DAC Données, Apprentissage et Connaissances

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "DAC Données, Apprentissage et Connaissances"

Transcription

1 DAC Données, Apprentissage et Connaissances Responsables : Spécialité adossée au département DAPA du LIP6 Thierry Artières Bernd Amann Partenaires : ENST, ENSTA, IIE Site web :

2 Contexte industriel et économique Les données = l or noir du XXIème siècle Nouveaux besoins : Business Intelligence Open Data Médias Sociaux Nombreux acteurs industriels Google, Yahoo!, Facebook, Microsoft, Oracle, Exalead, Data Publica, Orange,... Nouveaux métiers : Data Scientist Architecte et Développeur Cloud Ingénieur de Connaissances Spécialité DAC - Données Apprentissage Connaissances

3 Contexte industriel et économique Source :

4 Contexte académique Adossement au département DAPA du LIP6 www-dapa.lip6.fr 4 équipes de recherche (30 permanents / 60 thésards) ACASA : Cognitive Agents and Automated Symbolic Learning BD : Bases de Données LFI : Learning, Fuzzy and Intelligent systems MLIA : Machine Learning and Information Access thèses / an ~ 8 millions d euros de subventions sur projets dans les 5 dernières années

5 Apprentissage numérique Réseaux de neurones & co Objet d études = Données Textes, Images, Sons, vidéos Séquences, Arbres, Graphes Neural Networks Tâches Classification Régression Prédiction

6 Fuzzy and Intelligent systems Conception de systèmes intelligents Fusion de données hétérogènes Traitement des connaissances graduelles ou imparfaites Logique floue

7 Intelligence Artificielle symbolique Traitement symbolique de données Programmation logique inductive et abductive Fusion symbolique d information Apprentissage formel de concepts Approches sémantiques Indexation sémantique de textes Ontologies Logiques de description (apprentissage, ) Non-typicalité

8 Bases de Données Stockage, Indexation, Interrogation, Qualité de «Données» Large échelle & optimisation Distribution & Parallélisation Applications Archivage du web Open Data, Web Sémantique Filtrage d'information Workflows et provenance

9 Multimédia, son, image, vidéo Détection de visages Annotation d images Reconnaissance de parole

10 Fouille de données Moteurs de recherche Extraction d information Résumés automatiques Recherche d information Twitter sentiment Memetracker

11 Prédiction de liens Recommandation d images Modélisation de la propagation Recommandation Médias sociaux

12 Affective computing Reconnaissance, expression, synthèse d émotions Applications E-santé E-learning Personnalisation de jeux vidéos

13 Profils de compétence Apprentissage Bases de Données Intelligence Artificielle Reconnaissance des formes (M1) Bases de Données Réparties (M1) Intelligence Artificielle (M1) Apprentissage Statistique Business Intelligence Langage Naturel Fouille de Données et Médias Sociaux Web Sémantique Apprentissage Symbolique Recherche d Information et Moteurs de Recherche Bases de Données Large échelle Raisonnement à base de connaissances imprécises Spécialité DAC - Données Apprentissage Connaissances

14 Débouchés et emplois Profiles d'emplois Domaines Ingénieur / Recherche et développement / Recherche Data science, BI, CRM, Recherche d information web et social, Applications Web, Web advertising, Administrateur BD, Architecte de Systèmes d Information, Big Data et cloud Entreprises Grands groupes et sociétés de services Traitement de l information, moteurs de recherche et data mining Finance Alcatel Lucent, Thales, Bouygues, EADS, Orange Labs, Sopra Yahoo!, Google, Exalead, Antidot, KXEN, Criteo, Xilopix CapDigital, BBSP Public Université CNRS Enseignant-chercheur chercheur

15 Formation : tronc commun (partiellement en M1) Traitement et analyse de contenus, de données et de connaissances Apprentissage à partir de données Bases de données et données réparties Fouille de données Intelligence artificielle et computationnelle Technologies Web : JSON, AJAX, XML,... Programmation cloud : Hadoop, MapReduce, nosql,... Spécialité DAC - Données Apprentissage Connaissances

16 Max 1 Ue 4 Ues au moins parmi M2 S3 AS APAS+ADMN Apprentissage Statistique Patrick Gallinari ASWS AS+BDIA Apprentissage Symbolique et Web Sémantique FDMS AFD+ Fouille de Données et Médias Sociaux MRBCI TIAPIAD +MORA RI BDLE ARI+MR +IMW 2 parmi BDRA, ABDR, BDMD Modélisation et raisonnement à base de connaissances imprécises Recherche d'information et Moteurs de Recherche Bases de Données Large- Echelle Jean-Gabriel Ganascia, Bernd Amann Sylvain Lamprier, Vincent Guige Christophe Marsala Patrick Gallinari, Sabrina Tollari Bernd Amann, Camelia Constantin IAR ANIMAT IA pour la Robotique ANDROIDE (Doncieux) RDFIA Reconnaissance des formes pour l'analyse et l'interprétation d'images IMA (Cord, Manzanera)

17 UEs recommandées en M1S2 MQIA Méthodes Quantitatives en IA Thierry Artières MIA Méthodes Symboliques en IA Jean-Gabriel Ganascia BDR Bases de Données Réparties (spécialité SAR) B. Amann

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

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

Ingénierie de Systèmes Intelligents

Ingénierie de Systèmes Intelligents Ingénierie de Systèmes Intelligents p. 1/ Ingénierie de Systèmes Intelligents Application : Web Intelligent Maria Malek EISTI Ingénierie de Systèmes Intelligents p. 2/ Objectif Traitement Intelligent des

Plus en détail

Module MLBDA Master Informatique Spécialité DAC. Cours 10 NoSQL

Module MLBDA Master Informatique Spécialité DAC. Cours 10 NoSQL Module MLBDA Master Informatique Spécialité DAC Cours 10 NoSQL Systèmes NoSQL (not only SQL) Systèmes qui abandonnent certaines propriétés des SGBDR (one size does not fit all): Le langage d interrogation

Plus en détail

Filière ISI Ingénierie des Systèmes d Information

Filière ISI Ingénierie des Systèmes d Information Filière ISI Ingénierie des Systèmes d Information Claudia Roncancio Gwen Salaün Laboratoire d Informatique de Grenoble Prenom.Nom@imag.fr 1 Filière ISI Ingénierie des Systèmes d Information Exemples de

Plus en détail

Ecole Nationale des Sciences de l Informatique Université de la Manouba Janvier 2012 Programmes d enseignement

Ecole Nationale des Sciences de l Informatique Université de la Manouba Janvier 2012 Programmes d enseignement Ecole Nationale des Sciences de l Informatique Université de la Manouba Janvier 2012 Programmes d enseignement II1 - Premier semestre de la première année (S1) Module Crédits Nombre d heures Cours intégrés

Plus en détail

MASTER INFORMATIQUE - SPÉCIALITÉ : INTELLIGENCE ARTIFICIELLE

MASTER INFORMATIQUE - SPÉCIALITÉ : INTELLIGENCE ARTIFICIELLE MASTER INFORMATIQUE - SPÉCIALITÉ : INTELLIGENCE ARTIFICIELLE RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine : Sciences, Technologies, Santé Nature de la formation : Mention Niveau d'étude

Plus en détail

CHAPITRE II: INTELLIGENCE ARTIFICIELLE

CHAPITRE II: INTELLIGENCE ARTIFICIELLE 1 CHAPITRE II: INTELLIGENCE ARTIFICIELLE Dekhicilatifa@gmail.com Plan 2 IA et ses applications Réalité virtuelle IA 3 plan 4 1. Def. 2. Applications. 3. IA faible et forte 4. Fiction 5. Méthodes et approches

Plus en détail

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html Option Deux thèmes : La recherche opérationnelle : Traiter des problèmes d optimisation, d aide à la décision et d évaluation de performances

Plus en détail

Informatique, spécialité AIGLE

Informatique, spécialité AIGLE Université de MONTPELLIER 2 1/3 Informatique, spécialité AIGLE L1 S1 Algebre et Analyse 1 10 L1 S1 Calculus 5 L1 S1 Du binaire au web 5 L1 S1 Introduction à l'algorithmique 5 L1 S1 Physique générale 5

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

Ingénierie Informatique parcours CAMSI : conception d'architectture de machines et de systèmes informatiques

Ingénierie Informatique parcours CAMSI : conception d'architectture de machines et de systèmes informatiques Université de TOULOUSE 1/ parcours CAMSI : conception d'architectture de machines et de systèmes informatiques L1 S1 Informatique 1 7 L1 S1 Mathématiques 1 6 L1 S1 Outils mathématiques L1 S1 Physique 1

Plus en détail

MIDO. www.mido.dauphine.fr MATHEMATIQUES ET INFORMATIQUE DE LA DECISION ET DES ORGANISATIONS UNIVERSITY

MIDO. www.mido.dauphine.fr MATHEMATIQUES ET INFORMATIQUE DE LA DECISION ET DES ORGANISATIONS UNIVERSITY R E S E A R C H UNIVERSITY MIDO MATHEMATIQUES ET INFORMATIQUE DE LA DECISION ET DES ORGANISATIONS Conception - Direction de la communication Paris-Dauphine 2014 Photothèque Université Dauphine, Bertrand

Plus en détail

INDEXATION DE DOCUMENTS AUDIOVISUELS. Yannick Prié LIRIS UMR 5205 CNRS - Université Claude Bernard Lyon 1 Journées VISA 18 décembre 2008

INDEXATION DE DOCUMENTS AUDIOVISUELS. Yannick Prié LIRIS UMR 5205 CNRS - Université Claude Bernard Lyon 1 Journées VISA 18 décembre 2008 INDEXATION DE DOCUMENTS AUDIOVISUELS Yannick Prié LIRIS UMR 5205 CNRS - Université Claude Bernard Lyon 1 Journées VISA 18 décembre 2008 Présentation MCF informatique Université Claude Bernard Lyon 1 Equipe

Plus en détail

Ingénierie de Systèmes Intelligents

Ingénierie de Systèmes Intelligents Ingénierie de Systèmes Intelligents p. 1/? Ingénierie de Systèmes Intelligents Maria Malek maria.malek@eisti.fr Ecole Internationale des Sciences de Traitement de l Information (EISTI) http://www.eisti.fr/

Plus en détail

Introduction à l Intelligence Artificielle

Introduction à l Intelligence Artificielle Introduction à l Intelligence Artificielle p. 1/41 Introduction à l Intelligence Artificielle Cyril Terrioux Laboratoire des Sciences de l Information et des Systèmes LSIS - UMR CNRS 6168 Introduction

Plus en détail

Technologies Web. Ludovic Denoyer Sylvain Lamprier Mohamed Amine Baazizi Gabriella Contardo Narcisse Nya. Université Pierre et Marie Curie

Technologies Web. Ludovic Denoyer Sylvain Lamprier Mohamed Amine Baazizi Gabriella Contardo Narcisse Nya. Université Pierre et Marie Curie 1 / 22 Technologies Web Ludovic Denoyer Sylvain Lamprier Mohamed Amine Baazizi Gabriella Contardo Narcisse Nya Université Pierre et Marie Curie Rappel 2 / 22 Problématique Quelles technologies utiliser

Plus en détail

Intelligence Artificielle. Dorra BEN AYED

Intelligence Artificielle. Dorra BEN AYED Intelligence Artificielle Dorra BEN AYED Chapitre 1 Introduction et Présentation Générale Sommaire Introduction Historique Définitions de l IAl Domaines d applicationd Les approches de l IA cognitive,

Plus en détail

Fouille de données : quelques applications en SHS

Fouille de données : quelques applications en SHS Fouille de données : quelques applications en SHS Séminaire «!document numérique!», INTD-CNAM 23 novembre 2010 (Paris) Julien VELCIN, laboratoire ERIC Informatique et humanités numériques!! Université

Plus en détail

Master Informatique Aix-Marseille Université

Master Informatique Aix-Marseille Université Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes

Plus en détail

Les nouveaux débouchés dans l électronique du hardware au software, de l embarqué à l objet connecté

Les nouveaux débouchés dans l électronique du hardware au software, de l embarqué à l objet connecté Les nouveaux débouchés dans l électronique du hardware au software, de l embarqué à l objet connecté Organisation de la session Etat de lieux des systèmes embarqués et de l IoT Laurent George, Professeur

Plus en détail

Equipe Business Intelligence!

Equipe Business Intelligence! Equipe Business Intelligence! Laboratoire MAS ü MAS : un laboratoire de recherche où les mathématiques et l informatique sont appliquées aux systèmes http://www.mas.ecp.fr ü Analyse, modélisation, simulation

Plus en détail

FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis

FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités

Plus en détail

MASTER INFORMATIQUE Parcours INFORMATIQUE DECISIONNELLE

MASTER INFORMATIQUE Parcours INFORMATIQUE DECISIONNELLE MASTER INFORMATIQUE Parcours INFORMATIQUE DECISIONNELLE Responsable du parcours: Prof Hoai An LE THI Département d Informatique, UFR MIM Tel. 03 87 31 54 41, email lethi@univ-metz.fr Informatique décisionnelle

Plus en détail

Masses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA

Masses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide

Plus en détail

MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB

MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : INFORMATIQUE Spécialité

Plus en détail

Fouillez facilement dans votre système Big Data. Olivier TAVARD

Fouillez facilement dans votre système Big Data. Olivier TAVARD Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche

Plus en détail

Une introduction à l intelligence artificielle

Une introduction à l intelligence artificielle Une introduction à l intelligence artificielle Jean-Paul Haton Institut Universitaire de France LORIA/INRIA- Université de Lorraine Séminaire Espé DANE 13 janvier 2016 1 Plan de l exposé 2 the conjecture

Plus en détail

OLAP. Data Mining Decision

OLAP. Data Mining Decision Machine Learning Information Systems Data Warehouses Web & Cloud Intelligence OLAP Knowledge Management Data Mining Decision ENTREPÔTS, REPRÉSENTATION & INGÉNIERIE des CONNAISSANCES Une recherche pluridisciplinaire...

Plus en détail

Master Informatique Recherche Université Paris Sud. Ordre du jour

Master Informatique Recherche Université Paris Sud. Ordre du jour Master Informatique Recherche Université Paris Sud Daniel Etiemble Année 2008-2009 1 Ordre du jour 9H-9H45 : présentation générale du Master 9H45 10H 15 : Présentation de l école doctorale Informatique

Plus en détail

Apprentissage Statistique et Données Massives

Apprentissage Statistique et Données Massives Apprentissage Statistique et Données Massives Philippe Besse Université de Toulouse INSA Dpt GMM Institut de Mathématiques ESP UMR CNRS 5219 Introduction Technologies des donne es massives Motivations,

Plus en détail

Journée Données et Apprentissage Artificiel LIP6 CNRS, 26 mars Bernadette Bouchon-Meunier

Journée Données et Apprentissage Artificiel LIP6 CNRS, 26 mars Bernadette Bouchon-Meunier Journée Données et Apprentissage Artificiel LIP6 CNRS, 26 mars 2009 Bernadette Bouchon-Meunier Département DAPA Données et Apprentissage Artificiel Créé en 2007 Composé de trois équipes MALIRE (MAchine

Plus en détail

2- Descriptif détaillé du parcours Sciences et Techniques de l'informatique de. Semestre 1. Volume des heures de formation présentielles (14 semaines)

2- Descriptif détaillé du parcours Sciences et Techniques de l'informatique de. Semestre 1. Volume des heures de formation présentielles (14 semaines) 2- Descriptif détaillé du parcours Domaine : Sciences et Technologies Mention Informatique de Gestion Semestre 1 () Fondamentale Intelligence artificielle approfondie Informatique pervasive et nuagique

Plus en détail

Les apports de. l'informatique. La filiation. Le statut de technologie ou de sous-discipline. Le statut de science à part entière est lorsqu il y a :

Les apports de. l'informatique. La filiation. Le statut de technologie ou de sous-discipline. Le statut de science à part entière est lorsqu il y a : Les apports de Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il y a : Rétro-action

Plus en détail

Les sections 6 et 7. du ComitéNational de la RechercheScientifique

Les sections 6 et 7. du ComitéNational de la RechercheScientifique Les sections 6 et 7 du ComitéNational de la RechercheScientifique (CoNRS) Frédérique Bassino et Michèle Basseville Plan Le comité national Les missions des sections Les sections 6 et 7 Le comiténational

Plus en détail

BIG DATA et DONNéES SEO

BIG DATA et DONNéES SEO BIG DATA et DONNéES SEO Vincent Heuschling vhe@affini-tech.com @vhe74 2012 Affini-Tech - Diffusion restreinte 1 Agenda Affini-Tech SEO? Application Généralisation 2013 Affini-Tech - Diffusion restreinte

Plus en détail

Le BigData, aussi par et pour les PMEs

Le BigData, aussi par et pour les PMEs Parole d expert Le BigData, aussi par et pour les PMEs Stéphane MOUTON, CETIC Département Software and Services Technologies Avec le soutien de : LIEGE CREATIVE Le Big Data, aussi par et pour les PMEs

Plus en détail

Introduction au TALN et à l ingénierie linguistique. Isabelle Tellier ILPGA

Introduction au TALN et à l ingénierie linguistique. Isabelle Tellier ILPGA Introduction au TALN et à l ingénierie linguistique Isabelle Tellier ILPGA Plan de l exposé 1. Quelques notions de sciences du langage 2. Applications et enjeux du TAL/ingénierie linguistique 3. Les deux

Plus en détail

Université Libre de Tunis

Université Libre de Tunis Ingénieur: Génie Informatique Code et Intitulé des Matières Enseignées Plan d'etudes : Semestre 1 S1-01 Algorithmique et Structures de Données 1 S1-02 Programmation C S1-03 Logiques Mathématiques S1-04

Plus en détail

I01 UE01 : Algébre I // I02 UE01 : Analyse I // I03 UE01 : Logique sociétési. I62 3 UE03 : Techniques d'indexation Français // I66 2 UE05 : Culture de

I01 UE01 : Algébre I // I02 UE01 : Analyse I // I03 UE01 : Logique sociétési. I62 3 UE03 : Techniques d'indexation Français // I66 2 UE05 : Culture de lundi 16 novembre 2015 mardi 17 novembre 2015 P-LFIM T-LFIM D-LATIM D-LATMW D-LFIM P-LATIM P-LATMW 08H30 10H30 12H30 08H30 10H30 I10 UE05 : Anglais I // Droit des I01 UE01 : Algébre I // I02 UE01 : Analyse

Plus en détail

Profil appel à candidatures : Contacts et adresses correspondance : Spécifications générales de cet appel à candidatures :

Profil appel à candidatures : Contacts et adresses correspondance : Spécifications générales de cet appel à candidatures : Appel à candidatures : Année de campagne : 2014 N appel à candidatures : ATER0318 Publication : 12/02/2014 Etablissement : Lieu d'exercice des fonctions : Section1 : 27 - Informatique Quotité du support

Plus en détail

GIS. Génie Informatique et Statistique (GIS)

GIS. Génie Informatique et Statistique (GIS) Génie Informatique et Statistique () Analyse, conception Modélisation Ingénieurs spécialistes du traitement de l'information...... Ingénieur Informaticien Chef de projet Cloud Entrepôt de données Ingénieur

Plus en détail

Ingénieur en informatique

Ingénieur en informatique Présentation Ingénieur en informatique Cette formation s étale sur cinq années; elle vise à fournir au marché de l'emploi des ingénieurs en informatique. La formation, à la fois solide et généraliste,

Plus en détail

Séminaire: Méthodes et outils d'analyse de données textuelles, un nouveau souffle?

Séminaire: Méthodes et outils d'analyse de données textuelles, un nouveau souffle? Séminaire: Méthodes et outils d'analyse de données textuelles, un nouveau souffle? Daniel K. Schneider TECFA FPSE - Université de Genève daniel.schneider@unige.ch Unité de technologie de l'éducation Université

Plus en détail

Application Web Cloud computing

Application Web Cloud computing Application Web Cloud computing Hubert Segond Orange Labs ENSI 2015-16 Plan du cours Introduction Caractéristiques essentielles Modèles de service SaaS PaaS IaaS Le Cloud et l entreprise Le Cloud en résumé

Plus en détail

For Fun and Profit Datasio 2012

For Fun and Profit Datasio 2012 For Fun and Profit Datasio 2012 130 Nouveaux acteurs Big Data depuis 2009 1 2 3 Agenda Hadoop, poids lourd du Big Data Stats Web avec Hive chez Scoop.it Profession: Data Scientist Agenda 1 Hadoop, poids

Plus en détail

1 CM. Calendrier des examens - janvier 2016. Université de la Manouba Institut Supérieur des Arts Multimédias PREMIER SEMESTRE DE L A.

1 CM. Calendrier des examens - janvier 2016. Université de la Manouba Institut Supérieur des Arts Multimédias PREMIER SEMESTRE DE L A. 1 CM Lundi 04-01-2016 De 09h à 10h15 Techniques d'expressions vectorielles (DS) Pratique Lundi 04-01-2016 De 12h30 à 13h45 C2i 1 (DS) Pratique Mardi 05-01-2016 De 12h30 à 13h45 Traitement d'images numériques

Plus en détail

Recherche d informations et veille marketing. Beth Krasna 17.10.2003. What you mean is what you get.

Recherche d informations et veille marketing. Beth Krasna 17.10.2003. What you mean is what you get. Recherche d informations et veille marketing Beth Krasna 17.10.2003. Le Cycle de Connaissance KM Adapter Organiser Utiliser Collaboration Publier Analyser Collecter MI Données Information Connaissance

Plus en détail

INGÉNIEUR INFORMATIQUE. Présentation. Objectifs. Page 1 / 10 31/01/2016

INGÉNIEUR INFORMATIQUE. Présentation. Objectifs. Page 1 / 10 31/01/2016 INGÉNIEUR INFORMATIQUE RÉSUMÉ DE LA FORMATION Type de diplôme : Formation d'ingénieur classique Domaine : Sciences, Technologies, Santé Nature de la formation : Diplôme Niveau d'étude visé : BAC +5 Composante

Plus en détail

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Ce cours est très proche du cours diffusé

Plus en détail

Du Web 2.0 au Web x.0 Utilisation et évolution des services web pour l'entreprise

Du Web 2.0 au Web x.0 Utilisation et évolution des services web pour l'entreprise Introduction : des numéros de version pour le Web A. Introduction 9 B. Le principe de version en informatique 9 C. Plusieurs axes pour comprendre le Web 2.0 11 1. L évolution du métier informatique induite

Plus en détail

Panorama des contenus

Panorama des contenus journée professionnelle organisée par ABPN Association des Bibliothécaires de la Province Nord Panorama des contenus documentaires numériques Isabelle Gasser IRD Nouméa - Documentation Plan Contexte t

Plus en détail

Les entrepôts de données pour les nuls... ou pas!

Les entrepôts de données pour les nuls... ou pas! Atelier aideà la Décision à tous les Etages AIDE@EGC2013 Toulouse Mardi 29 janvier 2013 Cécile Favre Fadila Bentayeb Omar Boussaid Jérôme Darmont Gérald Gavin Nouria Harbi Nadia Kabachi Sabine Loudcher

Plus en détail

Gestion de gros volumes de données RDF

Gestion de gros volumes de données RDF LIPADE Université Paris Descartes June 23, 2014 Sommaire 1 2 3 4 Contexte 1 Augmentation considérable des données du Web, RDF 2 Données provenant de multiple sources autonomes, donc 3 Hétérogènes : sémantique

Plus en détail

Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.

Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc. Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants

Plus en détail

Exposé: Web sémantique. Web 2.0: impact Sur les IHM, Plasticité. Présenté par: BEN AMOR Akram

Exposé: Web sémantique. Web 2.0: impact Sur les IHM, Plasticité. Présenté par: BEN AMOR Akram Exposé: Web sémantique. Web 2.0: impact Sur les IHM, Plasticité Présenté par: BEN AMOR Akram Plan Web Sémantique Définition et objectif Historique Principe général Quels sont les finalités et les objectifs

Plus en détail

Les humanités numériques à l ère du big data

Les humanités numériques à l ère du big data Les humanités numériques à l ère du big data D. A. ZIGHED djamel@zighed.com Journées Big data & visualisation Focus sur les humanités numériques ISH Lyon 18-19 juin 2015 Co-organisées par EGC AFIHM - SFdS

Plus en détail

L Intelligence Artificielle

L Intelligence Artificielle Conférence L Intelligence Artificielle Taalabi M. 30/04/2004 Intelligence Artificielle 1 Historique Définition Paradigmes Systèmes experts Concevoir un système expert Système à Inférence floue Applications

Plus en détail

PERCOL Reconnaissance de personnes dans des contenus audiovisuels 2. QCOMPERE Consortium Quaero pour la Reconnaissane Multimodale des Personnes

PERCOL Reconnaissance de personnes dans des contenus audiovisuels 2. QCOMPERE Consortium Quaero pour la Reconnaissane Multimodale des Personnes Présentation des projets financés au titre de l édition 2010 du Programme «Contenus et interactions» Défi Multimédia : REconnaissance de PERsonnes dans des Émissions audiovisuelles (REPERE) ACRONYME et

Plus en détail

Mastère spécialisé Data science. La Data science vous offre des débouchés innovants et porteurs dans le domaine stratégique des Big DataS

Mastère spécialisé Data science. La Data science vous offre des débouchés innovants et porteurs dans le domaine stratégique des Big DataS Mastère spécialisé Data science La Data science vous offre des débouchés innovants et porteurs dans le domaine stratégique des Big DataS Le volume des informations et des données disponibles explose. Il

Plus en détail

UFR d Informatique. FORMATION MASTER Domaine SCIENCES, TECHNOLOGIE, SANTE Mention INFORMATIQUE 2014-2018

UFR d Informatique. FORMATION MASTER Domaine SCIENCES, TECHNOLOGIE, SANTE Mention INFORMATIQUE 2014-2018 UFR d Informatique FORMATION MASTER Domaine SCIENCES, TECHNOLOGIE, SANTE Mention INFORMATIQUE 2014-2018 Objectif L UFR d informatique propose au niveau du master, deux spécialités sous la mention informatique

Plus en détail

Programme de formation Master (M2) IAD Intelligence Artificielle et Décision

Programme de formation Master (M2) IAD Intelligence Artificielle et Décision Université Pierre et Marie Curie (Paris VI) Programme de formation Master (M2) IAD Intelligence Artificielle et Décision Objectifs de la thématique "Fouille de Données" L'explosion de l'information est

Plus en détail

Recommandation prédictive

Recommandation prédictive Recommandation prédictive La promesse originelle du web : la relation one to one Le futur du web : la recommandation prédictive La data : Le pétrole brut des éditeurs et des marques Mais Au mieux

Plus en détail

Les enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013

Les enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013 Les enjeux du Big Data Innovation et opportunités de l'internet industriel François Royer froyer@datasio.com Accompagnement des entreprises dans leurs stratégies quantitatives Valorisation de patrimoine

Plus en détail

Cours No 10 - Conclusion et perspectives

Cours No 10 - Conclusion et perspectives B. Amann - Cours No 10 - Conclusion et perspectives 1 Slide 1 Cours No 10 - Conclusion et perspectives Gestion de contenus Web La gestion de contenus Web est possible grâce à des technologies complémentaires

Plus en détail

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Objectifs Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Structure générale des études à l UTC Règlement

Plus en détail

Raison d être : transformer l «infobésité» en connaissance accessible

Raison d être : transformer l «infobésité» en connaissance accessible ViaSema : qui sommes-nous? Raison d être : transformer l «infobésité» en connaissance accessible Start-up créée en 2010 Jeune Entreprise Innovante Cap Digital 3 brevets 3 publications 1 Web sémantique

Plus en détail

Data Mining. Exposés logiciels, systèmes et réseaux. Damien Jubeau IR3 Lundi 19 novembre 2012

Data Mining. Exposés logiciels, systèmes et réseaux. Damien Jubeau IR3 Lundi 19 novembre 2012 Data Mining Exposés logiciels, systèmes et réseaux. Damien Jubeau IR3 Lundi 19 novembre 2012 2 Plan Data mining : définition, utilisations et concepts Wolfram Alpha : extraction de données d'un compte

Plus en détail

L'innovation collaborative en TI : au coeur de la mission du CRIM

L'innovation collaborative en TI : au coeur de la mission du CRIM L'innovation collaborative en TI : au coeur de la mission du CRIM Françoys Labonté, ing., Directeur, développement des affaires R-D et commercialisation 1 Aperçu de la présentation Profil sommaire de l

Plus en détail

4. Gestion des données urbaines dans les nuages informatiques

4. Gestion des données urbaines dans les nuages informatiques 4. Gestion des données urbaines dans les nuages informatiques Brève histoire des nuages informatiques Modèles de service et de déploiement Technologie clé : la virtualisation IaaS : les points de vue utilisateur

Plus en détail

Docteur en linguistique informatique et Directeur Général de Pertinence Mining

Docteur en linguistique informatique et Directeur Général de Pertinence Mining NOS PARTENAIRES Network Telecom Security Solutions En partenariat technique avec Conseil, formation et accompagnement Création, Gestion et Stratégie Management et sécurité de l'information stratégique

Plus en détail

Formation Cloudera Data Analyst Utiliser Pig, Hive et Impala avec Hadoop

Formation Cloudera Data Analyst Utiliser Pig, Hive et Impala avec Hadoop Passez au niveau supérieur en termes de connaissance grâce à la formation Data Analyst de Cloudera. Public Durée Objectifs Analystes de données, business analysts, développeurs et administrateurs qui ont

Plus en détail

TITRE : Intelligence et veille géopolitique pour l industrie

TITRE : Intelligence et veille géopolitique pour l industrie TITRE : Intelligence et veille géopolitique pour l industrie KEYWORDS : SYSTEMX, étude de marché, géopolitique, intelligence économique, recherche d information, visualisation de données, traitement automatique

Plus en détail

Groupe de Discussion Big Data Aperçu des technologies et applications. Stéphane MOUTON stephane.mouton@cetic.be

Groupe de Discussion Big Data Aperçu des technologies et applications. Stéphane MOUTON stephane.mouton@cetic.be Groupe de Discussion Big Data Aperçu des technologies et applications Stéphane MOUTON stephane.mouton@cetic.be Recherche appliquée et transfert technologique q Agréé «Centre Collectif de Recherche» par

Plus en détail

Gestion de Contenus Web (WCM)

Gestion de Contenus Web (WCM) Web Content Management 1 Gestion de Contenus Web (WCM) Bernd Amann Modelware : vers la modélisation et la sémantisation de l information École CEA-EDF-INRIA 16-27 juin 2003 Cours No 1 - Gestion de Contenus

Plus en détail

Domaine de Formation : Sciences et Technologies Mention : Informatique Spécialité : Informatique de Gestion

Domaine de Formation : Sciences et Technologies Mention : Informatique Spécialité : Informatique de Gestion LICENCE FONDAMENTALE INFORMATIQUE DE GESTION Domaine de Formation : Sciences et Technologies Mention : Informatique Spécialité : Informatique de Gestion I. Présentation de la licence Le but de la Licence

Plus en détail

Une approche sémantique de la gestion d Objets de Savoir

Une approche sémantique de la gestion d Objets de Savoir Une approche sémantique de la gestion d Objets de Savoir ilearning Forum 2007 Thème : e-qualité / qualité des ressources pédagogiques Auteurs : Pierre Prevel, Formation Groupe Crédit Agricole SA Aurélie

Plus en détail

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Motivations de la filière fouille de données

Plus en détail

Programme détaillé 2014-2015. Filière d Ingénieur INFORMATIQUE

Programme détaillé 2014-2015. Filière d Ingénieur INFORMATIQUE Libellé long UE Crédits ECTS Semestre 5 INFO51 13 Initiation à l'informatique Introduction à la Programmation Logiciel de Base Mathématiques Algèbre Logique INFO52 12 Analyse Applications de l'algèbre

Plus en détail

UNIVERSITE DE RENNES 1 Année universitaire 2013-2014 Master SISEA : programme détaillé du parcours Image

UNIVERSITE DE RENNES 1 Année universitaire 2013-2014 Master SISEA : programme détaillé du parcours Image UNIVERSITE DE RENNES 1 Année universitaire 2013-2014 Master SISEA : programme détaillé du parcours Image Responsable de la mention ou du parcours : Mireille Garreau, Co-responsable TB : Valérie Burdin

Plus en détail

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

Plus en détail

Accès au Contenu Informationnel pour les Masses de Données de Documents

Accès au Contenu Informationnel pour les Masses de Données de Documents Accès au Contenu Informationnel pour les Masses de Données de Documents Grappa LILLE 3 - UR Futurs INRIA MOSTRARE Laboratoire d Informatique de Paris 6 Laboratoire de Recherche en Informatique Orsay -

Plus en détail

Le Projet RÉNO AQT à la COP21 De la transition numérique à la transition écologique

Le Projet RÉNO AQT à la COP21 De la transition numérique à la transition écologique Le Projet RÉNO AQT à la COP21 De la transition numérique à la transition écologique Participation d Excelerate Systems à la «Conférence Solutions COP21» Communiqué de Presse Contexte Excelerate Systems

Plus en détail

Technologies de la Recherche et standards du Web: Quel impact sur l Innovation?

Technologies de la Recherche et standards du Web: Quel impact sur l Innovation? Technologies de la Recherche et standards du Web: Quel impact sur l Innovation? GFII - 6 Décembre 2013 Bernard Odier INRIA W3C Bureau France INRIA: à la pointe de l innovation numérique Création d INRIA

Plus en détail

20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT

20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -Big Data par l'exemple -Julien DULOUT 20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà

Plus en détail

Stages 2015-2016 ISOFT : 25 ANS DE RECHERCHE EN INFORMATIQUE DECISIONNELLE ET. Contact : Mme Lapedra, stage@isoft.fr ANALYSE DE DONNEES

Stages 2015-2016 ISOFT : 25 ANS DE RECHERCHE EN INFORMATIQUE DECISIONNELLE ET. Contact : Mme Lapedra, stage@isoft.fr ANALYSE DE DONNEES Stages 2015-2016 Contact : Mme Lapedra, stage@isoft.fr ISOFT : 25 ANS DE RECHERCHE EN INFORMATIQUE DECISIONNELLE ET ANALYSE DE DONNEES ISoft est un concepteur-éditeur de logiciels spécialisé dans la recherche

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Consultant scientifique-ingénieur de données Juin 2015 à Septembre 2015 Syntell

Consultant scientifique-ingénieur de données Juin 2015 à Septembre 2015 Syntell Mégadonnées «Big Data» PROFIL Personne très autonome et qui possède un sens de l initiative développé, notamment en ce qui concerne la prise de décision, monsieur Brechmann est un spécialiste des mégadonnées.

Plus en détail

Parcours Aigle, LMD4 Architecture et Ingénierie du logiciel et du web

Parcours Aigle, LMD4 Architecture et Ingénierie du logiciel et du web Parcours Aigle, LMD4 Architecture et Ingénierie du logiciel et du web Clémentine Nebut, Pierre Pompidor 9 avril 2015 Cette formation vise à former des cadres en informatique dans le domaine du développement

Plus en détail

Le Web social. Internet = Web + courriel + messagerie instantanée. Dans les années 2000 le Web devient participatif et social

Le Web social. Internet = Web + courriel + messagerie instantanée. Dans les années 2000 le Web devient participatif et social Le Web social Quelques repères Le Web n est qu une application d Internet : Internet = Web + courriel + messagerie instantanée 60's Internet 1972 Courriel 1989 Tim Berners-Lee invente l hypertexte (pages

Plus en détail

Introduction data science

Introduction data science Introduction data science Data science Master 2 ISIDIS Sébastien Verel verel@lisic.univ-littoral.fr http://www-lisic.univ-littoral.fr/~verel Université du Littoral Côte d Opale Laboratoire LISIC Equipe

Plus en détail

Introduction à l intelligence artificielle

Introduction à l intelligence artificielle Introduction à l intelligence artificielle Jean-Daniel Zucker@lip6.fr http://www-poleia.lip6.fr/~zucker Laboratoire LIP6 Thème APA - Equipe ACASA Cours I Page 1 Introduction à l intelligence artificielle

Plus en détail

l Intelligence Artificielle

l Intelligence Artificielle 1 Introduction à l Intelligence Artificielle Antoine Cornuéjols antoine@lri.fr http://www.iie.cnam.fr/~cornuejols/ I.I.E. & L.R.I., Université d Orsay Intelligence Artificielle : plan 2 1-2- 3-4- 5-6-

Plus en détail

MODALITE DE CONTROLE DES CONNAISSANCES MASTER 2 INFORMATIQUE : SPECIALITE IFI

MODALITE DE CONTROLE DES CONNAISSANCES MASTER 2 INFORMATIQUE : SPECIALITE IFI MODALITE DE CONTROLE DES CONNAISSANCES MASTER INFORMATIQUE : SPECIALITE IFI La deuxième année de la spécialité IFI est constituée de plusieurs parcours identifiés, chacun sous la responsabilité d un enseignant-chercheur

Plus en détail

MapReduce. Nicolas Dugué nicolas.dugue@univ-orleans.fr. M2 MIAGE Systèmes d information répartis

MapReduce. Nicolas Dugué nicolas.dugue@univ-orleans.fr. M2 MIAGE Systèmes d information répartis MapReduce Nicolas Dugué nicolas.dugue@univ-orleans.fr M2 MIAGE Systèmes d information répartis Plan 1 Introduction Big Data 2 MapReduce et ses implémentations 3 MapReduce pour fouiller des tweets 4 MapReduce

Plus en détail

Demande de Réhabilitation d'un Mastère LMD Pour les années universitaires de 2015-2016 à 2019-2020

Demande de Réhabilitation d'un Mastère LMD Pour les années universitaires de 2015-2016 à 2019-2020 Demande de Réhabilitation d'un Mastère LMD Pour les années universitaires de 0-0 à 09-00 Université : La Manouba Mastère Professionnel Gestion de et des Etablissement : Institut supérieur de documents

Plus en détail

Comment exploiter les commentaires d internautes pour la recommandation automatique

Comment exploiter les commentaires d internautes pour la recommandation automatique Comment exploiter les commentaires d internautes pour la recommandation automatique Damien Poirier Paris, le 11 juin 2012 1/32 Contexte et problématique 2/32 Contexte et problématique 3/32 Contexte Mise

Plus en détail

OFFREZ PLUSIEURS VIES À VOS CONTENUS

OFFREZ PLUSIEURS VIES À VOS CONTENUS OFFREZ PLUSIEURS VIES À VOS CONTENUS Une offre de services unique BPO EXTERNALISATION DE PROCESSUS MÉTIERS SERVICES ÉDITORIAUX CONSEIL DéMATéRIALISATION INDEXATION REPORTING BACK OFFICE AUTOMATISATION

Plus en détail

Contributions à l étude des mesures sémantiques

Contributions à l étude des mesures sémantiques Contributions à l étude des mesures sémantiques École des mines d Alès Sébastien Harispe Plan Contributions à l étude des mesures sémantiques Estimation d IC par les fonctions de croyance Plan Contributions

Plus en détail

Programmation parallèle et distribuée (Master 1 Info 2015-2016)

Programmation parallèle et distribuée (Master 1 Info 2015-2016) Programmation parallèle et distribuée (Master 1 Info 2015-2016) Hadoop MapReduce et HDFS Note bibliographique : ce cours est largement inspiré par le cours de Benjamin Renaut (Tokidev SAS) Introduction

Plus en détail