers parisiens Résumé Scénario d analyse d un jeu de données : l ensemble des séries des encours boursier à Paris. Description, lissage et classification

Plus en détail

Rapport IN52. Sujet : Résolution d un puzzle

Rapport IN52. Sujet : Résolution d un puzzle CARRE Julien PIERNOT Jérôme Rapport IN52 Sujet : Résolution d un puzzle Responsable : M. Ruicheck Y. Automne 2007 1 SOMMAIRE INTRODUCTION...3 I. Description et approche du sujet...4 1. Description 2. Outils

Plus en détail

68300 SAINT-LOUIS T.P. n G. Durée : 2 H. Plan du T.P.

68300 SAINT-LOUIS T.P. n G. Durée : 2 H. Plan du T.P. CORRECTION TP AMOS Durée : 2 H. A. OBJECTIF DU T.P. A. Objectif du T.P. B. Travail demandé B.1. But B.2. Fibre optique B.3. Speckle B.4. Monochromateur B.5. CCD B.6. Pockels B.7. Piezo B.8. Diode laser

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

Transformée de Fourier Discrète Convolution Circulaire

Transformée de Fourier Discrète Convolution Circulaire BE Traitements Numériques des Signaux n 2 Filière SICOM 2A PHELMA-ENSE 3 Année 2015-2016 Pascal PERRIER Transformée de Fourier Discrète Convolution Circulaire 1. Analyse d un signal périodique Dans cette

Plus en détail

TP 7 : Manipulation d images.

TP 7 : Manipulation d images. Lycée Masséna TP 7 : Manipulation d images. On va voir deux choses dans ce TP : les tableaux Numpy, qui sont très pratiques pour les opérations terme à terme entre tableaux de nombres à plusieurs dimensions.

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

1 Activité documentaire : l isolation phonique (30 minutes)

1 Activité documentaire : l isolation phonique (30 minutes) Séance de Spécialité n o 10 Isolation & filtrage Mots-clefs «instruments électroniques», «traitement du son» et «isolation phonique». 1 Activité documentaire : l isolation phonique (30 minutes) Un logement

Plus en détail

LES CAPTEURS DANS LES TRANSPORTS. I Les principaux capteurs dans un véhicule II Le traitement du signal III Chaîne d information dans un véhicule

LES CAPTEURS DANS LES TRANSPORTS. I Les principaux capteurs dans un véhicule II Le traitement du signal III Chaîne d information dans un véhicule LES CAPTEURS DANS LES TRANSPORTS I Les principaux capteurs dans un véhicule II Le traitement du signal III Chaîne d information dans un véhicule I Les principaux capteurs dans un véhicule Quels sont les

Plus en détail

Utilitaires Ellipses / Analyse des Ventes Activités des Caisses

Utilitaires Ellipses / Analyse des Ventes Activités des Caisses Utilitaires Ellipses / Analyse des Ventes Activités des Caisses I Préambule Cet utilitaire est accessible dans Ellipses via le menu «Utilitaires» / «C Compléments» puis «Analyse des Ventes» Ce programme

Plus en détail

Introduction au Logiciel GAMS (General Algebraic Modeling System)

Introduction au Logiciel GAMS (General Algebraic Modeling System) Introduction au Logiciel GAMS (General Algebraic Modeling System) J.-M. Reneaume SOMMAIRE A. INTRODUCTION... 1 B. DESCRIPTION DU MODELE... 3 1. Structure générale du modèle... 3 a) Structure du fichier

Plus en détail

II. Conversions. I. Initialisation. III. Méthode point. TD Python Traitement d images MP*

II. Conversions. I. Initialisation. III. Méthode point. TD Python Traitement d images MP* Le but de ce TD est d utiliser les procédures et fonctions Python pour traiter des fichiers images. II. Conversions I. Initialisation Importer le module numpy sous l appellation np. On utilise le module

Plus en détail

Utiliser un modèle d état prédéfini

Utiliser un modèle d état prédéfini Chapitre 8 Etats rapides Certains boutons sont désactivés, en fonction du type de cellule sélectionné. 4 Répétez les étapes 2 et 3 pour chaque bordure à paramétrer. 5 Cliquez sur le bouton OK pour valider

Plus en détail

8TRD147: Animation et images par ordinateur

8TRD147: Animation et images par ordinateur 8TRD147: Animation et images par ordinateur Introduction au traitement numérique des images Y. Chiricota Département d informatique et de mathématique Université du Québec à Chicoutimi / Certaines des

Plus en détail

Mode d emploi du logiciel guifitcurve

Mode d emploi du logiciel guifitcurve Mode d emploi du logiciel guifitcurve D. Legland 18 juin 2008 Résumé Le programme guifitcurve est une interface graphique sous Matlab pour ajuster un contour polynomial à des images numérisées. L application

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite): Paramétrisation Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale Paramétrisation Distances

Plus en détail

Programme de Mathématique Préparation Maths-Physique. Analyse et Géométrie Différentielle. Première Année

Programme de Mathématique Préparation Maths-Physique. Analyse et Géométrie Différentielle. Première Année Programme de Mathématique Préparation Maths-Physique Analyse et Géométrie Différentielle Première Année I NOMBRES REELS ET COMPLEXES, SUITES ET FONCTIONS 1 Nombres réels et complexes 2 Suites de nombres

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

TUTO XNVIEW TRAITEMENT FACILE DE PHOTOS (recadrage, luminosité, traitement par lot.)

TUTO XNVIEW TRAITEMENT FACILE DE PHOTOS (recadrage, luminosité, traitement par lot.) TUTO XNVIEW TRAITEMENT FACILE DE PHOTOS (recadrage, luminosité, traitement par lot.) Ouvrir un fichier image ou un dossier Solution 1 : Fichier -> Ouvrir (de cette façon, on cherche notre image et il nous

Plus en détail

Module 26 : Techniques de modélisation

Module 26 : Techniques de modélisation Module 26 : Techniques de modélisation 26.0 Introduction Ce module enseigne une série de techniques qui constituent une trousse à outils bien pratique quand il s agit de construire des modèles dans Excel

Plus en détail

Code_Aster. Méthodes Python d'accès aux objets Aster. Version 10. Résumé :

Code_Aster. Méthodes Python d'accès aux objets Aster. Version 10. Résumé : Titre : Méthodes Python d'accès aux objets Aster Date : 21/05/2013 Page : 1/9 Méthodes Python d'accès aux objets Aster Résumé : Ce document présente les méthodes Python permettant d accéder aux informations

Plus en détail

ACM DE L EXEMPLE «TASTE»

ACM DE L EXEMPLE «TASTE» ACM DE L EXEMPLE «TASTE» AVEC SPAD (VERSION 7.4) BRIGITTE LE ROUX 1 ET PHILIPPE BONNET 2 UNIVERSITE PARIS DESCARTES 1 INTRODUCTION... 2 2 POUR DÉMARRER... 2 2.1 Ouverture du projet archivé TasteMCA_fr...

Plus en détail

Analyse des Données. Travaux Pratiques 0

Analyse des Données. Travaux Pratiques 0 Analyse des Données Travaux Pratiques 0 Introduction La maison-page du logiciel se trouve à l adresse www.r-project.org. Toutes les réponses aux questions relatives à la bonne exécution de ce TP (commandes,

Plus en détail

La classification 2012-2013. Fabien Chevalier Jérôme Le Bellac

La classification 2012-2013. Fabien Chevalier Jérôme Le Bellac La classification 2012-2013 Fabien Chevalier Jérôme Le Bellac Introduction : Classification : méthode d analyse de données Objectif : Obtenir une représentation schématique simple d'un tableau de données

Plus en détail

Un algorithme de composition musicale

Un algorithme de composition musicale Un algorithme de composition musicale Table des matières Présentation Le compositeur. Le code PMX.................................................. Structures de données utilisées........................................

Plus en détail

Les théorèmes de Gerschgorin et de Hadamard

Les théorèmes de Gerschgorin et de Hadamard Localisation des valeurs propres : Quelques propriétés sur les disques de Gerschgorin. Jean-Baptiste Campesato 22 septembre 29 Gerschgorin est parfois retranscrit en Gershgorin, Geršgorin, Hershhornou

Plus en détail

Chapitre 3. Filtrage Linéaire. Voisinage d un point. Fondamentaux du traitement d image

Chapitre 3. Filtrage Linéaire. Voisinage d un point. Fondamentaux du traitement d image Chapitre 3 Fondamentaux du traitement d image Filtrage Linéaire Voisinage d un point Point P d affixe p = (m, n) Notion de voisinage d un pixel Son voisinage : V(P) = {P connectés à P} n N - m P V (P)

Plus en détail

La centralisation comptable

La centralisation comptable Pégase 3 La centralisation comptable Dernière révision le 12/06/2007 http://www.micromegas.fr pegase3@micromegas.fr Sommaire Première étape...4 Deuxième étape :...4 Paramètres généraux...4 Page Général...

Plus en détail

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre INFORMATIQUE ORIENTATION LOGICIELS CLASSIFICATION AUTOMATIQUE Prof.É.D.Taillard Classification automatique @Prof. E. Taillard EIVD, Informatique logiciel, 4 e semestre CLASSIFICATION AUTOMATIQUE But :

Plus en détail

Génération d une visualisation personnalisée

Génération d une visualisation personnalisée Génération d une visualisation personnalisée Mohamed Mouine RALI-DIRO Université de montréal mouinemo@iro.umontreal.ca Résumé. Nous présentons une méthode permettant de calculer les besoins et les préférences

Plus en détail

Clustering Méthodes et algorithmes avancés Mars - 2006

Clustering Méthodes et algorithmes avancés Mars - 2006 Clustering Méthodes et algorithmes avancés Mars - 2006 Clustering (catégorisation) Objectifs du clustering Mesures de distances habituelles, similarités entre objets Les différents algorithmes Clustering

Plus en détail

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 14 Janvier 2015 2 Il est impossible d envisager l étude des méthodes

Plus en détail

Fiches Outil Acces Sommaire

Fiches Outil Acces Sommaire Fiches Outil Acces Sommaire Fiche Outil Access n 1 :... 2 Le vocabulaire d Access... 2 Fiche Outil Access n 2 :... 4 Créer une table dans la base... 4 Fiche Outil Access n 3 :... 6 Saisir et modifier des

Plus en détail

PROGRAMMATION C TD/TP 8 - TRAITEMENT D IMAGE (2)

PROGRAMMATION C TD/TP 8 - TRAITEMENT D IMAGE (2) PROGRAMMATION C TD/TP 8 - TRAITEMENT D IMAGE (2) LICENCE MATHS-INFO 19-20 MARS 2012 Introduction Le premier TP de la série sur le traitement des images a permis d avoir des fonctions de lecture/écriture

Plus en détail

Modification des valeurs d une image

Modification des valeurs d une image Modification des valeurs d une image Pour l instant, nous avons vu surtout des transformations ponctuelles des pixels d une image Lire la valeur d un pixel la remplacer par une autre Il existe aussi des

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

F - Optique de Fourier, filtrage d images (détramage et strioscopie)

F - Optique de Fourier, filtrage d images (détramage et strioscopie) F - Optique de Fourier, filtrage d images (détramage et strioscopie) I - Montage : Il comporte 3 parties : le banc de mise en forme du faisceau (réalisation d un faisceau parallèle, large et homogène),

Plus en détail

Installation du logiciel Windows Suivant Démarrer Tous les programmes Démarrer Tous les programmes Manager Pub Manager Publicité Linux ici Mac

Installation du logiciel Windows Suivant Démarrer Tous les programmes Démarrer Tous les programmes Manager Pub Manager Publicité Linux ici Mac Avec le Manager Publicité de bluevizia toutes vos activités de publicité seront facilement planifiées et implémentées. Installation du logiciel Windows Double cliquez avec le bouton gauche de la souris

Plus en détail

Informatique 1ère Année 2012-2013

Informatique 1ère Année 2012-2013 SERIE D EXERCICES N 1 INTRODUCTION, STRUCTURE CONDITIONNELLE : IF..ELSE Exercice 1 Ecrire le programme qui lit deux entiers saisis et affiche leur produit. Modifier ensuite ce programme pour saisir des

Plus en détail

Tableaux à deux dimensions

Tableaux à deux dimensions Cours 8 Tableaux à deux dimensions Un tableau à deux dimensions (tableau 2D) est un tableau contenant des lignes et des colonnes comme celui-ci : 4 22 55 2 5 2 4 4 2 24 2 12 Ce tableau à deux dimensions

Plus en détail

Détection de contours

Détection de contours Traitement Détection de s Plan? Dérivées d une image Bibliographie Cours de traitement Elise Arnaud - Edmond Boyer Université Joseph Fourier Cours de traitement Alain Boucher Cours de traitement T Guyer

Plus en détail

MAP-SIM2 : Planification de trajectoire

MAP-SIM2 : Planification de trajectoire MP-SIM : Planification de trajectoire sujet proposé par Nicolas Kielbasiewicz : nicolas.kielbasiewicz@ensta-paristech.fr 0 janvier 06 La planification de trajectoire consiste à déterminer une trajectoire,

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 3 4 Master d économie Cours de M. Desgraupes MATHS/STATS Document : Solution des exercices d algèbre linéaire Table des matières

Plus en détail

Ressources pour le lycée technologique

Ressources pour le lycée technologique éduscol Enseignement de mathématiques Classe de première STMG Ressources pour le lycée technologique Échantillonnage : couleur des yeux au Canada Contexte pédagogique Objectifs Obtenir un intervalle de

Plus en détail

Le système SMART 1. Indexation

Le système SMART 1. Indexation Le système SMART Le système SMART (System for the Mechanical Analysis and Retrieval of Text) (aussi appelé Salton's Magic Automatic Retrieval Technique:-) est un système de RI expérimental. Il utilise

Plus en détail

Impression de documents avec Optymo

Impression de documents avec Optymo Impression de documents avec Optymo Notes de lecture : dans ce document, les textes soulignés font référence aux libellés des fenêtres ou aux libellés associés à des boutons d Optymo. Les textes en caractères

Plus en détail

Code_Aster Titre : FORMA11 - Travaux pratiques de la formation «Anal[...] Responsable : Emmanuel BOYERE

Code_Aster Titre : FORMA11 - Travaux pratiques de la formation «Anal[...] Responsable : Emmanuel BOYERE Date : 15/05/2013 Page : 1/16 FORMA11 - Travaux pratiques de la formation «Analyse dynamique» : analyse modale Résumé : Ces tests correspondent aux travaux pratiques de la formation dynamique de. Il s

Plus en détail

Matrices et déterminants

Matrices et déterminants Matrices et déterminants Matrices Définition.. Une matrice réelle (ou complexe) M = (m i,j ) (m, n) à m lignes et n colonnes est un tableau à m lignes et n colonnes de réels (ou de complexes). Le coefficient

Plus en détail

Puissances de 10 Exercices corrigés

Puissances de 10 Exercices corrigés Puissances de 10 Exercices corrigés Sont abordés dans cette fiche : Exercice 1 : produit de deux puissances de : Exercice 2 : inverse d une puissance de : et Exercice 3 : quotient de deux puissances de

Plus en détail

Didacticiel d instrumentation virtuelle à coût réduit

Didacticiel d instrumentation virtuelle à coût réduit Didacticiel d instrumentation virtuelle à coût réduit Jean MBIHI E-mail : mbihidr@yahoo.fr N. KELAKO KENADJA E-mail: nathankanedja@yahoo.fr M. L. NGO NOUCK E-mail : masendma@yahoo.fr Groupe de Recherche

Plus en détail

ENONCE : Analyse d une échelle musicale (Niveau terminale S)

ENONCE : Analyse d une échelle musicale (Niveau terminale S) ENONCE : Analyse d une échelle musicale (Niveau terminale S) Nous allons, dans cette activité, étudier l échelle musicale très courante dans la musique occidentale qualifiée de «gamme tempérée». Objectif

Plus en détail

GOUTTE. Analyse Statistique des Données Cours 4. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali

GOUTTE. Analyse Statistique des Données Cours 4. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali LUISS, Libera Università Internazionale degli Studi Sociali Université Paris 13 Laboratoire Analyse, Géométrie et Applications UMR 7539 GOUTTE Analyse Statistique des Données Cours 4 Master 2 EID goutte@math.univ-paris13.fr

Plus en détail

Les matrices. 1 Définitions. 1.1 Matrice

Les matrices. 1 Définitions. 1.1 Matrice Les matrices 2012-2013 1 Définitions 11 Matrice Définition 1 Une matrice m n est un tableau de nombres à m lignes et n colonnes Les nombres qui composent la matrice sont appelés les éléments de la matrice

Plus en détail

Chapitre 3 Tableaux à plusieurs dimensions

Chapitre 3 Tableaux à plusieurs dimensions Chapitre 3 Tableaux à plusieurs dimensions Pascal Lando Faculté de mathématiques et d informatique Amiens http://www.laria.u-picardie.fr/~lando pascal.lando@u-picardie.fr 19 février 2007 Plan du cours

Plus en détail

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien TRAVAUX DIRIGÉS DE l UE MNBif Informatique 3A MÉTHODES NUMÉRIQUES DE BASE 2015-2016, Automne N. Débit & J. Bastien Document compilé le 13 novembre 2015 Liste des Travaux Dirigés Avant-propos iii Travaux

Plus en détail

Traitement d images. Chapitre I Prétraitements

Traitement d images. Chapitre I Prétraitements Traitement d images Chapitre I Prétraitements 1 2 Introduction Les prétraitements d une image consiste à effectuer des opérations visant à : améliorer sa qualité visuelle restaurer l image en éliminant

Plus en détail

Baccalauréat Série S Métropole, juin 2014

Baccalauréat Série S Métropole, juin 2014 Baccalauréat Série S Métropole, juin 4 Sujet et Corrigé Stéphane PASQUET Disponible sur http://www.mathweb.fr juin 4 Exercice (5 points) - Commun à tous les candidats Partie A Dans le plan muni d un repère

Plus en détail

DS de Spécialité n o 6 Téléphone portable et ondes radio

DS de Spécialité n o 6 Téléphone portable et ondes radio DS de Spécialité n o 6 Téléphone portable et ondes radio. Les ondes électromagnétiques pour communiquer Le téléphone portable fonctionne comme une radio. Lors d une communication, la voix est convertie

Plus en détail

TP2 Opérations et filtres

TP2 Opérations et filtres TP2 Opérations et filtres 1. Opérations arithmétiques Mettre en place les fonctions Min et Max sur 2 images en niveaux de gris. Min() conserve entre 2 images les pixels de luminance minimum, Max() conserve

Plus en détail

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html Arithmétique Algorithmique http://www.math.univ-lyon1.fr/~roblot/ens.html Partie III Algorithmes classiques 1 Coût de la multiplication et de la division 2 Exponentiation rapide 3 Algorithme d Euclide

Plus en détail

Laboratoire 4: L analyse spectrale et le filtrage par transformée de Fourier

Laboratoire 4: L analyse spectrale et le filtrage par transformée de Fourier Université du Québec à Montréal Département d Informatique MIC4220 Traitement numérique des signaux Laboratoire 4: L analyse spectrale et le filtrage par transformée de Fourier But Familiarisation avec

Plus en détail

Statistiques descriptives Variance et écart type

Statistiques descriptives Variance et écart type Statistiques descriptives Variance et écart type I) Rappel : la moyenne (caractéristique de position ) Définition Soit la série statistique définie dans le tableau suivant : Valeur... Effectif... Fréquences

Plus en détail

MÉRÉ Aurélien FIIFO1. Pathfinder

MÉRÉ Aurélien FIIFO1. Pathfinder MÉRÉ Aurélien FIIFO1 AMC Pathfinder 1 Sommaire Préambule... 3 Modélisation de l espace... 4 Modélisation des cases δ, α... 4 Interface en mode texte... 5 Modélisation du robot... 8 1 ) Le type Robot...

Plus en détail

Tous droits réservés à Ciril / CIVIL NET FINANCES : Décideur

Tous droits réservés à Ciril / CIVIL NET FINANCES : Décideur 1 2 3 4 5 6 7 8 Décideur Net Finances est un outil d interrogation des bases de données CIRIL Finances. Cette interrogation s effectue au moyen de requêtes SQL. Il existe également d autres environnements

Plus en détail

FOURIER ET LES IMAGES

FOURIER ET LES IMAGES FOURIER ET LES IMAGES 1 Objectif de ce travail : Le travail proposé ici consiste à manipuler le spectre des images et à découvrir les relations entre les espaces direct et de Fourier. 2 Petite histoire

Plus en détail

Un pitchtracker monophonique

Un pitchtracker monophonique Un pitchtracker monophonique Damien Cirotteau Dominique Fober Stephane Letz Yann Orlarey Grame - Département Recherche 9,rue du Garet BP 1185 69002 LYON CEDEX 01 Tel +33 (0)4 720 737 00 Fax +33 (0)4 720

Plus en détail

1 Traitement d'images sous labview. Note d'application. «Seuillage automatique de forme zoomorphe»

1 Traitement d'images sous labview. Note d'application. «Seuillage automatique de forme zoomorphe» 1 Traitement d'images sous labview Note d'application «Seuillage automatique de forme zoomorphe» 2 Traitement d'images sous labview Sommaire Introduction...3 Rappel sur la binarisation...3 Présentation

Plus en détail

DATA.DREES MANUEL DÉTAILLÉ DES CUBES DE DONNEES

DATA.DREES MANUEL DÉTAILLÉ DES CUBES DE DONNEES DATA.DREES MANUEL DÉTAILLÉ DES CUBES DE DONNEES LES FONCTIONNALITÉS PROPOSÉES CONSULTER, MANIPULER ET CONSERVER DES CUBES DE DONNÉES EN LIGNE Ce document est destiné à vous présenter le fonctionnement

Plus en détail

Tableur Saisie Des Notes Sur le Web

Tableur Saisie Des Notes Sur le Web Logiciels scolaires Tableur Saisie Des Notes Sur le Web Siège Social : BP 41 62840 LAVENTIE Tél :03 21.63.17.57 Fax : 03 21.27.59.82 S.A.R.L AU CAPITAL DE 16000 R.C.S : BETHUNE TGI 408 658 227 SIRET 408

Plus en détail

Le personnel. Guide de l utilisateur

Le personnel. Guide de l utilisateur Guide Reference Livre 10 Gestion des ressources humaines Sécurité, contrôle des accès Vidéo surveillance via Internet Gestion d activités, Affichage d informations Distribution d heure synchronisée Audit,

Plus en détail

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Projet 2009 2010 Biométrie 3D PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Département : TIC Mots clés : Biométrie, Analyse d images, Vision, Caméra thermique, Caméra temps de vol, Détection

Plus en détail

Vecteurs.nb 1. Collège du Sud 1-ère année. Mathématiques. Vecteurs. Edition 2003/2004 - DELM

Vecteurs.nb 1. Collège du Sud 1-ère année. Mathématiques. Vecteurs. Edition 2003/2004 - DELM Vecteurs.nb 1 Collège du Sud 1-ère année Mathématiques Vecteurs Edition 00/004 - DELM Supports de cours de mathématiques de degré secondaire II, lien hypertexte vers la page mère http://www.deleze.name/marcel/sec/index.html

Plus en détail

L analyse en composantes principales en pratique

L analyse en composantes principales en pratique L analyse en composantes principales en pratique Après avoir vu sa formalisation mathématique dans le module précédent, on s intéresse ici à l utilisation pratique de l ACP. 1 Objectifs L objectif de l

Plus en détail

Fiche détaillée pour WaveFM

Fiche détaillée pour WaveFM Bruno Bossis vendredi 22 septembre 2003 UNESCO/DigiArts MINT/Paris4-Sorbonne Fiche détaillée pour WaveFM 1. Présentation générale Nom : WaveFM Catégorie : synthèse FM (par modulation de fréquence) Versions

Plus en détail

Travaux pratiques MPI Liste des exercices

Travaux pratiques MPI Liste des exercices Travaux pratiques MPI Liste des exercices 1 T.P. MPI Exercice 1 : Environnement MPI... 2 2 T.P. MPI Exercice 2 : Ping-pong... 3 3 T.P. MPI Exercice 3 : Communications collectives et réductions... 5 4 T.P.

Plus en détail

Initiation à la Programmation avec Java Semestre 1-2008/2009. Compte rendu final du Projet

Initiation à la Programmation avec Java Semestre 1-2008/2009. Compte rendu final du Projet Initiation à la Programmation avec Java Semestre 1-2008/2009 Compte rendu final du Projet Jean-Baptiste Leprêtre Groupe Y1 Chargé de TD : Fabienne Thomarat 1 SOMMAIRE : I) Cahier des Charges II) Analyse

Plus en détail

Résumé d éléments de cartographie sur le Web

Résumé d éléments de cartographie sur le Web Logo optimisé par J.-D.Bonjour, SI-DGR 13.4.93 ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Faculté de l Environnement Architectural, Naturel et Construit Institut du développement territorial - Géomatique

Plus en détail

Spécification géométrique des produits (GPS) I. Un peu d histoire 1

Spécification géométrique des produits (GPS) I. Un peu d histoire 1 2 Année PT S.I.I. CI 2 : Analyse et conception des mécanismes Fiche de TD Page 1 sur 1 Le GPS, «Geométric Product Spécification» est un concept qui a pour but de rendre la lecture des dessins de définition

Plus en détail

Algorithme et Programmation

Algorithme et Programmation Année universitaire 2009-2010 Algorithme et Programmation Sujets des Travaux Dirigés et des Travaux pratiques 2 ème année INSA MIC 2 ème année INSA MIC Année universitaire 2009-2010 Algorithme et Programmation

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

Rapport sur le développement d une application de saisie de séquences vidéo à l aide de la carte d acquisition Bandit de Coreco

Rapport sur le développement d une application de saisie de séquences vidéo à l aide de la carte d acquisition Bandit de Coreco 550, rue Sherbrooke Ouest, bureau 100 Montréal (Québec) H3A 1B9 Téléphone : (514) 840-1234 Télécopieur : (514) 840-1244 http://www.crim.ca CRIM - Documentation/Communications Rapport sur le développement

Plus en détail

EloKanz. Manuel d utilisation. Version 1.0.0 - Copyright c Lionel Fontan 2012

EloKanz. Manuel d utilisation. Version 1.0.0 - Copyright c Lionel Fontan 2012 EloKanz Version 1.0.0 - Copyright c Lionel Fontan 2012 Manuel d utilisation 1 Enregistrer un patient 2 1.1 Sélectionner l entrée micro........................... 2 1.2 Avant l enregistrement.............................

Plus en détail

110 Zone de données codées : Ressources continues

110 Zone de données codées : Ressources continues 110 Zone de données codées : Ressources continues Définition Cette zone contient des données codées relatives aux ressources continues, y compris les collections de monographies cataloguées en tant que

Plus en détail

ESIREM - 3ème année ITC7-2 (1 séance) Étude d une communication entre deux hôtes du réseau

ESIREM - 3ème année ITC7-2 (1 séance) Étude d une communication entre deux hôtes du réseau ESIREM - 3ème année ITC7-2 (1 séance) Étude d une communication entre deux hôtes du réseau Michael Choisnard, Arnaud Da Costa, Benoît Darties Mars 2010 L objectif de ce TP est de développer et mettre en

Plus en détail

IUT Nice-Côte d Azur Informatique appliquée 2005 2006. TP N o 4. Tableur : affichage et impression

IUT Nice-Côte d Azur Informatique appliquée 2005 2006. TP N o 4. Tableur : affichage et impression 1 IUT Nice-Côte d Azur TC-Nice 1 re année Informatique appliquée 2005 2006 TP N o 4 Tableur : affichage et impression I Options d affichage Les options concernant l affichage dans les feuilles de calcul

Plus en détail

Catalogage : Saisie pas à pas d un site Internet

Catalogage : Saisie pas à pas d un site Internet BCDI v 1.81 - Catalogage : Saisie d un site Internet Modif : 05/06/2008 1 Catalogage : Saisie pas à pas d un site Internet Gestion du fonds, catalogage : Saisie d un site Internet 2 1. Onglet : Description

Plus en détail

Web & XML. Evaluation 1/2. ENSEIRB Programmation Web / XML. Version 1.00 du 19 décembre 2012 Etat : Travail SOPRA GROUP. Page 1/9

Web & XML. Evaluation 1/2. ENSEIRB Programmation Web / XML. Version 1.00 du 19 décembre 2012 Etat : Travail SOPRA GROUP. Page 1/9 Web & XML ENSEIRB Programmation Web / XML Evaluation 1/2 Version 1.00 du 19 décembre 2012 Etat : Travail SOPRA GROUP Page 1/9 Historique : Version Date Origine de la mise à jour Rédigée par Validée par

Plus en détail

Introduction à la programmation sous Scilab : TP auto-correctifs II

Introduction à la programmation sous Scilab : TP auto-correctifs II Introduction à la programmation sous Scilab : TP auto-correctifs II Licence de Physique à distance Table des matières I Vecteurs et matrices (II) 1 a) Vecteurs........................................ 1

Plus en détail

I) Présentation du logiciel Scratch

I) Présentation du logiciel Scratch Rudiments pour l utilisation du logiciel Scratch en lycée par j-a.roddier@wanadoo.fr L objectif de cet atelier est de montrer certaines spécificités du logiciel Scratch, et au-delà de cette présentation

Plus en détail

Formulaire de maths - Analyse dans R n

Formulaire de maths - Analyse dans R n Formulaire de maths - Analyse dans R n Nom Théorème ou formule Espaces vectoriels normés Norme sur E Application qui vérifie les propriétés de : séparation : homogénéité : inégalité triangulaire : Normes

Plus en détail

Rapport écrit : recommandations et instructions

Rapport écrit : recommandations et instructions Projet d Elèves Ingénieurs 2007-2008 Restitutions Rapport écrit : recommandations et instructions L importance du rapport écrit est à souligner : destiné à des décideurs, il représente ce qui restera de

Plus en détail