THESE DE DOCTORAT. Informatique, Fouille de données
|
|
- Jean-Sébastien Milot
- il y a 8 ans
- Total affichages :
Transcription
1 THESE DE DOCTORAT Informatique, Fouille de données THEME PRINCIPAL DE LA SOUMISSION : Contenus, Connaissances, Interactions TITRE DE LA THESE : Fouille de graphes avec attributs RESPONSABLES DE LA THESE : Cécile BOTHOREL, Philippe LENCA (Telecom Bretagne/Lab-Sticc, UMR CNRS 6285, Brest) Co-encadrement : Christine LARGERON (Université Jean Monnet/Laboratoire Hubert Curien, UMR CNRS 5516, Saint-Etienne) ECOLE DE RATTACHEMENT : Telecom Bretagne EQUIPES D ACCUEIL : Lab-STICC/DECIDE à Telecom Bretagne (70%), Laboratoire Hubert Curien (30%) DOCTORANT : pas encore de candidat à ce jour MOTS CLES : Fouille de données, clustering, mesures de distance, mesure de qualité, définition de communautés RESUME : La communauté en fouille de médias sociaux s intéresse à la dynamique des réseaux, à la diffusion d information, au passage à l échelle, et très récemment à l exploitation de la richesse des données. C est ce dernier axe que nous proposons d approfondir, en considérant en plus des relations sociales, les informations contextuelles qui peuvent être rattachées aux noeuds comme aux arcs des graphes représentant les réseaux sociaux. Des travaux en data mining ont cherché à fouiller des graphes avec attributs, introduits en 2009, en adressant des problématiques telles que la détection de communautés. On peut recenser différentes techniques pour combiner les deux types de données : modification de poids en fonction des attributs caractérisant les noeuds, combinaison linéaire des dimensions liées aux relations et aux attributs, marches aléatoires, subspace clustering, etc. Depuis 2010, nos travaux ont porté notamment sur les deux premières approches mentionnées ci-dessus. Mais force est de constater que les propositions réutilisent et adaptent les techniques existantes pour graphe simple avec plus ou moins de justification et sans faire émerger de consensus. Il nous paraît important de revenir sur les notions fondamentales sous-jacentes à la conception de méthodes adaptées aux graphes avec attributs. L objectif est donc de revisiter les mesures de distance entre éléments, d agrégation entre sous-ensembles d éléments ou encore de qualité d un partitionnement, d en comprendre les propriétés et ainsi de conduire à de nouvelles définitions des communautés et à des méthodes de fouille adaptées faisant sens. Cette thèse en co-encadrement a l ambition de revêtir un caractère de référence et réunit deux équipes nationales en avance sur le sujet. Résolument de nature formelle, son objectif est d éprouver les mesures et les algorithmes fondamentaux de l analyse de réseaux avec informations contextuelles, tout en tenant compte d objectifs utilisateur. Ce travail permettra ainsi également de construire des partenariats applicatifs en confiance. 1
2 1 Contexte Scientifique Les années 2000 ont été marquées par l explosion des réseaux sociaux sur Internet, renouvelant l intérêt de la communauté scientifique non seulement en sciences sociales mais aussi en informatique pour l analyse et la fouille de graphes. Aujourd hui, les graphes utilisés pour étudier ces réseaux sont de très grande taille tant par le nombre de noeuds associés aux individus que par celui des arêtes qui décrivent leurs relations ou leurs interactions [12]. De plus, les relations entre ces noeuds sont le plus souvent multiples [11]. Enfin, des informations contextuelles peuvent être rattachées aux noeuds comme aux arcs. Comme l a souligné l étude de Gartner, les besoins d analyse ont également évolué, requérant le développement d algorithmes et d outils plus puissants mais aussi capables d intégrer des informations contextuelles associées aux noeuds ou aux arcs et de prendre en compte la dimension temporelle pour suivre l évolution d un réseau [10]. Ainsi, [9] s intéresse à la propagation d épidémies et montre que pour en arrêter la diffusion, il s agit de trouver des groupes d individus démontrant à la fois un tissu relationnel dense et des caractéristiques de population à risque. Identifier des groupes seulement denses, ou bien des groupes seulement à risque est beaucoup moins efficace, et ces travaux invitent donc à considérer les caractéristiques des noeuds dans un réseau dans un processus de fouille intégré. De la même manière, en emarketing, dans le cadre de la Chaire Réseaux Sociaux de l IMT, nous avons commencé à travailler sur la détection de communautés sociales et thématiques pour cartographier les blogs de cuisine et identifier les acteurs influents inter- ou mono-thématiques [15]. Ces premiers travaux montrent l intérêt de telles extractions de connaissances et le potentiel en termes applicatifs mais ils font aussi remonter le manque d indicateurs et de mesures objectives décrivant les connaissances extraites. Un nouveau champ de recherche en fouille de données s est donc développé autour des réseaux sociaux. Cependant des benchmarking des outils existants, comme nos propres études, ont montré que ceux-ci couvraient très partiellement ces nouveaux besoins [8, 7]. Concernant la recherche de communautés, ou clustering, des travaux proposent de réutiliser les algorithmes classiques de recherche de zones denses tels que le célèbre algorithme de Louvain [13] qui maximise la modularité [26]. Cette famille de méthodes encode l information de similarité des noeuds sur les arêtes avant d appliquer ces algorithmes sur les graphes modifiés [25, 27, 17, 18]. De manière orthogonale, d autres méthodes utilisent des combinaisons linéaires des dimensions relationnelles et des dimensions liées aux attributs avant d appliquer des méthodes de clustering classiques [14, 19, 22, 28]. Par ailleurs, nous pouvons citer [32, 20] qui explorent une méthode de marche aléatoire contraignant les déplacements dans un graphe selon la présence d attributs communs sur les noeuds ou encore des méthodes qui combinent le subspace et le subgraph clustering telles que [21] pour optimiser la sélection de sousensembles d attributs et de relations visant à satisfaire des métriques de qualité dans un espace de projection. Enfin, [16] modifie l algorithme de Louvain pour localement optimiser l entropie en plus de la modularité. Toutes ces méthodes vont d une manière plus ou moins intégrée chercher à optimiser la similarité en terme d attributs et de relations des noeuds au sein d un même cluster, en combinant deux fonctions objectif mais, sans définir clairement les clusters recherchés. Les clusters identifiés sont ensuite validés, d une part, pour la dimension contextuelle des attributs en terme d entropie, et d autre part, pour la dimension relationnelle en terme de densité et de modularité bien que cette dernière présente un certain nombre de limites [6]. Toutefois, sans définition claire d un cluster, ces mesures ne font que quantifier des propriétés des clusters relatives à des dimensions très différentes et non intégrées. Si une vérité terrain (clustering ground-truth) est disponible, la question de la validation est alors simplifiée, et les matrices de contingence ou encore l information mutuelle peuvent etre utilisées [14, 31]. Malheureusement, s il existe des 2
3 benchmarks contenant des jeux de données classiques avec vérité terrain, comme par exemple [5], utilisables pour valider les méthodes de détection de communautés, il n existe pas encore d équivalent en matière de graphes à attributs. Il commence cependant à exister quelques rares jeux de données réelles (DBLP, Gowalla, Wikipédia et tout récemment Google+). Cette revue de la littérature du clustering de graphes avec attributs montre qu il n y pas encore de consensus de la définition des clusters recherchés, que les fonctions objectifs sont diverses et variées, et que les mesures de qualité des clusters obtenues ne sont pas satisfaisantes. Ce sont ces verrous que nous nous proposons de traiter dans cette thèse. 2 Contenu Scientifique Ce projet de thèse vise à exploiter les informations de nature contextuelle liées aux acteurs d un réseau social afin d enrichir l analyse et la fouille des réseaux sociaux. Le premier objectif est de cartographier de manière exhaustive les travaux de clustering de graphes avec attributs, en puisant dans les communautés d analyse de graphes mais aussi dans la communauté du clustering plus classique. Nous proposons via ce travail de balayer les modèles, les approches, les algorithmes, les fonctions objectif, les métriques d évaluation ; de procéder à des évaluations exhaustives et d identifier les situations qui disposent de techniques performantes et celles qui nécessitent une recherche. Les situations seront décrites par les applications potentielles mais aussi par la forme des données, i.e. la forme des graphes, la dimension des attributs, la distribution des attributs, et les techniques seront caractérisées par leur montée en charge, la robustesse à l ordre de traitement des noeuds, attributs, relations, etc. Les approches inventoriées seront confrontées à des données synthétiques et des jeux de données réelles. Un tel état de l art, qui en soit est une contribution nécessaire au domaine, nous offrira les fondations pour aboutir à la conception de mesures adaptées aux graphes attributs. Nous envisageons deux axes dans cette recherche de mesures. Le premier axe concerne l analyse classique de réseaux sociaux qui cherche à caractériser la position d un acteur (i.e. sommet du graphe) ou le réseau global, mais aussi à établir des comparaisons entre deux réseaux grâce à des indicateurs basés par exemple sur le nombre de degrés des sommets, le diamètre ou encore le nombre d intermédiaires entre deux sommets du graphe [3, 4, 1, 2, 29]. Nous proposons d étendre ces mesures en tenant compte non seulement des liens existants entre les acteurs et décrits par le graphe mais aussi de leurs caractéristiques. Nous mettrons aussi l accent sur la conception de nouvelles définitions des distances, des clusters, des mesures de qualité que nous utiliserons pour revisiter des tâches classiques de clustering dans le cas de graphes avec attributs. Ce deuxième axe est un peu plus risqué car la validation en apprentissage non supervisé est un problème non trivial comme nous l avons indiqué dans l état de l art. Nous utiliserons des jeux de données synthétiques permettant d éprouver les propriétés des mesures de l état de l art et proposées, mais nous chercherons également à valider nos contributions sur des jeux de données académiques (DPLB, Wikipédia, Google+, etc.). A noter qu il existe des travaux récents [30] qui utilisent le concept de listes, explicitées par les utilisateurs eux-mêmes, comme clusters "ground-truth" dans des données issues de Twitter. Ce projet sera mené en s appuyant sur les compétences en apprentissage automatique et en fouille de données de chercheurs en informatique de l équipe Lab-Sticc à Telecom Bretagne (UMR CNRS 6285) et du Laboratoire Hubert Curien (UMR CNRS 5516). Il s inscrit dans la con- 3
4 tinuité de travaux en informatique menés au sein de ces laboratoires. Une précédente thèse financée par le programme Futur & Rupture (prix de la fondation 2013) et encadrée par Cécile Bothorel a défriché l étude du clustering de graphes avec attributs et a mis en évidence l intérêt de travailler plus profondément sur la définition des communautés et des mesures (fonctions objectifs et validation). D autre part, les travaux précédents de Christine Largeron rattachés à l axe "Fouille et recherche à partir de données structurées" du LHC ont d ores et déjà donné lieu à deux thèses sur cette thématique (Allocation de la Région Rhône-Alpes 2009 et ANR 2010). Enfin, les travaux de Philippe Lenca font maintenant référence sur les mesures de qualité pour la recherche de règles d association, et nous envisageons d utiliser la même méthodologie, applicable à notre projet et qui permettra d adresser le verrou de l adéquation des mesures avec les objectifs de fouille recherchés. Après l étude exhaustive des mesures existantes, nous mettrons en avant leurs propriétés algorithmiques (cf. mesure de la qualité des règles d association extraites [24]). Puis une fois ces mesures bien comprises, et une fois les clusters découverts caractérisés, nous chercherons à les intégrer dans le processus de fouille (cf. remplacement de la mesure de support bien connue par de nouvelles mesures en lien avec le contexte d application au cours du processus de production des règles [23]). La thèse débouchera sur des algorithmes et leur implémentation. Bien que l aspect montée en charge pour analyser de très grands graphes ne soient pas la priorité, nous travaillons d ores et déjà sous une architecture Big Data (Hadoop, Mahout, Hive, neo4j, etc.) pour tester nos développements sur des jeux de données tels que Wikipédia, Gowalla ou encore Google+. Les axes de travail ainsi que la méthodologie annoncée permettront d aboutir aux contributions suivantes : un état de l art exhaustif avec comparaison des mesures et algorithmes existants sur des données de benchmarking ; la définition et la caractérisation de mesures de distance entre éléments, d agrégation entre sous-ensembles d éléments et de qualité d un partitionnement ; la définition de communautés dédiées aux graphes avec attributs. Ces fondamentaux de la fouille de données nous permettront d aller bien au-delà de l état de l art, qui reste à l heure actuelle, un assemblage plus ou moins justifié de techniques détournées et non formalisées. Références [1] J. Scott Social Network Analysis A Handbook. 2nd Ed. Newberry Park, CA : Sage (2000) [2] P. Carrington, J. Scott and S. Wasserman Models and Methods in Social Network Analysis New York : Cambridge University Press (2005). [3] A. Degenne, M. Forsé Les réseaux sociaux Paris, Armand Colin (1994). [4] L.C. Freeman. Centrality in social networks conceptual clarification. Social networks, 1(3) : , [5] Zachary W. (1977). An information flow model for conflict and fission in small groups. Journal of Anthropological Research, 33, [6] A. Lancichinetti, S. Fortunato Limits of modularity maximization in community detection Phys. Rev. E 84, , 2011 [7] D. Combe, C. Largeron, E. Egyed-Zsigmond, M. Géry A comparative study of social network analysis tools Workshop "Web intelligence and Virtual Entreprise" at the International Conference PROVE, (2010). [8] M. Huisman, M. Van Duijn, A. J. Marijtje Software for social network analysis, A reader s guide to SNA software. In J. Scott and P.J. Carrington (Eds.) The SAGE Handbook of Social Network Analysis (pp ) (2004). [9] B. Aditya Prakash, Jilles Vreeken, Christos Faloutsos Efficiently spotting the starting points of an epidemic in a large graph. Knowl. Inf. Syst. 38(1) : (2014) [10] Gartner Hype Cycle for social software G (2008). [11] J. Mori, T Tsujisshita, Y. Matsuo, M. Ishizuka Extracting relations in social networks from the web using similarity between collective contexts. Proceedings of the 5th International Semantic Web Conference (ISWC 2006). Vol 4273, (2006) [12] V. Batagelj Social Network Analysis, Large-Scale. R.A. Meyers, ed., Encyclopedia of Complexity and Systems Science, Springer, (2009). [13] Vincent D. Blondel, Jean-Loup Guillaume, Renaud Lambiotte, and Etienne Lefebvre. Fast unfolding of communities in large networks. Journal of Statistical Mechanics : Theory and Experiment, 2008(10) :P10008 (12pp), October [14] David Combe, Christine Largeron, Előd Egyed-Zsigmond, and Mathias Géry. Combining relations and text in scientific network clustering. In 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, pages , Istanbul, Turquie,
5 [15] Damien Renard, Juan David Cruz, Christine Balagué and Cécile Bothorel. Detection of communities : the case of cooking bloggers. Submitted to Marketing Science, Special Issue on Big Data : Integrating Marketing, Statistics, and Computer Science, [16] Juan David Cruz, Cécile Bothorel, and François Poulet. Entropy based community detection in augmented social networks. In Computational Aspects of Social Networks (CASoN 2011), 2011 International Conference on Computational Aspects of Social Networks, pages , [17] Juan David Cruz, Cécile Bothorel, and François Poulet. Semantic clustering of social networks using points of view. In CORIA : conférence en recherche d information et applications 2011, [18] Juan David Cruz, Cécile Bothorel, and François Poulet. Détection et visualisation des communautés dans les réseaux sociaux. Revue d Intelligence Artificielle, 26(4) : , [19] The Anh Dang and Emmanuel Viennet. Community detection based on structural and attribute similarities. In International Conference on Digital Society (ICDS), pages 7 14, ISBN : [20] Rong Ge, Martin Ester, Byron J. Gao, Zengjian Hu, Binay Bhattacharya, and Boaz Ben-Moshe. Joint cluster analysis of attribute data and relationship data : The connected k-center problem, algorithms and applications. ACM Trans. Knowl. Discov. Data, 2(2) :7 :1 7 :35, July [21] Stephan Günnemann, Brigitte Boden, Ines Färber, and Thomas Seidl. Efficient mining of combined subspace and subgraph clusters in graphs with feature vectors. In Advances in Knowledge Discovery and Data Mining, pages Springer, [22] Daniel Hanisch, Alexander Zien, Ralf Zimmer, and Thomas Lengauer. Co-clustering of biological networks and gene expression data. Bioinformatics, 18(suppl 1) :S145 S154, [23] Yannick Le Bras, Philippe Lenca, and Stéphane Lallich. Optimonotone measures for optimal rule discovery. Computational Intelligence, 28(4) : , [24] Philippe Lenca, Patrick Meyer, Benoît Vaillant, and Stéphane Lallich. On selecting interestingness measures for association rules : User oriented description and multiple criteria decision aid. European Journal of Operational Research, 184(2) : , [25] Jennifer Neville, Micah Adler, and David D. Jensen. Clustering relational data using attribute and link information. In Proceedings of the Workshop on Text Mining and Link Analysis, Eighteenth International Joint Conference on Artificial Intelligence, Acapulco, Mexico, [26] M. E. J. Newman and M. Girvan. Finding and evaluating community structure in networks. Physical Review E, 69(2) : , February [27] Karsten Steinhaeuser and NiteshV. Chawla. Community detection in a large real-world social network. In Huan Liu, JohnJ. Salerno, and MichaelJ. Young, editors, Social Computing, Behavioral Modeling, and Prediction, pages Springer US, [28] Nathalie Villa-Vialaneix, Madalina Olteanu, and Christine Cierco-Ayrolles. Carte auto-organisatrice pour graphes étiquetés. In Atelier Fouilles de Grands Graphes (FGG) - EGC 2013, page Article numéro 4, Toulouse, France, [29] Stanley Wasserman and Katherine Faust. Social Network Analysis : Methods and Applications. Number 8 in Structural Analysis in the Social Science. Cambridge University Press, [30] J. Yang, J. McAuley, and J. Leskovec. Community Detection in Networks with Node Attributes. arxiv preprint arxiv : , Published in the proceedings of IEEE ICDM 13, January [31] Tianbao Yang, Rong Jin, Yun Chi, and Shenghuo Zhu. Combining link and content for community detection : a discriminative approach. In KDD 09 : Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, pages , New York, NY, USA, ACM. [32] Yang Zhou, Hong Cheng, and Jeffrey Xu Yu. Graph clustering based on structural/attribute similarities. Proc. VLDB Endow., 2(1) : , August
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailLe Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailCURRICULUM VITAE. Informations Personnelles
CURRICULUM VITAE Informations Personnelles NOM: BOURAS PRENOM : Zine-Eddine STRUCTURE DE RATTACHEMENT: Département de Mathématiques et d Informatique Ecole Préparatoire aux Sciences et Techniques Annaba
Plus en détailFaceBook aime les Maths!
FaceBook aime les Maths! Michel Rigo http://www.discmath.ulg.ac.be/ http://orbi.ulg.ac.be/ Réseaux Visualizing my Twitter Network by number of followers. Michael Atkisson http://woknowing.wordpress.com/
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailJean-François Boulicaut & Mohand-Saïd Hacid
e siècle! Jean-François Boulicaut & Mohand-Saïd Hacid http://liris.cnrs.fr/~jboulica http://liris.cnrs.fr/mohand-said.hacid Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailRI sociale : intégration de propriétés sociales dans un modèle de recherche
RI sociale : intégration de propriétés sociales dans un modèle de recherche Ismail Badache 1 Institut de Recherche en Informatique de Toulouse, UMR 5505 CNRS, SIG 118 Route de Narbonne F-31062 Toulouse
Plus en détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détailVoisinage et intrication dans les réseaux multiplexes
0 RMPD. Volume No. /2014 Voisinage et intrication dans les réseaux multiplexes Benjamin Renoust 1 Institut National de l Audiovisuel, Paris, France JFLI CNRS UMI 3527 & National Institute of Informatics,
Plus en détailEnrichissement du profil utilisateur à partir de son réseau social dans un contexte dynamique : application d une méthode de pondération temporelle
Enrichissement du profil utilisateur à partir de son réseau social dans un contexte dynamique : application d une méthode de pondération temporelle Marie-Françoise Canut, Sirinya On-at, André Péninou,
Plus en détailAnalyse des réseaux sociaux
Analyse des réseaux sociaux Emmanuel Viennet Laboratoire de Traitement et Transport de l Information L2TI Université Paris 13 Réseaux sociaux, analyse et data mining École Normale Supérieure Journée organisée
Plus en détailIntroduction aux algorithmes MapReduce. Mathieu Dumoulin (GRAAL), 14 Février 2014
Introduction aux algorithmes MapReduce Mathieu Dumoulin (GRAAL), 14 Février 2014 Plan Introduction de la problématique Tutoriel MapReduce Design d algorithmes MapReduce Tri, somme et calcul de moyenne
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailApprentissage statistique dans les graphes et les réseaux sociaux
Apprentissage statistique dans les graphes et les réseaux sociaux Patrick Gallinari Collaboration : L. Denoyer, S. Peters Université Pierre et Marie Curie AAFD 2010 1 Plan Motivations et Problématique
Plus en détailPropriétés du Document EMA. Résumé
Propriétés du Document Source du Document FSN OpenPaaS Titre du Document Définition et exploitation d un référentiel de processus collaboratifs : Rapport de synthèse quant aux référentiels existants Module(s)
Plus en détailL hypertexte, le multimédia, c est quoi?
L hypertexte, le multimédia, c est quoi? Hervé Platteaux Centre NTE et Département de pédagogie Université de Fribourg Cours de pédagogie - Second cycle Session du 29 octobre 2001 Selon vous, l hypertexte
Plus en détailData Mining. Master 1 Informatique - Mathématiques UAG
Data Mining Master 1 Informatique - Mathématiques UAG 1.1 - Introduction Data Mining? On parle de Fouille de données Data Mining Extraction de connaissances à partir de données Knowledge Discovery in Data
Plus en détailImplémentation Matérielle des Services d un RTOS sur Circuit Reconfigurable
Implémentation Matérielle des Services d un RTOS sur Circuit Reconfigurable Pierre Olivier*, Jalil Boukhobza*, Jean-Philippe Babau +, Damien Picard +, Stéphane Rubini + *Lab-STICC, + LISyC, Université
Plus en détailDéveloppements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière
Développements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière Principaux contributeurs: Zhang Xiaopeng (CASIA-NLPR-LIAMA Coordinateur Groupe Image) Li HongJun (CASIA-NLPR-LIAMA
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailDétection d utilisateurs malveillants dans les réseaux sociaux
Détection d utilisateurs malveillants dans les réseaux sociaux Luc-Aurélien Gauthier Patrick Gallinari Laboratoire d Informatique de Paris 6 Université Pierre et Marie Curie 4, place Jussieu 75005 Paris
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailUtilisation d outils de Visual Data Mining pour l exploration d un ensemble de règles d association
Utilisation d outils de Visual Data Mining pour l exploration d un ensemble de règles d association Gwenael Bothorel, Mathieu Serrurier, Christophe Hurter To cite this version: Gwenael Bothorel, Mathieu
Plus en détailDR. MATHIEU LAJANTE. Maître de Conférences en Marketing. Fonctions. Formations universitaires. Responsabilités administratives
DR. MATHIEU LAJANTE Maître de Conférences en Marketing IGR-IAE de Rennes (Université de Rennes 1) et Laboratoire CREM (UMR CNRS 6211) 11, Rue Jean Macé CS 70803 35708 RENNES Cedex 7 E-mail : mathieu.lajante@univ-rennes1.fr
Plus en détailInfrastructure PLM pour la capitalisation et la réutilisation de données en conception mécanique
Infrastructure PLM pour la capitalisation et la réutilisation de données en conception mécanique Guillaume Ducellier 1, Benoit Eynard 1, Emmanuel Caillaud 2 1 Université de Technologie de Troyes 12 rue
Plus en détailCommentWatcher. plateforme Web open-source pour analyser les discussions sur des forums en ligne. Marian-Andrei RIZOIU
CommentWatcher plateforme Web open-source pour analyser les discussions sur des forums en ligne Marian-Andrei RIZOIU 2ème octobre 2013 BLEND 2013 Lyon, France Contexte Laboratoire ERIC Université Lumière
Plus en détailPourquoi 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 détailPlan de cours ADM 992C Page 1. École des sciences de la gestion Département de management et technologie Université du Québec à Montréal
Plan de cours ADM 992C Page 1 École des sciences de la gestion Département de management et technologie Université du Québec à Montréal ADM-992C LES TECHNOLOGIES D'AIDE À LA PRISE DE DÉCISION DANS LES
Plus en détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailSolution A La Gestion Des Objets Java Pour Des Systèmes Embarqués
International Journal of Engineering Research and Development e-issn: 2278-067X, p-issn: 2278-800X, www.ijerd.com Volume 7, Issue 5 (June 2013), PP.99-103 Solution A La Gestion Des Objets Java Pour Des
Plus en détailOffre de thèse. Co-encadrant de thèse : HENRY Sébastien Coordonnées électroniques : Sébastien.Henry@univ-lyon1.fr Laboratoire : DISP (www.disp-lab.
Offre de thèse 1. Profil recherché Issu d une formation d ingénieur ou d un master, le candidat disposera idéalement des compétences dans les domaines suivants : Pilotage des systèmes de production. Systèmes
Plus en détailUne méthode d apprentissage pour la composition de services web
Une méthode d apprentissage pour la composition de services web Soufiene Lajmi * Chirine Ghedira ** Khaled Ghedira * * Laboratoire SOIE (ENSI) University of Manouba, Manouba 2010, Tunisia Soufiene.lajmi@ensi.rnu.tn,
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailNe cherchez plus, soyez informés! Robert van Kommer
Ne cherchez plus, soyez informés! Robert van Kommer Le sommaire La présentation du contexte applicatif Le mariage: Big Data et apprentissage automatique Dialogues - interactions - apprentissages 2 Le contexte
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailSpécialité IAD. Master de Sciences et technologie de l UPMC. Mention informatique. Partenaires : ENST, ENSTA. Responsables : T. Artières, C.
Master de Sciences et technologie de l UPMC Mention informatique Spécialité IAD Partenaires : ENST, ENSTA Responsables : T. Artières, C. Gonzales Secrétariat : N. Nardy LES THÉMATIQUES ABORDÉES Les thématiques
Plus en détailL animation de la performance d une Supply Chain
L animation de la performance d une Supply Chain Pré-soutenance de Mémoire Thématique Master Recherche OSIL Ecole Centrale Paris Etudiante : Samira Jaï Encadrant : Alain Chapdaniel Plan de la présentation
Plus en détailHervé Couturier EVP, SAP Technology Development
Hervé Couturier EVP, SAP Technology Development Hervé Biausser Directeur de l Ecole Centrale Paris Bernard Liautaud Fondateur de Business Objects Questions à: Hervé Couturier Hervé Biausser Bernard Liautaud
Plus en détailJuly 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15
Mastère Spécialisé Big Data Stéphan Clémençon Télécom ParisTech July 1, 2013 Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15 Agenda Contexte et Opportunité Les grandes lignes
Plus en détailProjet de thèse. Intitulé de la thèse. Spécialité du doctorat. Problématique scientifique générale
Projet de thèse Intitulé de la thèse Détection automatisée de signaux en pharmacovigilance : Exploitation conjointe de données de notifications spontanées et médico- administratives. Spécialité du doctorat
Plus en détailIngénierie et gestion des connaissances
Master Web Intelligence ICM Option Informatique Ingénierie et gestion des connaissances Philippe BEAUNE Philippe.Beaune@emse.fr 18 novembre 2008 Passer en revue quelques idées fondatrices de l ingénierie
Plus en détailClustering par optimisation de la modularité pour trajectoires d objets mobiles
Clustering par optimisation de la modularité pour trajectoires d objets mobiles Mohamed K. El Mahrsi, Télécom ParisTech, Département INFRES 46, rue Barrault 75634 Paris CEDEX 13, France Fabrice Rossi,
Plus en détailREMOTE DATA ACQUISITION OF EMBEDDED SYSTEMS USING INTERNET TECHNOLOGIES: A ROLE-BASED GENERIC SYSTEM SPECIFICATION
REMOTE DATA ACQUISITION OF EMBEDDED SYSTEMS USING INTERNET TECHNOLOGIES: A ROLE-BASED GENERIC SYSTEM SPECIFICATION THÈSE N O 2388 (2001) PRÉSENTÉE AU DÉPARTEMENT D'INFORMATIQUE ÉCOLE POLYTECHNIQUE FÉDÉRALE
Plus en détailFormula Negator, Outil de négation de formule.
Formula Negator, Outil de négation de formule. Aymerick Savary 1,2, Mathieu Lassale 1,2, Jean-Louis Lanet 1 et Marc Frappier 2 1 Université de Limoges 2 Université de Sherbrooke Résumé. Cet article présente
Plus en détailTechniques d analyse et de conception d outils pour la gestion du processus de segmentation des abonnés des entreprises de télécommunication
Techniques d analyse et de conception d outils pour la gestion du processus de segmentation des abonnés des entreprises de télécommunication R. Carlos Nana Mbinkeu 1,3, C. Tangha 1, A. Chomnoue 1, A. Kuete
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailRecherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA
RÉCITAL 2005, Dourdan, 6-10 juin 2005 Recherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA Siham Boulaknadel (1,2), Fadoua Ataa-Allah (2) (1) LINA FRE
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailDÉPLOIEMENT DE QLIKVIEW POUR DES ANALYSES BIG DATA CHEZ KING.COM
DÉPLOIEMENT DE QLIKVIEW POUR DES ANALYSES BIG DATA CHEZ KING.COM Étude de cas technique QlikView : Big Data Juin 2012 qlikview.com Introduction La présente étude de cas technique QlikView se consacre au
Plus en détailChange the game with smart innovation
Change the game with smart innovation Master Thesis 2013 2014 Faculty of Science engineering 12/08/2012 Master Thesis proposal for the academic year 2013. TABLE OF CONTENTS Section Un Introduction... 3
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailEXTRACTION DE CONNAISSANCES À PARTIR DE DONNÉES TEXTUELLES VUE D ENSEMBLE
ème Colloque National AIP PRIMECA La Plagne - 7- avril 7 EXTRACTION DE CONNAISSANCES À PARTIR DE DONNÉES TEXTUELLES VUE D ENSEMBLE Bruno Agard Département de Mathématiques et de Génie Industriel, École
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailUTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY
UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY Yvan Le Bras yvan.le_bras@irisa.fr Cyril Monjeaud, Mathieu Bahin, Claudia Hériveau, Olivier Quenez, Olivier Sallou, Aurélien Roult, Olivier
Plus en détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailFormation Actuaire Data Scientist. Programme au 24 octobre 2014
Formation Actuaire Data Scientist Programme au 24 octobre 2014 A. Eléments logiciels et programmation Python 24h Objectif : Introduction au langage Python et sensibilisation aux grandeurs informatiques
Plus en détailMaîtrise énergétique des centres de données
LABORATOIRE D INFORMATIQUE DE NANTES-ATLANTIQUE UMR 6241 ÉCOLE DOCTORALE STIM, N. 503 «Sciences et technologies de l information et des mathématiques» Sujet de thèse pour 2010 Maîtrise énergétique des
Plus en détailLes capitalistes sociaux sur Twitter : détection via des mesures de similarité
Les capitalistes sociaux sur Twitter : détection via des mesures de similarité Nicolas Dugué, Anthony Perez LIFO - Université d Orléans rue Léonard de Vinci B.P. 6759 F-45067 ORLEANS Cedex 2 FRANCE RÉSUMÉ.
Plus en détailArticle de recherche théorique et article de recherche empirique : particularités 1
La présentation d un article de recherche de type théorique 1 Article de recherche théorique et article de recherche empirique : particularités 1 Gilles Raîche, professeur Université du Québec à Montréal
Plus en détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
Plus en détailOPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE
OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE «Journée Open Data» 5 Novembre 2013 Présenté par : Imen Megdiche Directeur de thèse : Pr. Olivier Teste (SIG-IRIT) Co-directeur de thèse : Mr. Alain
Plus en détailJean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA
La visualisation d information pour comprendre et interagir avec les données Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr, www.aviz.fr, @jdfaviz
Plus en détailISTEX, vers des services innovants d accès à la connaissance
ISTEX, vers des services innovants d accès à la connaissance Synthèse rédigée par Raymond Bérard, directeur de l ABES, à partir du dossier de candidature d ISTEX aux Initiatives d excellence et des réunions
Plus en détailIC2. Interaction, Cognition and Complexity Département INFRES. Talel Abdessalem. Institut Mines-Télécom
Talel Abdessalem Interaction, Cognition and Complexity Département INFRES Institut Mines-Télécom Composition de l équipe Permanents Janvier 2008 Juin 2013 9 EC + 1DR CNRS 8 EC + 1DR CNRS 4 départs, 3 recrutements
Plus en détailricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/cours/ Publications, ressources, liens, logiciels,
Université Lumière Lyon 2 Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1 ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/cours/ Publications, ressources, liens,
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
Plus en détailAGROBASE : un système de gestion de données expérimentales
AGROBASE : un système de gestion de données expérimentales Daniel Wallach, Jean-Pierre RELLIER To cite this version: Daniel Wallach, Jean-Pierre RELLIER. AGROBASE : un système de gestion de données expérimentales.
Plus en détailLes datas = le fuel du 21ième sicècle
Les datas = le fuel du 21ième sicècle D énormes gisements de création de valeurs http://www.your networkmarketin g.com/facebooktwitter-youtubestats-in-realtime-simulation/ Xavier Dalloz Le Plan Définition
Plus en détaile-biogenouest CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé
e-biogenouest Coordinateur : Olivier Collin Animateur : Yvan Le Bras CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé
Plus en détailCENTAI : Big Data & Big Analytics Réunion DGPN / Thales Octobre 2013
www.thalesgroup.com CENTAI : Big Data & Big Analytics Réunion DGPN / Thales Octobre 2013 2 / Sommaire CENTAI : Présentation du laboratoire Plate-forme OSINT LAB Détection de la fraude à la carte bancaire
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailMASTER ECONOMIE APPLIQUEE
Le Master Economie Appliquée est destiné à des étudiants ayant reçu une formation universitaire solide en économie, statistiques, mathématiques et économétrie. Ce Master propose un cursus sur deux années
Plus en détailProposition des cadres d évaluation adaptés à un système de RI personnalisé
Proposition des cadres d évaluation adaptés à un système de RI personnalisé Mariam Daoud, Lynda Tamine-Lechani Laboratoire IRIT, Université Paul Sabatier 118 Route de Narbonne, F-31062 TOULOUSE CEDEX 9
Plus en détailPrésentation de la majeure ISN. ESILV - 18 avril 2013
Présentation de la majeure ISN ESILV - 18 avril 2013 La Grande Carte des Métiers et des Emplois Sociétés de service Entreprises Administrations Grand- Public Sciences Utiliser Aider à utiliser Vendre APPLICATIONS:
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailLes défis statistiques du Big Data
Les défis statistiques du Big Data Anne-Sophie Charest Professeure adjointe au département de mathématiques et statistique, Université Laval 29 avril 2014 Colloque ITIS - Big Data et Open Data au cœur
Plus en détailEXPLORATION DES BASES DE DONNÉES INDUSTRIELLES À L AIDE DU DATA MINING PERSPECTIVES
EXPLORATION DES BASES DE DONNÉES INDUSTRIELLES À L AIDE DU DATA MINING PERSPECTIVES Bruno Agard (1), Andrew Kusiak (2) (1) Département de Mathématiques et de Génie Industriel, École Polytechnique de Montréal,
Plus en détailFrank LASCK. Courriel : f.lasch@montpellier-bs.com Fonction : Professeur. Biographie
Frank LASCK Courriel : f.lasch@montpellier-bs.com Fonction : Professeur Biographie Frank Lasch, professeur en entrepreneuriat, a rejoint le Groupe Sup de Co Montpellier Business School en septembre 2003
Plus en détailIl y a tellement de hype autour du big data que Gartner étudie un nouveau modèle ;-) Talend 2012 2
Big Data: au delà du Buzz Yves de Montcheuil @ydemontcheuil Il y a tellement de hype autour du big data que Gartner étudie un nouveau modèle ;-) Talend 2012 2 Hype Cycle Gartner Talend 2012 3 Big Data
Plus en détailChristian BONTEMPS né le 08 juillet 1969
Curriculum Vitae Christian BONTEMPS né le 08 juillet 1969 Situation actuelle : Ingénieur en Chef des Ponts et Chaussées, Chercheur IDEI Professeur Sciences Économiques, GREMAQ - Université Toulouse I.
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailInnovation Francophonie Imagination
Innovation Francophonie Imagination http://www.ifi.auf.org Qu est-ce que l IFI? Fondé en 1993 à Hanoï (Vietnam), l IFI est un institut universitaire international francophone de troisième cycle soutenu
Plus en détail3A-IIC - Parallélisme & Grid GRID : Définitions. GRID : Définitions. Stéphane Vialle. Stephane.Vialle@supelec.fr http://www.metz.supelec.
3A-IIC - Parallélisme & Grid Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Principes et Objectifs Evolution Leçons du passé Composition d une Grille Exemple d utilisation
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailMAITRE DE CONFERENCES EN GEOGRAPHIE, AMENAGEMENT DE L ESPACE ET URBANISME Université Paris IV - Sorbonne. e-mail : estelle.ducom@paris-sorbonne.
MAITRE DE CONFERENCES EN GEOGRAPHIE, AMENAGEMENT DE L ESPACE ET URBANISME Université Paris IV - Sorbonne Parcours : e-mail : estelle.ducom@paris-sorbonne.fr Parcours Enseignement Recherche Responsabilités
Plus en détailAppel à Projet PME 2014
Appel à Projet PME 2014 Avec les Régions Bretagne et Pays de la Loire, les collectivités territoriales, BPIFrance et les Technopoles http://www.images-et-reseaux.com/fr/les-projets AAP PME 2014 V4-4 1
Plus en détailEfficient Object Versioning for Object- Oriented Languages From Model to Language Integration
Efficient Object Versioning for Object- Oriented Languages From Model to Language Integration Pluquet Frédéric July, 3rd 2012 Etude de techniques efficaces de versionnement d objets pour les langages orientés
Plus en détailAnalyse,, Conception des Systèmes Informatiques
Analyse,, Conception des Systèmes Informatiques Méthode Analyse Conception Introduction à UML Génie logiciel Définition «Ensemble de méthodes, techniques et outils pour la production et la maintenance
Plus en détailAnalyse des réseaux : Une introduction à Pajek
1 Analyse des réseaux : Une introduction à Pajek Laurent Beauguitte (UMR Géographie cités, groupe fmr flux, matrices, réseaux) Pierre Mercklé (Centre Max Weber, équipe «Dispositions, pouvoirs, cultures,
Plus en détailRéunion du cluster Habitat Bâtiment Intelligent (HBI) 17 Mars 2014 L I NTELLIGENCE ENERGÉTIQUE
Réunion du cluster Habitat Bâtiment Intelligent (HBI) 17 Mars 2014 P RÉSENTATION DU PROJET ADVICE ACCEPTA BILITÉ ET DROIT DE L I NTELLIGENCE ENERGÉTIQUE Présentation du Projet ADvICE En quelques mots La
Plus en détailR-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale
R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et
Plus en détail