Traitement de la Parole
|
|
- Fabrice Duquette
- il y a 8 ans
- Total affichages :
Transcription
1 Traitement de la Parole Cours 3: Reconnaissance de la parole Principes 26/03/2007 Plan 1. Processus de reconnaissance de la parole (RAP) 2. Composantes d un système de reconnaissance 3. Extraction de caractéristiques 4. Problème de classification Loi de Bayes Exemple 5. Reconnaissance vs. Interprétation 6. Les grammaires Définitions Exemple de grammaire à états finis 7. Types d erreurs 8. Réglage du seuil de reet 9. Classification des systèmes de RAP 10. Les systèmes commerciaux Principaux fournisseurs Exemples d application 1
2 Voice input: overview Feature Vectors Speech Endpointing Feature Extraction Pattern classification } Feature Vectors Speech I wanna go to dallas Recognition I wanna go to dallas Language Interpretation eaning Destination=Dallas eaning Destination=Dallas Dialog anagement TTS: at what time would You like to fly to Dallas Processus de reconnaissance de la parole Reconnaissance de la parole texte reconnu Reconnaissance automatique de la parole: transformation d un signal de parole en une séquence de symboles représentative du contenu du signal. 2
3 Composantes d un système de reconnaissance Les systèmes de RAP procèdent en deux étapes 1. Extraction de caractéristiques (feature extraction) 2. Classification 1. odélisation acoustique 2. odélisation de la langue extraction de caractéristiques classification I wanna go to dallas Extraction de caractéristiques (1/3) Obectifs: Extraire des informations qui permettent de mieux séparer les sons Efficacité en terme de rapidité de calcul et de réduction de la quantité d information à traiter Les algorithmes les plus utilisés sont l extraction de mel frequency cepstral coeficients (mfcc) ou les linear predictive cepstral coeficients (lpcc) Schéma bloc d une extraction de coefficients mfcc 3
4 Extraction de caractéristiques (2/3) Framing Le signal est découpé en tranches d analyse Typiquement, la longueur d une tranche est de 30 ms et le décalage entre deux tranches de 10 ms 30 ms d analyse est en fait un compromis: de trop longues tranches d analyse vont tomber sur des parties non-stationaires du signal, de trop courtes tranches ne permettent pas l analyse spectrale Windowing Les tranches d analyse sont «fenêtrées» càd pondérées par des coefficients pour réduire les effets de bord dans les étapes ultérieures d analyse fréquentielle La fenêtre utilisée classiquement est la fenêtre de Hamming Extraction de caractéristiques (3/3) FFT (fast fourier transform) Passage dans le domaine spectral avec une transformée de Fourier rapide EL frequency transformation ultiplication par des fonctions triangulaires de EL otivation: l oreille humaine traite les informations de façon non-linéaire en fonction de la fréquence On récupère le log de l énergie à la sortie de chaque banc de filtre DCT (discrete cosine transform) Cette transformation est appliquée aux sorties des filtres EL Décorrélation naturelle des coefficients Sorte de «déconvolution homomorphique» 4
5 Problème de classification (1/4) Le signal de parole est l observation. On le note X. X peut être en fait considéré comme le résultat de l extraction de caractéristiques du signal de parole, càd une séquence de vecteurs acoustiques (cf. ci-avant). est le modèle associé au mot ou à la séquence de mots reconnue. { 0, 1,, I } est l ensemble des modèles associés aux mots constituant le vocabulaire du système But: choisir le modèle optimal pour minimiser le nombre d erreurs de classifications. La théorie de Bayes nous dit opt = arg max X ) Problème de classification (2/4) Loi de Bayes A, B) = A B) B) = B A) A) d'où B A) A) A B) = B) Pour notre problème: X ) ) X ) = X ) 5
6 Problème de classification (3/4) Vraisemblance (likelihood) = probabilité d une séquence de vecteurs acoustiques étant donné le modèle X ) ) X ) = X ) Probabilité à postériori = probabilité d un modèle étant donné l observation Probabilité àpriori= probabilité du modèle sans faire d observations Problème de classification (4/4) opt = arg max X ) X ) ) = arg max X ) Choisir le modèle optimal revient à choisir le modèle qui maximise le numérateur odèle acoustique: va être calculé par des modèles de arkov cachés (cf. cours suivants) odèle de langue: va représenter les probabilités que certains mots se suivent 6
7 Reconnaissance vs Interprétation La RAP est parfois suivie par une étape d interprétation (language understanding). L interprétation est souvent utilisée par le système pour exécuter une action (par ex système à dialogue) Dans le cas où l interprétation est nécessaire, les performances sont mesurées par deux taux: Le taux d erreur : performance de la phase de reconnaissance de parole Le taux de fausse interprétation: performance de la phase d interprétation Ces valeurs peuvent être différentes Speech recognition texte reconnu Language understanding interprétation hum oui c est correct absolument pas oui non Les grammaires - définitions Grammaire: ensemble des phrases/mots que l utilisateur peut énoncer pour interagir avec le système. Systèmes à simple commande: La grammaire est une liste de mots Systèmes à dialogues: La grammaire est un ensemble fini de phrases et de mots (grammaire à états finis) La grammaire est définie dans un langage de spécification de grammaire; ex GRXL, Nuance GSL La grammaire change potentiellement à chaque étape du dialogue Des portions de la grammaire peuvent être générées dynamiquement en fonction du contenu d une base de données Systèmes à dictée vocale ou audio mining: La grammaire est stochastique, elle est définie en terme de probabilités qu un mot (bigram) ou qu un ensemble de mots (n-gram) précèdent un autre mot. 7
8 Exemple de grammaire à états finis (1/2) Les possibilités de chemins dans la grammaire sont définis par des commandes de base. OU ET OPTION REPETITION [... ] (... )? EXEPLE: grammaire oui/non [ yes no ] [ (yes?please) (no?(thank you) ] Exemple de grammaire à états finis (2/2).YES_NO (?[um uh] [([ (yes?(it?[sure certainly] is)) (it?[sure certainly] is) yup yeah okay sure (you got it) (?(?yes that's) [right correct]) ]?[please thanks (thank you)]) {return(yes)} ([ nope (absolutely not) (no?[[(it isn't) (it's not) (it is not)] way]) [(it isn't) (it's not) (it is not)] (?(?no that's) [wrong (not [correct right]) incorrect ] ) ]?[thanks (thank you)]) {return(no)} ] ) 414 possibilités de dire oui ou non 8
9 Types d erreur (1/4) Grammar H1 H2... Hn X ASR Acoustic models Recognition hypothesis Hi RAP sélectionne l hypothèse qui minimise les erreurs de reconnaissance H opt = arg max H X ) Types d erreur (2/4) Si on fait l hypothèse que l utilisateur dit quelque chose qui est dans la grammaire (in-grammar), il y a trois types d erreur: Suppression Insertion Substitution Ces erreurs sont pondérées et sommées pour calculer un taux d erreur représentatif des performances du système 9
10 Types d erreur (3/4) [ (yes?please) (no?(thank you) ] Abracadabra. X ASR Acoustic models Yes H opt = arg max H X ) Si l utilisateur dit quelque chose hors de la grammaire, le système doit être capable de reeter l hypothèse Accepte H opt si f ( H X )) > T Reette H opt si f ( H X )) < T T est appelé le seuil de reet, f est une fonction de normalisation Types d erreur (4/4) [ (yes?please) (no?(thank you) ] Types d erreur Phrase dite Phrase reconnue Décision Fausse Acceptation d une phrase hors-grammaire «Abracadabra» yes S > T Faux Reet d une phrase in-grammar «Yes please» REJECT S < T Fausse reco (Substitution) d une phrase in-grammar «Yes please» no thank you S > T 10
11 Réglage du seuil de reet (1/4) Le seuil de reet défini la «confiance» du système. T est élevé Le système va massivement reeter les hypothèses Le système a peut de confiance dans les hypothèses de reconnaissance T est bas Le système va accepter la plupart des hypothèses (même abracadabra ) Le système a confiance dans le les hypothèses de reconnaissance Il y a un compromis à définir relativement à la confiance du système. Il y a une valeur de T optimale (cf. slide suivant). Réglage du seuil de reet (2/4) La valeur optimale de T est obtenue en minimisant une fonction de coût: C( T ) = C FR R IG, T ) IG) + C FS S IG, T ) IG) + C FA A IG, T ) IG) où CFR = cost of false reection, CFS = cost of false substitution, CFA = cost of false acceptation R = reection, S = substitution, A = acceptation IG = in - grammar (ig) phrase, IG) = prob that user says ig phrase IG = out - of - grammar (oog) phrase, IG) = prob that user says oog phrase R IG, T ) = probability of reection of an in - grammar phrase at a given value of T... 11
12 Réglage du seuil de reet - exemple (3/4) R IG, T ), S IG, T ), A IG, T ) sont mesurés après analysedes logs pour une grammairedonnée IG), IG) sont mesurés après analysedes logs C, C FA FS, C FR sont donnés par le chef de proet Directory dialer entries % 90.00% 80.00% 70.00% Probability 60.00% 50.00% 40.00% S IG,T) R IG,T) A Not(IG),T) 30.00% 20.00% 10.00% 0.00% Threshold (T) Réglage du seuil de reet - exemple (4/4) Cost evolution for two different weightings Cost Equal weight Threshold 12
13 Classification des systèmes (1/2) Les systèmes de RAP sont souvent classés suivant certains aspects du signal de parole Nombre de locuteurs: Dépendant du locuteur: un seul utilisateur du système Système multilocuteur: un nombre limité d utilisateurs Indépendant du locuteur: nombre illimité d utilisateurs Rythme de parole: Variabilité Performances ots isolés Parole continue Parole spontanée Conversation Performances Keyword spotting Taille et complexité du vocabulaire Qualité de la transmission/acquisition du signal Classification des systèmes (2/2) Signal Quality Contrôle d application - (in)dépendant du locuteur - Fonctionne sur PDA - Par ex navigation web,... - Quelques centaines de mots Dictée vocale - Dépendant du locuteur - Fonctionne sur laptops - Word processing,... - Jusque 50K mots CPU ots clés / password - Dépendant du locuteur - Fonctionne sur tél mobiles - Voice dialing,... - Quelques dizaines de mots Services télécoms - Indépendant du locuteur - Fonctionne sur serveurs - Applications à dialogue - Jusque mots 13
14 Systèmes commerciaux principaux fournisseurs Dictée vocale / audio mining «Dragon naturally speaking» chez Scansoft Reconnaissance en milieu téléphonique Nuance Communications Loquendo Contrôle d application Acapela group Intégrateurs d applications Voxpilot ExcelsisNetwork UbiCall Dommunications Systèmes commerciaux exemples d applications Services d information automatique par téléphone Touring club Suisse: 163 UBS yvoice: Europlex Cinéma: RSR La Première: Dictée vocale: ilieu médical ilieu légal Audio mining Aide aux handicapés Système d apprentissage des langues 14
Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
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 détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailAbdenour Hacine-Gharbi. Sélection de paramètres acoustiques pertinents pour la reconnaissance de la parole
ÉCOLE DOCTORALE SCIENCES ET TECHNOLOGIES (ORLEANS) FACULTÉ de TECHNOLOGIE (Sétif) Laboratoire PRISME THÈSE EN COTUTELLE INTERNATIONALE présentée par : Abdenour Hacine-Gharbi soutenue le : 09 décembre 2012
Plus en détailÉtude de la performance des modèles acoustiques pour des voix de personnes âgées en vue de l adaptation des systèmes de RAP
Étude de la performance des modèles acoustiques pour des voix de personnes âgées en vue de l adaptation des systèmes de RAP Frédéric Aman, Michel Vacher, Solange Rossato, Remus Dugheanu, François Portet,
Plus en détailReconnaissance du locuteur
Reconnaissance du locuteur Claude Barras! Master, Université Paris-Sud Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 2/46 Introduction Plan Introduction
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailApplication Form/ Formulaire de demande
Application Form/ Formulaire de demande Ecosystem Approaches to Health: Summer Workshop and Field school Approches écosystémiques de la santé: Atelier intensif et stage d été Please submit your application
Plus en détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de Formation en Informatique (I.N.I) Oued Smar Alger Direction de la Post Graduation et de la Recherche Thème : Inférence
Plus en détailRevision time. 1. I m cooking. 4. You re babysitting. 2. She s swimming. 5. They re working. 3. We re practising.
1Lesson Souligne les noms au singulier en bleu, et les noms au pluriel en vert. Surligne be : en bleu au singulier et en vert au pluriel. Est-ce que tu l as correctement accordé avec le nom? Revision time
Plus en détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailPlan 1/9/2013. Génération et exploitation de données. CEP et applications. Flux de données et notifications. Traitement des flux Implémentation
Complex Event Processing Traitement de flux de données en temps réel Romain Colle R&D Project Manager Quartet FS Plan Génération et exploitation de données CEP et applications Flux de données et notifications
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailHELLO KIDS. Learn English with Charlie, Lily, Max & Fiona GUIDE PÉDAGOGIQUE
HELLO KIDS Learn English with Charlie, Lily, Max & Fiona GUIDE PÉDAGOGIQUE Stacey Wilson-McMahon Enseignante à l'école Américaine de Paris Brigitte Cojean-Pointeau Maître formateur et conseillère pédagogique
Plus en détailProjet de Master en Informatique: Web WriteIt!
Projet de Master en Informatique: Web WriteIt! Web WriteIt! Baris Ulucinar Supervisé par le Prof. Rolf Ingold, Dr. Jean Hennebert, Andreas Humm et Robert Van Kommer Avril 2007 Table des matières 2 1. Introduction
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 détailCRÉER, ROUTER ET GÉRER UNE NEWSLETTER, UN E-MAILING
CRÉER, ROUTER ET GÉRER UNE NEWSLETTER, UN E-MAILING Durée : 3J / 21H Formateur : Consultant expert en PAO et Web-marketing. Groupe de : 4 max Formation au web marketing Objectifs : Mettre en oeuvre des
Plus en détailUtilisateur et administrateur
Guide Utilisateur et administrateur Système SimplicITEL 1 Page Système téléphonique SimplicITEL Guide utilisateur et administrateur Contenu Écouter les messages de la boite vocale personnelle... 3 Configurer
Plus en détailUn code-barre sur la tête?
Un code-barre sur la tête? Les nouvelles tendances des technologies d'identification, de la biométrie à l'internet des objets. Présentation au Groupement Industriel Fribourgeois, Décembre 08 Photo Steven
Plus en détailInteractions sonores et vocales dans l habitat
Interactions sonores et vocales dans l habitat Pierrick Milhorat 1, Dan Istrate 3, Jérôme Boudy 2, Gérard Chollet 1 (1) Télécom ParisTech, 37-39 rue Dareau, 75014, Paris, France (2) Télécom SudParis, 9
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
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 détailOUTIL DE TRAVAIL COLLABORATIF
B i b l i o t h è q u e OUTIL DE TRAVAIL COLLABORATIF Septembre 2012 TitanPad est un outil de travail collaboratif permettant de prendre des notes ou de rédiger à plusieurs un même texte à distance en
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailcalls.paris-neuroscience.fr Tutoriel pour Candidatures en ligne *** Online Applications Tutorial
calls.paris-neuroscience.fr Tutoriel pour Candidatures en ligne Online Applications Tutorial 1/4 Pour postuler aux Appels d Offres de l ENP, vous devez aller sur la plateforme : calls.parisneuroscience.fr.
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 détailCours d introduction à l informatique. Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions
Cours d introduction à l informatique Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions Qu est-ce qu un Une recette de cuisine algorithme? Protocole expérimental
Plus en détailEtude et conception d un serveur vocal :
République Algérienne Démocratique et Populaire Ministère de l enseignement supérieur et de la recherche Scientifique Université Hadj Lakhdar Batna Faculté de Technologie Département de Génie Industriel
Plus en détailEn tant que producteur de technologies applicatives, nous vous proposons un large panel de solutions vocales :
www.voxweb.es 1 VoxWeb VoxWeb, spécialiste du monde de la voix, intervient sur ce marché comme éditeur de solutions vocales et comme consultant expert, dans le domaine de la synthèse et de la reconnaissance
Plus en détailPratiques induites par les réunions à distance : discours, identités et organisation des actions
Pratiques induites par les réunions à distance : discours, identités et organisation des actions Clair-Antoine VEYRIER ATER Paris 3 Sorbonne Nouvelle Laboratoire Praxiling UMR 5267 (Université Montpellier
Plus en détailPortail Vocal d Entreprise
Portail Vocal d Entreprise Responsable et intégration IBM Communication Langagière et Interaction Personne-Système CNRS - INPG - UJF BP 53-38041 Grenoble Cedex 9 - France Conception, maquette Évaluation
Plus en détailDans une agence de location immobilière...
> Dans une agence de location immobilière... In a property rental agency... dans, pour et depuis vocabulaire: «une location» et «une situation» Si vous voulez séjourner à Lyon, vous pouvez louer un appartement.
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 détailACADÉMIE DE NANTES UNIVERSITÉ DU MAINE THÈSE. présentée à l Université du Maine pour obtenir le diplôme de DOCTORAT
ACADÉMIE DE NANTES UNIVERSITÉ DU MAINE THÈSE présentée à l Université du Maine pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École Doctorale 503 «Sciences et Technologies de l Information
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailFICHE PRODUIT 360 SPEECHMAGIC SDK
Development FICHE PRODUIT 360 SPEECHMAGIC SDK PRINCIPAUX AVANTAGES Réduction du temps de traitement des comptes rendus Réduction des frais de transcription Amélioration des soins au patient grâce à un
Plus en détailGUIDE RAPIDE FONCTION MAINS LIBRES AVEC RECONNAISSANCE VOCALE
FONCTION MAINS LIBRES AVEC RECONNAISSANCE VOCALE La caractéristique principale de Blue&Me Nav est son système évolué de reconnaissance vocale même si votre portable en est dépourvu. Ce système vous permet
Plus en détailTownship of Russell: Recreation Master Plan Canton de Russell: Plan directeur de loisirs
Township of Russell: Recreation Master Plan Canton de Russell: Plan directeur de loisirs Project Introduction and Stakeholder Consultation Introduction du projet et consultations publiques Agenda/Aperçu
Plus en détailParamétrisation adaptée de transitoires pour la reconnaissance d instruments de musique
Paramétrisation adaptée de transitoires pour la reconnaissance d instruments de musique Pierre LEVEAU Mémoire de stage de DEA ATIAM année 2003-2004 Mars - Juillet 2004 Université Pierre et Marie Curie
Plus en détailLe Product Backlog, qu est ce c est?
Le Product Backlog, qu est ce c est? Ludovic Larché Agile Tour 2012 à Rennes le 4 octobre 2012 Sommaire > Rappels théoriques : qu est ce qu un Product Backlog? > Le Product Backlog n est pas seul! > Techniques
Plus en détailDéploiement OOo en environnement Windows Terminal Server
Déploiement OOo en environnement Windows Terminal Server Version 1.00 du 10.12.2004 Réalisé avec : OOo 1.1.3 Plate-forme / Os : Microsoft Windows Distribué par le projet fr.openoffice.org Sommaire 1 Introduction...3
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailRicco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html. R.R. Université Lyon 2
Ricco Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours/cours_programmation_r.html 1 Plan de présentation 1. L écosystème Hadoop 2. Principe de programmation MapReduce 3. Programmation des fonctions
Plus en détailALFA INSTALLATION LECTEUR MESSAGES SMS SERVICE
ALFA INSTALLATION LECTEUR MESSAGES SMS SERVICE PROCÉDURE D INSTALLATION 1. Accéder au portail de Blue&Me du site officiel ALFA ROMEO et télécharger le fichier.zip contenant le logiciel Lecteur SMS à installer
Plus en détailLes technologies d aide
Les technologies d aide Gisèle Desjardins Service d accès et de soutien à l apprentissage Université de Moncton 21/04/2015 TABLE DES MATIÈRES Les technologies d aide... 2 A. Technologie d aide reliée à
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailModule Title: French 4
CORK INSTITUTE OF TECHNOLOGY INSTITIÚID TEICNEOLAÍOCHTA CHORCAÍ Semester 2 Examinations 2010 Module Title: French 4 Module Code: LANG 6020 School: Business Programme Title: Bachelor of Business Stage 2
Plus en détailFace Recognition Performance: Man vs. Machine
1 Face Recognition Performance: Man vs. Machine Andy Adler Systems and Computer Engineering Carleton University, Ottawa, Canada Are these the same person? 2 3 Same person? Yes I have just demonstrated
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailLA RECONNAISSANCE VOCALE INTEGREE
Fiche produit LA RECONNAISSANCE VOCALE INTEGREE 360 SpeechMagic SDK Capturer l information médicale grâce à la reconnaissance vocale DÉFI : Comment optimiser la création des comptes rendus et la capture
Plus en détailTP 1. Prise en main du langage Python
TP. Prise en main du langage Python Cette année nous travaillerons avec le langage Python version 3. ; nous utiliserons l environnement de développement IDLE. Étape 0. Dans votre espace personnel, créer
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 détailInternet & la recherche marketing : état des lieux. Présenté par Raymond Cyr Fondateur VOXCO
Internet & la recherche marketing : état des lieux Présenté par Raymond Cyr Fondateur VOXCO 10 ANS DÉJÀ! INDUSTRY STUDY ON 2004 ESOMAR WORLD RESEARCH REPORT, p 24 Central location interviewing is another
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailInstitut français des sciences et technologies des transports, de l aménagement
Institut français des sciences et technologies des transports, de l aménagement et des réseaux Session 3 Big Data and IT in Transport: Applications, Implications, Limitations Jacques Ehrlich/IFSTTAR h/ifsttar
Plus en détailAnticiper et prédire les sinistres avec une approche Big Data
Anticiper et prédire les sinistres avec une approche Big Data Julien Cabot Directeur Big Data Analytics OCTO jcabot@octo.com @julien_cabot OCTO 2013 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél
Plus en détailLes technologies du Big Data
Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR
Plus en détailPrésentation du module Base de données spatio-temporelles
Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes
Plus en détailParce que, dans sa construction, le sujet est directement rattaché au verbe sans recours à un auxiliaire quelconque.
LE PRESENT SIMPLE 1. Valeur Pourquoi appeler ce temps présent simple? Parce que, dans sa construction, le sujet est directement rattaché au verbe sans recours à un auxiliaire quelconque. I speak English.
Plus en détailGuide Installation Serveur Extensive Testing
Sommaire Installation simple sur un système vierge... 2 Installation personnalisée sur un système vierge... 3 Restauration du produit avec une version antérieure... 5 Mise à jour du produit... 6 Déployer
Plus en détailCMS Modules Dynamiques - Manuel Utilisateur
CMS Modules Dynamiques - Manuel Utilisateur 1. Introduction Le modèle CMS Le modèle des «Content Management Systems» proposé par MUM est un type particulier de sites web dynamiques, ayant comme avantage
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 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 détaillundi 3 août 2009 Choose your language What is Document Connection for Mac? Communautés Numériques L informatique à la portée du Grand Public
Communautés Numériques L informatique à la portée du Grand Public Initiation et perfectionnement à l utilisation de la micro-informatique Microsoft Document Connection pour Mac. Microsoft Document Connection
Plus en détailAteliers professionnels
Ateliers professionnels Telephoning in English téléphoner en anglais Presentations in English faire un exposé en anglais Negotiations in English négocier en anglais Meetings in English participer à des
Plus en détailLes BRMS Business Rules Management System. Groupe GENITECH
Les BRMS Business Rules Management System 1 Présentations Emmanuel Bonnet ebonnet (at) genigraph.fr Responsable Dpt Conseil Consultant, Expert BRMS Formateur IBM/Ilog JRules / JBoss Rules Génigraph SSII
Plus en détailFiche Produit Announce
Fiche Produit Announce Message d attente Filtrage d appels Serveur Vocal Interactif Statistiques d appels applications for Cisco Unified Communications Directory Solutions IPS Global Directory Web Directory
Plus en détailCloud Computing: de la technologie à l usage final. Patrick CRASSON Oracle Thomas RULMONT WDC/CloudSphere Thibault van der Auwermeulen Expopolis
Cloud Computing: de la technologie à l usage final Patrick CRASSON Oracle Thomas RULMONT WDC/CloudSphere Thibault van der Auwermeulen Expopolis ADOPTION DU CLOUD COMPUTING Craintes, moteurs, attentes et
Plus en détailLogitech Tablet Keyboard for Windows 8, Windows RT and Android 3.0+ Setup Guide Guide d installation
Logitech Tablet Keyboard for Windows 8, Windows RT and Android 3.0+ Setup Guide Guide d installation English.......................................... 3 Français.........................................
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 détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailLe numéro 1 des standards téléphoniques à commande vocale
Le numéro 1 des standards téléphoniques à commande vocale Depuis 1996, SpeechAttendant s est acquis la réputation de standard téléphonique à commande vocale le plus perfectionné de l industrie. Relevant
Plus en détailTable des matières. 1. Installation de VMware ESXI 4... 3. 1.1. Pré-requis... 3. 1.2. Installation... 3
Table des matières 1. Installation de VMware ESXI 4.... 3 1.1. Pré-requis... 3 1.2. Installation... 3 1.2.1. Panneau de configuration du serveur ESXI... 4 1.2.2. Configuration du mot de passe «Root»....
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 détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailOrdonnance du DFJP sur les instruments de mesure audiométriques
Ordonnance du DFJP sur les instruments de mesure audiométriques (Ordonnance sur l audiométrie) 941.216 du 9 mars 2010 (Etat le 1 er janvier 2015) Le Département fédéral de justice et police (DFJP), vu
Plus en détailInstaller Joomla. 2013 Pearson France Joomla! Le guide officiel Jennifer Marriott, Elin Waring
3 Installer Joomla Dans ce chapitre, nous procéderons au téléchargement et à l installation manuelle de Joomla, et nous expliquerons la configuration de base. Les captures d écran et les instructions font
Plus en détailNouveautés printemps 2013
» English Se désinscrire de la liste Nouveautés printemps 2013 19 mars 2013 Dans ce Flash Info, vous trouverez une description des nouveautés et mises à jour des produits La Capitale pour le printemps
Plus en détailIPSAS 32 «Service concession arrangements» (SCA) Marie-Pierre Cordier Baudouin Griton, IPSAS Board
IPSAS 32 «Service concession arrangements» (SCA) Marie-Pierre Cordier Baudouin Griton, IPSAS Board 1 L élaboration de la norme IPSAS 32 Objectif : traitement comptable des «service concession arrangements»
Plus en détailLe Langage SQL version Oracle
Université de Manouba École Supérieure d Économie Numérique Département des Technologies des Systèmes d Information Le Langage SQL version Oracle Document version 1.1 Mohamed Anis BACH TOBJI anis.bach@isg.rnu.tn
Plus en détailLe Marketing Mobile, des marques
Le Marketing Mobile, le nouvel Eldorado communicationnel des marques RAPPEL Engage your customers NO YES > L émergence des smartphones et des tablettes a bouleversé la vie quotidienne des Français : 47%
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 détailGuide Installation Serveur Extensive Testing
Sommaire Installation sur un système vierge... 1 Mise à jour du produit... 4 Déployer un nouveau client Windows... 5 Déployer un nouveau client Linux... 5 Auteur : Denis Machard Date : 22/03/2015 Version
Plus en détailModule de paiement Ogone pour Magento Commerce
Module de paiement Ogone pour Magento Commerce ALTIC, une alternative à votre système d'information et de communication http://www.altic.org Charly Clairmont charly.claimont@altic.org Agenda Altic, une
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailListe de prix Swisscom pour Microsoft Office 365 Swisscom (Suisse) SA
Liste de prix Swisscom pour Microsoft Office 365 Swisscom (Suisse) SA Valable dès le 1 er mars 2014 2 Abonnement Office 365 Small Business Premium Pour les indépendants et les petites entreprises Abonnement
Plus en détailTechnologies mobiles pour la reconnaissance vocale des langues africaines
Technologies mobiles pour la reconnaissance vocale des langues africaines Rapport de projet professionnel UE de Génie logiciel Nom : GAUTHIER Prénom : Elodie UFR SHS - IMSS Master 2 Professionnel Spécialité
Plus en détailDeadline(s): Assignment: in week 8 of block C Exam: in week 7 (oral exam) and in the exam week (written exam) of block D
ICM STUDENT MANUAL French 2 JIC-FRE2.2V-12 Module Change Management and Media Research Study Year 2 1. Course overview Books: Français.com, niveau intermédiaire, livre d élève+ dvd- rom, 2ième édition,
Plus en détailShareLatex, éditeur Latex collaboratif auto-hebergé : retour d expérience au LE2I
ShareLatex, éditeur Latex collaboratif auto-hebergé : retour d expérience au LE2I Arnaud DA COSTA (IE CNRS), Benoit DARTIES (MCF 27) LE2I, UMR CNRS/uB 6306 26 juin 2014 A. DA COSTA, B. DARTIES 1 Retour
Plus en détailtitre : CENTOS_CUPS_install&config Système : CentOs 5.7 Technologie : Cups 1.3.7 Auteur : Charles-Alban BENEZECH
2012 Les tutos à toto CUPS server - install and configure Réalisée sur CentOS 5.7 Ecrit par Charles-Alban BENEZECH 2012 titre : CENTOS_CUPS_install&config Système : CentOs 5.7 Technologie : Cups 1.3.7
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailNOM : Prénom : Date de naissance : Ecole : CM2 Palier 2
NOM : Prénom : Date de naissance : Ecole : CM2 Palier 2 Résultats aux évaluations nationales CM2 Annexe 1 Résultats de l élève Compétence validée Lire / Ecrire / Vocabulaire / Grammaire / Orthographe /
Plus en détailPUPPET. Romain Bélorgey IR3 Ingénieurs 2000
PUPPET Romain Bélorgey IR3 Ingénieurs 2000 SOMMAIRE Qu est-ce que Puppet? Utilisation de Puppet Ses composants Son utilisation Le langage Puppet Démonstration QU EST-CE QUE PUPPET? Administration centralisée
Plus en détailTâche finale : communiquer avec un locuteur natif par webconference lors d activités menées en classe par petits groupes. Niveau : Cycle 3 CM1 /CM2
Domaine : LV et TUIC Tâche finale : communiquer avec un locuteur natif par webconference lors d activités menées en classe par petits groupes. Niveau : Cycle 3 CM1 /CM2 Descriptif du projet : alors qu
Plus en détailLe passé composé. C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past!
> Le passé composé le passé composé C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past! «Je suis vieux maintenant, et ma femme est vieille aussi. Nous n'avons pas eu d'enfants.
Plus en détail