THESE DE DOCTORAT. Informatique, Fouille de données

Dimension: px
Commencer à balayer dès la page:

Download "THESE DE DOCTORAT. Informatique, Fouille de données"

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

Détection de communautés dans des réseaux scientifiques à partir de données relationnelles et textuelles

Détection de communautés dans des réseaux scientifiques à partir de données relationnelles et textuelles Détection de communautés dans des réseaux scientifiques à partir de données relationnelles et textuelles David Combe* Christine Largeron* Előd Egyed-Zsigmond** Mathias Géry* * Université de Lyon, F-42023,

Plus en détail

Introduction à l Analyse des Réseaux Sociaux

Introduction à l Analyse des Réseaux Sociaux (ARS) 18 mars 2010 Analyse des réseaux sociaux Définition Propriétés Utilisation & Applications Analyse des réseaux sociaux Définition Propriétés Utilisation & Applications Etude des entités sociales (les

Plus en détail

Analyse des réseaux sociaux et apprentissage

Analyse des réseaux sociaux et apprentissage Analyse des réseaux sociaux et apprentissage Emmanuel Viennet Laboratoire de Traitement et Transport de l Information Université Paris 13 - Sorbonne Paris Cité Réseaux sociaux? Réseaux sociaux? Analyse

Plus en détail

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 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 détail

Big Data et Graphes : Quelques pistes de recherche

Big 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 détail

Empreintes conceptuelles et spatiales pour la caractérisation des réseaux sociaux

Empreintes conceptuelles et spatiales pour la caractérisation des réseaux sociaux Empreintes conceptuelles et spatiales pour la caractérisation des réseaux sociaux Bénédicte Le Grand*, Marie-Aude Aufaure** and Michel Soto* *Laboratoire d Informatique de Paris 6 UPMC {Benedicte.Le-Grand,

Plus en détail

Application 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 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 détail

Big Data et Graphes : Quelques pistes de recherche

Big 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 détail

Le 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 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 détail

Introduction à l Analyse des Réseaux Sociaux

Introduction à l Analyse des Réseaux Sociaux Introduction à l Analyse des Réseaux Sociaux Erick Stattner Laboratoire LAMIA Université des Antilles et de la Guyane, France erick.stattner@univ-ag.fr Guadeloupe, Novembre 2012 Erick Stattner Introduction

Plus en détail

CURRICULUM VITAE. Informations Personnelles

CURRICULUM 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 détail

FaceBook aime les Maths!

FaceBook 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 détail

L'analyse des réseaux sociaux

L'analyse des réseaux sociaux L'analyse des réseaux sociaux Laurent Beauguitte CNRS - UMR IDEES 20 janvier 2015 L. Beauguitte (CNRS) SNA 20 janvier 2015 1 / 17 1 Questions de recherche et données 2 Mesures globales et locales 3 Deux

Plus en détail

Circuits électroniques au service de l'optimisation multi-requêtes

Circuits électroniques au service de l'optimisation multi-requêtes Ecole Nationale de Mécanique et d Aérotechnique Laboratoire d Informatique et d Automatique pour les Systèmes Circuits électroniques au service de l'optimisation multi-requêtes Ahcène BOUKORCA Sous la

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 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 détail

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume COURS SYRRES RÉSEAUX SOCIAUX Jean-Loup Guillaume Le cours http://jlguillaume.free.fr/www/teaching/syrres/ Exemple 1 : Expérience de Milgram Objectif faire transiter une lettre depuis les Nebraska à un

Plus en détail

Sujet de stage de Master 2 Informatique

Sujet de stage de Master 2 Informatique UNIVERSITE PARIS 13, Sorbonne Paris Cité Laboratoire d'informatique de Paris-Nord, UMR CNRS 7030 99, avenue Jean-Baptiste Clément - 93430 Villetaneuse France Tél : (33) 01 49 40 40 71 ; Fax : (33) 01 48

Plus en détail

L'ANALYSE DYNAMIQUE DE RESEAUX SOCIAUX METHODE ET APPLICATION (SIENA POUR LES NULS) COMPLETS AVEC SIENA. Ainhoa de Federico de la Rúa

L'ANALYSE DYNAMIQUE DE RESEAUX SOCIAUX METHODE ET APPLICATION (SIENA POUR LES NULS) COMPLETS AVEC SIENA. Ainhoa de Federico de la Rúa L'ANALYSE DYNAMIQUE DE RESEAUX SOCIAUX COMPLETS AVEC SIENA METHODE ET APPLICATION (SIENA POUR LES NULS) Ainhoa de Federico de la Rúa Université de Toulouse II Le Mirail CERS LISST RESEAUX CAUSES OU EFFETS?

Plus en détail

Jean-François Boulicaut & Mohand-Saïd Hacid

Jean-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 détail

Etat de l art sur l utilisation des techniques Web Sémantique en ECD

Etat de l art sur l utilisation des techniques Web Sémantique en ECD Etat de l art sur l utilisation des techniques Web Sémantique en ECD Hicham Behja ENSAM Meknès(1,2,3) Brigitte Trousse Projet AxIS INRIA Sophia Antipolis (2) Abdelaziz Marzak Faculté des sciences Casablanca

Plus en détail

Apprentissage Automatique

Apprentissage 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 détail

Projet de Chaire Machine-learning

Projet de Chaire Machine-learning Projet de Chaire Machine-learning Stéphan Clémençon Télécom ParisTech January 15, 2013 Stéphan Clémençon (Télécom ParisTech) Chaire Apprentissage January 15, 2013 1 / 1 Machine-learning: un bref tour d

Plus en détail

RI sociale : intégration de propriétés sociales dans un modèle de recherche

RI 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 détail

Adaptation sémantique de documents SMIL

Adaptation sémantique de documents SMIL Adaptation sémantique de documents SMIL Sébastien Laborie Jérôme Euzenat Nabil Layaïda INRIA Rhône-Alpes - 655 Avenue de l Europe - 38334 St Ismier Cedex {Sebastien.Laborie;Jerome.Euzenat;Nabil.Layaida}@inrialpes.fr

Plus en détail

Voisinage et intrication dans les réseaux multiplexes

Voisinage 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 détail

Introduction aux algorithmes MapReduce. Mathieu Dumoulin (GRAAL), 14 Février 2014

Introduction 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 détail

COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume

COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation

Plus en détail

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche Réseaux Sociaux Révolution des usages sur Internet, et nouvelles problématiques de recherche Pierre Maret, Laboratoire Hubert Curien, St-Etienne Adrien Joly, Alcatel-Lucent Bell Labs France, Villarceaux

Plus en détail

Les indicateurs structurels d'un graphe: calculs, visualisation, interactivité

Les indicateurs structurels d'un graphe: calculs, visualisation, interactivité Les indicateurs structurels d'un graphe: calculs, visualisation, interactivité Brigitte GAY (*), Bernard DOUSSET (**), Radwen WANASSI (**) b.gay@esc-toulouse.fr, bernard.dousset@irit.fr, wanesradwen@gmail.com

Plus en détail

Propriétés du Document EMA. Résumé

Propriétés 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 détail

Capture et modélisation de l activité utilisateur pour l évaluation d applications d analyse visuelle de données

Capture et modélisation de l activité utilisateur pour l évaluation d applications d analyse visuelle de données Capture et modélisation de l activité utilisateur pour l évaluation d applications d analyse visuelle de données Romain Vuillemot Université de Lyon, CNRS INSA-Lyon, LIRIS, UMR5205 F-69621, France romain.vuillemot@insa-lyon.fr

Plus en détail

Enrichissement 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 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 détail

Analyse des réseaux sociaux

Analyse 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 détail

Analyse des déplacements des objets mobiles : définition de comportements types

Analyse des déplacements des objets mobiles : définition de comportements types Analyse des déplacements des objets mobiles : définition de comportements types Thomas Devogele Université François Rabelais (Tours) thomas.devogele@univ-tours.fr Les déplacements L analyse des déplacements

Plus en détail

Accès personnalisé multicritères à de multiples sources d informations.

Accès personnalisé multicritères à de multiples sources d informations. Lyon - France Accès personnalisé multicritères à de multiples sources d informations. Samir kechid Université des Sciences et de la Technologie Houari Boumediene. USTHB BP 32 El Alia Bab Ezzouar Alger

Plus en détail

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Vers 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 détail

Découverte de motifs fréquents : Application à l analyse de documents graphiques

Découverte de motifs fréquents : Application à l analyse de documents graphiques Découverte de motifs fréquents : Application à l analyse de documents graphiques Eugen Barbu Pierre Héroux Sébastien Adam Éric Trupin Laboratoire PSI Université et INSA de Rouen F-76821 Mont-Saint-Aignan,

Plus en détail

Allocation de ressources pour réseaux virtuels Projet de fin d études. Mikaël Capelle. Marie-José Huguet Slim Abdellatif Pascal Berthou

Allocation de ressources pour réseaux virtuels Projet de fin d études. Mikaël Capelle. Marie-José Huguet Slim Abdellatif Pascal Berthou Allocation de ressources pour réseaux virtuels Projet de fin d études Mikaël Capelle Marie-José Huguet Slim Abdellatif Pascal Berthou 27 Juin 2014 Plan 1 Introduction - La virtualisation de réseau 2 3

Plus en détail

Apprentissage statistique dans les graphes et les réseaux sociaux

Apprentissage 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 détail

Visualisation d information

Visualisation d information Master SIAD 1 année Visualisation d information Jean-Yves Antoine http://www.info.univ-tours.fr/~antoine/ Master SIAD 1 année Visualisation d information Chapitre 1.0 Introduction Quand voir, c est comprendre

Plus en détail

L hypertexte, le multimédia, c est quoi?

L 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 détail

Data Mining. Master 1 Informatique - Mathématiques UAG

Data 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 détail

Développements 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 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 détail

CONSTRUCTION DU RESEAU D INTERACTION ENTRE SITES WEB : TEST DE ROBUSTESSE DE LA METHODE A PARTIR DE PLUSIEURS SOURCES D INFORMATION

CONSTRUCTION DU RESEAU D INTERACTION ENTRE SITES WEB : TEST DE ROBUSTESSE DE LA METHODE A PARTIR DE PLUSIEURS SOURCES D INFORMATION CONSTRUCTION DU RESEAU D INTERACTION ENTRE SITES WEB : TEST DE ROBUSTESSE DE LA METHODE A PARTIR DE PLUSIEURS SOURCES D INFORMATION Eric Boutin(*), Guillaume Perrin(**) boutin@univ-tln.fr, guillaumeperrin@yahoo.com

Plus en détail

Département d'informatique, Université Laval, IFT-63677 SBC V&V : VÉRIFICATION ET VALIDATION DES SBC

Département d'informatique, Université Laval, IFT-63677 SBC V&V : VÉRIFICATION ET VALIDATION DES SBC Assurance qualité logicielle Logiciel conventionnel SBC Fiabilité Facilité d'entretien Facilité des modifications Principales causes d erreur Absence de spécification, manque de conformité (1) Erreurs

Plus en détail

Fouille de données orientée motifs, méthodes et usages.

Fouille de données orientée motifs, méthodes et usages. Fouille de données orientée motifs, méthodes et usages. François RIOULT GREYC - Équipe Données-Documents-Langues CNRS UMR 6072 Université de Caen Basse-Normandie France Résumé La fouille de données orientée

Plus en détail

Optimisation d une fonction de transmission d ordres

Optimisation d une fonction de transmission d ordres Optimisation d une fonction de transmission d ordres pour driver à très haute isolation galvanique. Application aux modules IGBT pour onduleurs multi-niveaux MMC (Multilevel Modular Converters). Sokchea

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence 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 détail

stages d'initiation à la recherche / internships

stages d'initiation à la recherche / internships http://www.db-net.aueb.gr/ & http://www.vazirgiannis.com/ email: mvazirg@lix.poytechnique.fr or mvazir@aueb.gr stages d'initiation à la recherche / internships Titre Thématique Compétences espérées IN1:

Plus en détail

Apports des réseaux sociaux pour la gestion de la relation client

Apports des réseaux sociaux pour la gestion de la relation client Apports des réseaux sociaux pour la gestion de la relation client Ian Basaille-Gahitte, Lylia Abrouk, Nadine Cullot, Eric Leclercq To cite this version: Ian Basaille-Gahitte, Lylia Abrouk, Nadine Cullot,

Plus en détail

Découverte de motifs sémantiques dans les réseaux sociaux à l aide de la fouille de données

Découverte de motifs sémantiques dans les réseaux sociaux à l aide de la fouille 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 2012 Découverte de motifs sémantiques

Plus en détail

CommentWatcher. 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 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 détail

Détection d utilisateurs malveillants dans les réseaux sociaux

Détection 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 détail

Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents

Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents Directeur de thèse : Bruno Zanuttini GREYC, UMR 6072 UNICAEN/CNRS/ENSICAEN, équipe MAD Démarrage

Plus en détail

OPITER : Fouille de données d opinion pour les territoires

OPITER : Fouille de données d opinion pour les territoires OPITER : Fouille de données d opinion pour les territoires Sagéo Brest, 2013 Eric Kergosien (TETIS- LIRMM) Pierre Maurel (TETIS) Mathieu Roche (TETIS LIRMM) Maguelonne Teisseire (TETIS LIRMM) 26/09/2013

Plus en détail

Introduction au Data-Mining

Introduction 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 détail

L informatique des entrepôts de données

L informatique des entrepôts de données L informatique des entrepôts de données Daniel Lemire SEMAINE 13 L exploration des données 13.1. Présentation de la semaine L exploration de données (ou data mining) est souvent associée à l intelligence

Plus en détail

BIG Data et R: opportunités et perspectives

BIG 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 détail

Implémentation Matérielle des Services d un RTOS sur Circuit Reconfigurable

Implémentation 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 détail

Systèmes de Recommandation. David Loup

Systèmes de Recommandation. David Loup Systèmes de Recommandation David Loup Systèmes de recommandation Plan Définition Motivations Domaine : Films Techniques / Approches Exemples Problèmes Evolution future 2/33 Définition Une plateforme pour

Plus en détail

Bilan de thèse à mi-parcours

Bilan de thèse à mi-parcours Bilan de thèse à mi-parcours Benjamin Lévy 26 mars 2012 Introduction La thèse de doctorat d informatique (école doctorale 130, EDITE) dont le titre officiel est le suivant : Avatars capables d écoute,

Plus en détail

DR. MATHIEU LAJANTE. Maître de Conférences en Marketing. Fonctions. Formations universitaires. Responsabilités administratives

DR. 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 détail

Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Optimisation des tournées de ramassage scolaire de la commune de Seneffe Optimisation des tournées de ramassage scolaire de la commune de Seneffe Laurie Hollaert Séminaire GRT 7 novembre Laurie Hollaert Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Plus en détail

Traitement des incompatibilités de candidats issus d alignements entre plusieurs bases de connaissances

Traitement des incompatibilités de candidats issus d alignements entre plusieurs bases de connaissances Traitement des incompatibilités de candidats issus d alignements entre plusieurs bases de connaissances Traitement des incompatibilités de candidats issus d alignements entre plusieurs bases de connaissances

Plus en détail

Utilisation 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 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 détail

Plan 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 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 détail

Spécialité IAD. Master de Sciences et technologie de l UPMC. Mention informatique. Partenaires : ENST, ENSTA. Responsables : T. Artières, C.

Spécialité 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 détail

Lamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013

Lamia 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 détail

Infrastructure 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 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 détail

Pourquoi l apprentissage?

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

Plus en détail

numéro 247 mars 2015 social et la routinisation Cécile Belmondo, François Deltour, Caroline Sargis-Roussel

numéro 247 mars 2015 social et la routinisation Cécile Belmondo, François Deltour, Caroline Sargis-Roussel numéro 247 mars 2015 SOMMAIRE 7 Ont contribué à ce numéro 11 La performance des groupes de travail. Une analyse par le capital social et la routinisation Cécile Belmondo, François Deltour, Caroline Sargis-Roussel

Plus en détail

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents Master ISI 2010-2011 Data Mining Recherche des sous-ensembles fréquents Yves Lechevallier INRIA-Rocquencourt E_mail : Yves.Lechevallier@inria.fr 1 Processus Data Mining Phase A : Entrepôt de données Entrepôt

Plus en détail

Navigation et appariement d objets géographiques dans une ontologie

Navigation et appariement d objets géographiques dans une ontologie Navigation et appariement d objets géographiques dans une ontologie Rémy Brisson, Omar Boussaïd Pierre Gançarski, Anne Puissant, Nicolas Durand ERIC EA 3083, Université Lumière Lyon 2, 5 avenue Pierre

Plus en détail

CAPE: Context-Aware Agile Business Process Engine

CAPE: Context-Aware Agile Business Process Engine CAPE: Context-Aware Agile Business Process Engine Irina Rychkova, Manuele Kirsch Pinheiro, Bénédicte Le Grand To cite this version: Irina Rychkova, Manuele Kirsch Pinheiro, Bénédicte Le Grand. CAPE: Context-Aware

Plus en détail

Objectif du groupe GT1.1 Fusion de Données

Objectif du groupe GT1.1 Fusion de Données Objectif du groupe GT1.1 Fusion de Données Le groupe travaille dans trois directions Le vocabulaire (piloté par ADVITAM et l aide de SITE) L état de l art (piloté par SYROKKO) Deux applications illustratives

Plus en détail

Solution A La Gestion Des Objets Java Pour Des Systèmes Embarqués

Solution 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 détail

Conception et mise en œuvre d une ontologie du suivi des opérations menées par les collectivités territoriales

Conception et mise en œuvre d une ontologie du suivi des opérations menées par les collectivités territoriales Conception et mise en œuvre d une ontologie du suivi des opérations menées par les collectivités territoriales Wilfried Despagne 1,2, Thomas Burger 1,3 1 Lab-STICC (UMR 3192) Université de Bretagne-Sud

Plus en détail

Enjeux mathématiques et Statistiques du Big Data

Enjeux 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 détail

UNIVERSITE D'EVRY VAL D'ESSONNE Référence GALAXIE : 4072

UNIVERSITE D'EVRY VAL D'ESSONNE Référence GALAXIE : 4072 UNIVERSITE D'EVRY VAL D'ESSONNE Référence GALAXIE : 4072 Numéro dans le SI local : Référence GESUP : Corps : Professeur des universités Article : 46-1 Chaire : Non Section 1 : 27-Informatique Section 2

Plus en détail

Clustering Visuel Semi-Supervisé pour des systèmes en coordonnées en étoiles 3D

Clustering Visuel Semi-Supervisé pour des systèmes en coordonnées en étoiles 3D Clustering Visuel Semi-Supervisé pour des systèmes en coordonnées en étoiles 3D Loïc Lecerf, Boris Chidlovskii Xerox Research Centre Europe 6, chemin de Maupertuis, 38240 Meylan, France {Prenom.Nom}@xrce.xerox.com,

Plus en détail

Qu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le

Qu 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 détail

Une méthode d apprentissage pour la composition de services web

Une 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 détail

Ne cherchez plus, soyez informés! Robert van Kommer

Ne 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 détail

Une charte éthique pour le Big Data

Une charte éthique pour le Big Data Une charte éthique pour le Big Data Primavera De Filippi To cite this version: Primavera De Filippi. Une charte éthique pour le Big Data. Documentaliste - Sciences de l Information, ADBS, 2013, pp.8-9.

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Les 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 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 détail

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr FOUILLE DE DONNEES Anne LAURENT laurent@lirmm.fr ECD Pourquoi la fouille de données? Données disponibles Limites de l approche humaine Nombreux besoins : Industriels, Médicaux, Marketing, Qu est-ce que

Plus en détail

MARF : Modular Audio Recognition Framework

MARF : Modular Audio Recognition Framework : Modular Audio Recognition Framework Département d Informatique et Génie Logiciel Faculté de Génie et Informatique Université Concordia, Montréal, Québec, Canada mokhov@cse.concordia.ca ACFAS 2010 Introduction

Plus en détail

Cours : INF 784 Systèmes à base de connaissances Trimestre : Automne 2015 Enseignant : Évariste Valéry BÉVO WANDJI

Cours : INF 784 Systèmes à base de connaissances Trimestre : Automne 2015 Enseignant : Évariste Valéry BÉVO WANDJI Faculté des sciences Centre de formation en technologies de l information Cours : INF 784 Systèmes à base de connaissances Trimestre : Automne 2015 Enseignant : Évariste Valéry BÉVO WANDJI 1. Mise en contexte

Plus en détail

July 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15

July 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 détail

Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair

Définition 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 détail

Hervé Couturier EVP, SAP Technology Development

Hervé 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 détail

L animation de la performance d une Supply Chain

L 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 détail

Laboratoire d Automatique et Productique Université de Batna, Algérie

Laboratoire 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 détail

Ingénierie et gestion des connaissances

Ingénierie 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 détail

Arbres de décision. Intelligence Artificielle et Systèmes Formels Master 1 I2L

Arbres de décision. Intelligence Artificielle et Systèmes Formels Master 1 I2L Arbres de décision Intelligence Artificielle et Systèmes Formels Master 1 I2L Sébastien Verel verel@lisic.univ-littoral.fr http://www-lisic.univ-littoral.fr/ verel Université du Littoral Côte d Opale Laboratoire

Plus en détail

Projet de thèse. Intitulé de la thèse. Spécialité du doctorat. Problématique scientifique générale

Projet 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 détail

OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE

OPEN 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 détail

REMOTE 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 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 détail

Spécificités, Applications et Outils

Spécificités, 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 détail