Formation Actuaire Data Scientist. Programme au 24 octobre 2014
|
|
- Edgar Marin
- il y a 2 ans
- Total affichages :
Transcription
1 Formation Actuaire Data Scientist Programme au 24 octobre 2014
2 A. Eléments logiciels et programmation Python 24h Objectif : Introduction au langage Python et sensibilisation aux grandeurs informatiques pertinentes et à la manipulation de différents formats de données - Initiation à la programmation Python Programmation objet, classes, héritage Bibliothèque des méthodes statistiques usuelles - Eléments logiciels pour grandes bases de données Hardware, performance machine et gestion de mémoire - Efficacité d'un algorithme Complexité, accès mémoire, ordres de grandeur - Ecosystème des données massives Principaux acteurs, révolution numérique, volumétrie - Gestion des bases de données SQL Modèle relationnel, stockage, indexation, transaction - SQL vs NoSQL - Cas concret de récolte de données web Crawling web, tweets Intervenants : Xavier Dupré Ingénieur recherche et développement sénior, manager pour le moteur Bing, Microsoft Phd en informatique sur la reconnaissance de formes et diplômé de l ENSAE Enseignant en informatique : C++, Python à l ENSAE Programmation avec le langage Python, Edition Ellipses Vincent Bernardi Cofondateur de Kameleoon Phd Informatique Diplômé ENS Lyon
3 B. Datamining et programmation R 18h Objectif : Présenter les outils classiques d'exploration de données, sous un angle essentiellement descriptif. Ces cours permettront une remise à niveau en R, en rappelant, durant les premières heures, les bases de la programmation en R. - Manipuler des données sous R: données continues, facteurs (recodification), dates, heures - Bases de la programmation avancée en R - analyse en composantes principales - analyse factorielle Intervenants : Arthur Charpentier PhD de statistique, membre agrégé de l'institut des Actuaires, ENSAE- ParisTech Professeur à l'uqam et Maitre de Conférences à l'université de Rennes 1 Computational Actuarial Science with R, CRC Press Actuariat avec R, CRAN, avec Christophe Dutang Mathématiques de l'assurance Non- Vie, tomes 1 et 2, Economica, avec Michel Denuit Stéphane Tufféry PhD de statistique, Responsable du service statistique du groupe Crédit Mutuel- CIC, enseignant à l Université Rennes 1, l Ensai et IMA à Angers Étude de cas en statistique décisionnelle, Éditions Technip, Data Mining et Statistique Décisionnelle, 4e édition, Editions Technip, 2012 Data Mining and Statistics for Decision Making, John Wiley & Sons,
4 C. Algorithmique en machine learning et participation Kaggle 24h Objectif : Approche par mise en situation via la participation à un concours Kaggle. Présentation des différentes phases : exploration, sélection/transformation des données, algorithmes d apprentissage, visualisation - Etude de cas - Exploration/ Sélection / Transformation / Nettoyage des données - Principaux algorithmes de Machine Learning (contexte de Classification) o k- NN o Régression Logistique o SVM o Forêts aléatoires o Réseaux de Neurones o Boosting o Bagging - Procédures de validation / sélection de modèle - Visualisation - Retour d expérience et analyse des résultats Intervenants : Xavier Conort ENSAE, membre de l institut des actuaires Datascientist pour Datarobot Jérémie Jakubowicz MdC Chaire CNRS à Télécom SudParis, PhD Maths appliquées ENS Cachan Responsable du cours «Outils pour l analyse des données massives» à l ENSAE. public.it- sudparis.eu/~jakubowi/
5 D. Fondements théoriques de l apprentissage statistique 24h Objectif : Ce module vise a présenter les fondements mathématiques des algorithmes de Machine Learning qui auront précédemment été utilisés en pratique. Les limites théoriques des modèles seront présentées et les problématiques de sur- apprentissage étudiées en détail. Une bonne compréhension des résultats fondamentaux assurant l efficacité des algorithmes est nécessaire, dès lors que l on cherche à les utiliser ou les généraliser en dehors du cadre de validation théorique de leur utilisation. - Théorie de la décision Perte, risque, risque empirique - Modèle statistique pour la classification binaire Approches génératives vs. discriminantes - Machine Learning Méthodes paramétriques, perceptron, partitionnement Critères de performances Régression et classification : régression linéaire et logistique. Convexification du risque, boosting et SVM. Noyaux. Problème de l overfitting : régularisation L2, L1, opérateurs proximaux. Sparsité et relaxation convexe. - Cross- validation, erreur de généralisation - Entrainement de modèles sur données massives : algorithmes de gradient stochastique Intervenants : Romuald Elie Professeur à l Université de Marne la Vallée & professeur associé à l ENSAE PhD de mathématiques, membre associé de l'institut des Actuaires, Diplomé de Columbia University, ENSAE- ParisTech Responsable du cours Méthodes statistiques pour données massives et applications à l Ecole Nationale des Ponts et Chaussés https://www.ceremade.dauphine.fr/~elie/elie.html Stéphane Gaïffas Professeur chargé de cours à l Ecole Polytechnique PhD de Statistiques, Université Paris 7 Responsable des cours Machine learning, High dimension and Big Data à l Université Paris 6 et Apprentissage statistique à l Ecole Polytechnique
6 E. Machine Learning distribué et applications 12h Objectif : Pour passer à l échelle, les algorithmes de Machine Learning vus dans les cours précédents doivent être repensés. Un cadre efficace est celui des algorithmes distribués où on utilise plusieurs entités de calculs pour mener à bien l objectif initial. L objectif de ce cours sera de présenter différents exemples d algorithmes de Machine Learning distribués. Algorithmes distribués : généralités Le cas de Map- Reduce Applications en Machine Learning Intervenant : Jérémie Jakubowicz MdC Chaire CNRS à Télécom SudParis, PhD Maths appliquées ENS Cachan Responsable du cours «Outils pour l analyse des données massives» à l ENSAE. public.it- sudparis.eu/~jakubowi/
7 F. Extraction, utilisation et visualisation des données 12h Objectif : Sensibilisation aux questions éthiques, aux contraintes juridiques européennes et au rôle de la CNIL. Présentation des principales méthodes de visualisation des données complexes. - Environnement légal et rôle de la CNIL - Anonymisation des données - Protection des données personnelles, enjeux économiques - Visualisation des données Réseaux théorie des graphs Gephi Représentation de données complexes Intervenants : Martin Grandjean Fondateur du projet Pegasus Data Porte- Parole d Humanistica Doctorant FNS en Histoire Contemporaine à l UNIL Fabrice Rossi Professeur Université Paris 1 PhD de statistiques, Diplômé de l ENS Expériences de conseil en datamining et machine learning Enseignement en apprentissage Statistique et Analyse de données à Paris 1 et Paris 6
8 G. Etudes de cas 40h Liste des sujets abordés et interlocuteurs pressentis. - Anonymisation et métadonnées Yves- Alexandre de Montjoye MIT Media Lab - Visualisation de données Martin Grandjean Fondation du projet Pegasus Data Porte- Parole d Humanistica - Cartographie et GPS Vincent Gauthier MdC Télécom SudParis - Traitement des images Nicolas Limare Cofondateur de IPOL à l ENS Cachan - Cybersécurité Denis Attal Responsable cybersécurité chez Thales - Linguistique et traitement de textes Christine Balagué Titulaire de la Chaire Réseaux Sociaux à Télécom Ecole de Management Vice- Présidente du Conseil National du Numérique - Vente d assurance en ligne - Enchère web Nicolas Grislain CEO de AlephD - Health monitoring Tsirizo Rabenoro - Calcul du capital économique en grande dimension Laurent Devineau Actuaire Responsable du pôle R&D du cabinet d actuariat conseil Milliman
9 - Parallélisation massive pour la simulation Monte Carlo - Détection de fraude à l URSAFF Patrice Bertail Professeur de Statistiques Paris X et ENSAE - Indicateurs économiques et financiers Christophe Geissler Actuaire Fondateur d Advestis Directeur scientifique de QUINTEN - Investissement séquentiel en gestion de portefeuille Jean Yves Audibert Capital Fund Management - Applications en Génomique Pierre Neuvial Chercheur CNRS en Génomique - Réseaux de neurone & e- commerce Vincent Bernardi Cofondateur de Kameleoon - Applications en Marketing Baptiste Beaume Project Director for Strategic Transformation at COVEA Blog bigdatafrance - Valorisation des données Florian Douetteau Fondateur de Dataiku
10 Calendrier Prévisionnel Semaine Lundi AM 3h Lundi PM1 2h Lundi PM2 2h Mardi AM Mardi PM1 2h Mardi PM2 2h 16 Mars Cases Python Python R R Cases 13 Avril Algo Python Python Algo R R 4 Mai Algo Python Python R R Cases 15 Juin Python Algo Algo Cases R R 14 Septembre Python Algo Algo Cases Cases Data 5 Octobre Python Algo Algo Algo Stat Stat 16 Novembre Python Data Data Cases Stat Stat 7 Décembre Data Hadoop Hadoop Cases Stat Stat 18 Janvier Data Hadoop Hadoop Cases Stat Stat 15 Février Cases Hadoop Hadoop Cases Stat Stat 21 Mars Cases Cases Cases Cases Stat Stat 18 Avril Soutenances Soutenances Soutenances Soutenances Soutenances Soutenances
Formation Actuaire Data-Scientist PROGRAMME
Formation Actuaire Data-Scientist PROGRAMME 15 Septembre 2014 Arthur Charpentier, Romuald Élie & Jérémie Jakubowicz 15914 Programme Séance inaugurale : révolu-on numérique besoins des entreprises cadre
Formation. Data-Science pour l Actuariat. 6 Juillet 2015
Formation Data-Science pour l Actuariat 6 Juillet 2015 Formation Data Science pour l Actuariat Pourquoi? Nouveau contexte : nouveau besoin - Révolution numérique : données massives et hétérogènes, nouveaux
Formation opérationnelle en extraction, gestion et analyse de données massives et hétérogènes
Formation opérationnelle en extraction, gestion et analyse de données massives et hétérogènes SOMMAIRE Formations de 1 ou 2 journées (7 heures/journée) en inter entreprises qui se déroulent sur Paris Les
Formation Actuaire Data-Scientist 4 JUILLET 2014
Formation Actuaire Data-Scientist 4 JUILLET 2014 Objectifs de la formation Initier les participants aux méthodologies statistiques et informatiques en lien avec la manipulation de données massives. Sensibiliser
Formation DSA Data Science pour l Actuariat
Formation DSA Data Science pour l Actuariat Romuald Elie Direction des Etudes Prix spécial «Innovation formation digitale en Assurance» de l Université de l Assurance 2016 OBJECTIF DU PROJET Doter l actuaire
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
Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Formation continue. Ensae-Ensai Formation Continue (Cepe)
CertifiCat de data scientist Formation continue Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist La demande de data scientists est croissante mais peu de formations existent. Ce certificat
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
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...
Programme détaillé des enseignements
Programme détaillé des enseignements SEMESTRE S1 STATISTIQUES Méthodes d'estimation ponctuelle (méthodes des moments, du maximum de vraisemblances, bayésienne) et par intervalles de confiance. Statistiques
Panorama des solutions analytiques existantes
Arnaud LAROCHE Julien DAMON Panorama des solutions analytiques existantes SFdS Méthodes et Logiciels - 16 janvier 2014 - Données Massives Ne sont ici considérés que les solutions autour de l environnement
Les actuaires face au choc technologique et sociétal du numérique:
Les actuaires face au choc technologique et sociétal du numérique: travaux en cours à l Institut des Actuaires CHOC NUMÉRIQUE ET MAÎTRISE PROSPECTIVE DES RISQUES Solvabilité 2: prise en compte prospective
Les Mathématiques à l Université de Brest
Les Mathématiques à l Université de Brest Qui sommes-nous? Une cinquantaine d enseignants chercheurs en mathématiques, Notre laboratoire, le LMBA, est associé au CNRS, De nombreux doctorants sont formés
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
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
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
Analyse multivariée approfondie
Analyse multivariée approfondie Enseignants: NIANG N. et RUSSOLILLIO G. Maître de conférences Statistique Appliquée Laboratoire CEDRIC CNAM http://www.cnam.fr et d autres intervenants extérieurs au Cnam
La problématique de la formation et du recrutement des analystes. mars 2012
Congrès Big Data Paris La problématique de la formation et du recrutement des analystes mars 2012 1 Le Big Data au sein du GENES : un ensemble de grandes écoles d ingénieur, de laboratoires de recherche
ECOLE DOCTORALE SCIENCES ET TECHNOLOGIES DE L INFORMATION ET DE LA COMMUNICATION
ECOLE DOCTORALE SCIENCES ET TECHNOLOGIES DE L INFORMATION ET DE LA COMMUNICATION ED Pôle 1: Automatique, Traitement du Signal, Traitement des Images, Robotique F. Lamnabhi-Lagarrigue lamnabhi@lss.supelec.fr
BIG DATA : GESTION ET ANALYSE DES DONNÉES MASSIVES (BGD) Mastère Spécialisé. Appréhendez les challenges économiques et juridiques du Big Data
Mastère Spécialisé BIG DATA : GESTION ET ANALYSE DES DONNÉES MASSIVES (BGD) Rejoignez le secteur le plus stratégique de l économie numérique Appréhendez les challenges économiques et juridiques du Big
numéro 221 février 2012
numéro 221 février 2012 S O M M A I R E 9 Ont contribué à ce numéro 13 Flexibilité appliquée aux ressources humaines. Compatibilités et contradictions Christophe Everaere 33 La force des entreprises légales-mafieuses.
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
GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 2013
École de technologie supérieure Département de génie de la production automatisée Responsable(s) du cours : Crédits : Richard Lepage, ing., Ph.D. GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE
Institut Mines-Télécom. Chaire de recherche Valeurs et politiques des informations personnelles
Chaire de recherche Valeurs et politiques des informations personnelles 1- L ère des données massives 2 Un déluge de données devenu réalité quotidienne 3 + 1 Zettabytes en 2011 médias Contenus des utilisateurs
Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances
1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?
Ingénierie d aide à la décision
Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.
CALENDRIER DES STAGES 2014/2015
CALENDRIER DES STAGES NIVEAU MASTER 2 : BAC +5 Stage obligatoire et/ou recommandé par la formation Dauphine propose aussi 40 formations en apprentissage voir la liste sur https://dauphinentreprises.dauphine.fr
UNIVERSITÉ MOHAMMED VI POLYTECHNIQUE MASTERE SPÉCIALISÉ MILEO
UNIVERSITÉ MOHAMMED VI POLYTECHNIQUE MASTERE SPÉCIALISÉ MILEO Management Industriel et Excellence Opérationnelle Diplôme conjoint de l'ecole des Mines de Paris (Mines ParisTech) et de l EMINES School of
Scientifique/ingénieur de données Juin 2015 à septembre 2015 Syntell
PROFIL Personne très autonome et qui possède un sens de l initiative développé, notamment en ce qui concerne la prise de décision, spécialiste des mégadonnées. Après avoir fini un baccalauréat en sciences,
CONGRES BIG DATA PARIS
CONGRES BIG DATA PARIS 21 Mars 2012 Retour d expérience CORPORAMA.COM Eric Barnet Nicolas Thauvin L information entreprise à 360 Corporama est un agrégateur web de données sociétés permettant une vision
Outils Statistiques du Data Mining
Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr
Réflexions pour la Mention Finance de l Université []
Réflexions pour la Mention Finance de l Université [] MATTHIEU LEBLANC SEPTEMBRE 2014 CETTE PRÉSENTATION PROPOSE DES VOIES D ÉVOLUTION POUR UNE FORMATION EN FINANCE D UNE UNIVERSITÉ FRANÇAISE. LE GRAND
Laboratoire de mathématiques financières ACT 3282
Automne 2015 Département des mathématiques et statistiques Université de Montréal Laboratoire de mathématiques financières ACT 3282 1. Renseignements généraux: Horaire: Mardi 18h30-19h30 et Vendredi 11h30-13h30
POL-7004 Analyse quantitative Mardi 15h30 Local Pouliot-2512
POL-7004 Analyse quantitative Mardi 15h30 Local Pouliot-2512 Chargé de cours: Yannick Dufresne (yannick.dufresne.1@ulaval.ca) Assistant: Mickael Temporão (mickael.temporao.1@ulaval.ca) Site du cours: www.pol.ulaval.ca/pol7004
Semestre 1. Volume horaire hebdomadaire. Cours TD TP T.Perso. Total. Calcul de Probabilité 3 1,5 1,5 6 84 2. Introduction à l Economie 1,5 1,5 3 42 2
3ème Année Semestre 1 N MODULES MATIERES Volume horaire hebdomadaire Cours TD TP T.Perso. Total Volume horaire semestriel (14 semaines) Coefficients Régime d'examen 1 Modèle Probabiliste 1,5 1,5 1,5 4,5
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.
Accélérer l agilité de votre site de e-commerce. Cas client
Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible
Quels usages des données massives pour les statistiques publiques? Enjeux, méthodes et perspectives
Quels usages des données massives pour les statistiques publiques? Enjeux, méthodes et perspectives Stéphanie Combes et Pauline Givord (DMCSI) INSEE-DMSCI 02/04/2015 Plan Qu'est-ce que le Big Data? Les
Fondements et étapes du processus de recherche, 3 e édition
Fondements et étapes du processus de recherche, 3 e édition Nouveauté Méthodes quantitatives et qualitatives Prix : 81,95 $ Auteurs : Marie-Fabienne Fortin, Johanne Gagnon ISBN13 : 9782765050063 Nombre
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
TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction
INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité
DAC Données, Apprentissage et Connaissances
DAC Données, Apprentissage et Connaissances Responsables : Spécialité adossée au département DAPA du LIP6 Thierry Artières thierry.artieres@lip6.fr Bernd Amann bernd.amann@lip6.fr Partenaires : ENST, ENSTA,
«La visualisation de l information au service de la veille, la recherche et la découverte d information sur le web»
«La visualisation de l information au service de la veille, la recherche et la découverte d information sur le web» Social Computing est spécialisé dans les domaines de l accès à l information, des réseaux
Concours interne de l agrégation du second degré. Section économie et gestion. Programme de la session 2013
Concours interne de l agrégation du second degré Concours interne d accès à l échelle de rémunération des professeurs agrégés dans les établissements d enseignement privés sous contrat du second degré
P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S
P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S POUR L ENSEIGNEMENT DE L INFORMATIQUE MPSI première année I. Objectifs de la formation II-1 Développement de compétences et d aptitudes
Programme Luminy 2014!
Programme Luminy 2014 Lundi 21 Avril Lundi 10h45 Richard Lassaigne Université Paris Diderot Introduction à la théorie de la complexité. Lundi 14h Thierry Dumont Math-Info Paris 10 Utilisation de logiciels
DUT Statistique et Traitement Informatique des Données (S.T.I.D.)
UNIVERSITÉ DE LILLE 2 IUT DE ROUBAIX DÉPARTEMENT STATISTIQUE ET TRAITEMENT INFORMATIQUE DES DONNÉES DUT Statistique et Traitement Informatique des Données OBJECTIFS : (S.T.I.D.) Il s agit d une formation
Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing
Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique
GENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT
Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements
BIG DATA : GESTION ET ANALYSE DES DONNÉES MASSIVES (BGD) Mastère Spécialisé. Appréhendez les challenges économiques et juridiques du Big Data
Mastère Spécialisé BIG DATA : GESTION ET ANALYSE DES DONNÉES MASSIVES (BGD) Rejoignez le secteur le plus stratégique de l économie numérique Appréhendez les challenges économiques et juridiques du Mesurez
Les données massives à Calcul Québec
Les données massives à Calcul Québec Marc Parizeau, professeur et directeur scientifique de Calcul Québec Plan Calcul Québec / Calcul Canada Les outils et les services disponibles Un outil en particulier
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
TÉMOIGNAGE ET POINT DE VUE D UN ÉDITEUR LOGICIEL CO FONDATEUR, EXALEAD,
ENSEIGNEMENTDESSTIC ENSEIGNEMENT DES STIC, TÉMOIGNAGE ET POINT DE VUE D UN ÉDITEUR LOGICIEL FRANÇOIS BOURDONCLE CO FONDATEUR, EXALEAD, TELECOM PARISTECH, 24 JUIN 2009 2009 L informatique: science ou outil?
Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles
Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Technologie et biologie (TB) Discipline : Informatique Première et seconde années Programme d informatique
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
Master of Business Administration
UFR LSHS Cellule de Formation Continue Master of Business Administration Diplôme Universitaire Associé à un Master 2 Professionnel Diplôme : MBA Management Territorial Durable Associé au : Master 2 professionnel
Plateforme SAS. Data & Information System
Data & Information System SOMMAIRE Rédacteur : Ref: F.Barthelemy AXIO_1111_V1 PLATEFORME SAS PREREQUIS SAS GUIDE SAS WRS SAS PORTAL SAS MINER Une plateforme unique et modulable capable d exploiter l architecture
SEMINAIRE «UNIVERSITES ET TERRITOIRES»
SEMINAIRE «UNIVERSITES ET TERRITOIRES» Jérôme Aust Centre de Sociologie des Organisations Sciences Po / CNRS Elisabeth Campagnac Laboratoire Techniques Territoires et Sociétés Ecole des Ponts ParisTech
CREATION DE LA PREMIERE FILIERE DE FORMATION D INGENIEURS EN CYBERDEFENSE PAR ALTERNANCE ET APPRENTISSAGE EN FRANCE
DOSSIER DE PRESSE CREATION DE LA PREMIERE FILIERE DE FORMATION D INGENIEURS EN CYBERDEFENSE PAR ALTERNANCE ET APPRENTISSAGE EN FRANCE Conférence de presse 24 septembre 2013 - Vannes La cyberdéfense est
Congrès AGRH 2013. Conférences sur le thème de la connaissance praticable. Nature du document
Congrès AGRH 2013 Conférences sur le thème de la connaissance praticable Nature du document Paris, le 28 novembre 2013 Document3/fmr Congrès AGRH 2013 Catherine VOYNNET FOURBOUL Directrice Master Executive
Sécurité de l Internet des objets
Sécurité de l Internet des objets Problématique : L Internet des objets (et ses déclinaisons telles que l Intranet des objets ou l Internet of Things) est souvent qualifié de 3 e vague de la révolution
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
Université du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.
Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local
SPLEX Statistiques pour la classification et fouille de données en
SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr
Laboratoire d informatique Gaspard-Monge UMR 8049. Journée Labex Bézout- ANSES
Laboratoire d informatique Gaspard-Monge UMR 8049 Journée Labex Bézout- ANSES Présentation du laboratoire 150 membres, 71 chercheurs et enseignants-chercheurs, 60 doctorants 4 tutelles : CNRS, École des
Le Programme d Approfondissement de Mathématiques Appliquées
Le Programme d Approfondissement de Mathématiques Appliquées 3 ème année de l École Polytechnique Master 1 Promotion X2014 2016-2017 Responsables du PA de MAP : Xavier Allamigeon Carl Graham Erwan Le Pennec
Offre de formation de troisième cycle (LMD)
Offre de formation de troisième cycle (LMD) (Arrêté n 250 du 28 juillet 2009, fixant l organisation de la formation de troisième en vue de l obtention du diplôme de doctorat) Etablissement Faculté / Institut
La formation. La session 2010. Comment candidater? Le label Docteur pour l entreprise
APPEL À CANDIDATURE La formation p. 2 La session 2010 p. 3 Comment candidater? p. 5 Le label Docteur pour l entreprise p. 6 Plus de renseignements sur: http://institutdoctoral.paristech.fr et www.paristech.fr
DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé
I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte
service Orientation Licences Masters Doctorats L'offre de formation
service Information Orientation Licences Masters Doctorats L'offre de formation 2012 Organisation des études L Licence 3 ans 6 semestres, 180 crédits ECTS (bac + 3) M Master 2 ans 4 semestres, 120 crédits
La gestion de la clientèle pour le commerce et l artisanat : vos clients et leurs besoins
Qu une entreprise cherche à s adapter à son environnement et/ou à exploiter au mieux ses capacités distinctives pour développer un avantage concurrentiel, son pilotage stratégique concerne ses orientations
POURSUITES D ÉTUDES STID. IUT STID S1 PPP Noëlle Bru & Marie Bruyère 2009/2010
POURSUITES D ÉTUDES STID Les pages suivantes présentent les poursuites d études possibles après le STID, qu elles soient courtes (licences professionnelles) ou plus longues (écoles d ingénieurs, Master
Initiation à la fouille de données et à l apprentissage automatiq
Initiation à la fouille de données et à l apprentissage automatique 1 Laboratoire d Informatique Fondamentale de Marseille Université de Provence christophe.magnan@lif.univ-mrs.fr www.lif.univ-mrs.fr/
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
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
Public. Débouchés. Les atouts du Master PIC. Statistiques des débouchés 22 % 16 % 10 % 14 % 38 % Entreprise Start-up Thèse.
Contexte et enjeux Public Le management de l innovation, un champ en pleine mutation - Les thématiques des stratégies d innovation, de la conception des produits, de l organisation et de la conduite des
La formation d actuaire au Maroc. Présentée par Mustapha LEBBAR Président de l AMA
La formation d actuaire au Maroc Présentée par Mustapha LEBBAR Président de l AMA Sommaire Formation ponctuelles (1973 à 1989) Formation régulière (depuis 1999) Projet de reforme encours Formations ponctuelles
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
Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif
Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif 13 avril 2015 LES INNOVATIONS DANS LA SOCIAL MEDIA INTELLIGENCE Expérience informationnelle
L Intelligence Compétitive 2.0 pour le pilotage des projets e-marketing
L Intelligence Compétitive 2.0 pour le pilotage des projets e-marketing Soutenance de Thèse de Doctorat en Sciences de l Information et de la Communication Sébastien Bruyère 18 octobre 2010 Contexte général
COURS D ÉVALUATION DES POLITIQUES PUBLIQUES
MASTER OF Ouvert aux participant-e-s extérieur-e-s MPAPUBLIC ADMINISTRATION COURS D ÉVALUATION DES POLITIQUES PUBLIQUES Sous la direction de Katia Horber-Papazian, professeure Caroline Jacot-Descombes,
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/
Département Informatique
Département Informatique Formation d'ingénieur en informatique par apprentissage Ingénieur diplômé de l UTBM Spécialité «INFORMATIQUE» Filière «Ingénierie des Systèmes d Information» Nouvelle voie d accès
Master MAE. Management et Administration des Entreprises
Formation Continue Master MAE Management et Administration des Entreprises I.A.E de Lyon - Université Jean Moulin - Lyon 3 6, cours Albert Thomas - BP 8242-69355 Lyon cedex 08 - http://iae.univ-lyon3.fr
Algorithmique - Techniques fondamentales de programmation Exemples en Python (nombreux exercices corrigés) - BTS, DUT informatique
Introduction à l'algorithmique 1. Les fondements de l informatique 13 1.1 Architecture de Von Neumann 13 1.2 La machine de Turing 17 1.3 Représentation interne des instructions et des données 19 1.3.1
LICenCe Économie et gestion En savoir + www.u-bordeaux.fr/formation
Licence Économie et gestion L économie et la gestion, c est quoi? Les sciences économiques étudient la production, la distribution, les échanges et la consommation de biens et de services au niveau national
Projet de nouvelle organisation et nominations à Gaz de France
Projet de nouvelle organisation et nominations à Gaz de France Paris, le 3 mai 2007 Gaz de France va mettre en place une nouvelle organisation de ses activités, qui fera prochainement l objet d une consultation
Reconnaissance des formes : Classement d ensembles d objets
Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR
Ecole de Commerce ou Sciences Po? Quelle formation pour quels débouchés?
Ecole de Commerce ou Sciences Po? Quelle formation pour quels débouchés? Anthony Victor MEHL Business Development COREXSOLAR SOUTH AFRICA Antoine RIFFIOD Chargé de Communication FSACCI Sommaire Qui sommes-nous?
Tout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce
Tout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce «profil» S orienter (éventuellement se réorienter) dans
Le mapping d écosystèmes R&D pour stimuler l innovation collaborative. Expernova & Finance Innovation Dixit GFII 7 juillet 2014
Le mapping d écosystèmes R&D pour stimuler l innovation collaborative Expernova & Finance Innovation Dixit GFII 7 juillet 2014 Qui sommes nous? [ Une tendance forte à l Open Innovation ] «Le monde est
MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010
E MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010 Professeure :Elissar Toufaily Plage horaire du cours : Cours en salle Jeudi 15h 30-18h30 Local 4221 PAP Du 2 septembre. 2010 au 9
La décision par algorithme
La décision par algorithme les effets de la transition numérique dans les sciences de l'ingénieur, le marketing et la médecine Nicolas Vayatis (CMLA - ENS Cachan & CNRS) La mort des experts Des métiers
Ecole de Management pour les Médecins des Hôpitaux (EMAMH) de l Assistance Publique Hôpitaux de Paris
DIRECTION DES RESSOURCES HUMAINES Département du Développement Professionnel Continu Médical Ecole de Management pour les Médecins des Hôpitaux (EMAMH) de l Assistance Publique Hôpitaux de Paris Dr Stéphane
Groupe des Experts Qualité, Sécurité, Environnement du Cnam QSE Day 2008. TOULOUSE le vendredi 10 Octobre 2008
Groupe des Experts Qualité, Sécurité, Environnement du Cnam QSE Day 2008 TOULOUSE le vendredi 10 Octobre 2008 Thème : Usages de la connaissance pour la QSE. Introduction Yvon Pesqueux - Introduction Qualité
Master spécialité «Communication et ressources humaines» : formation par la voie de l apprentissage
Master spécialité «Communication et ressources humaines» : formation par la voie de l apprentissage [document mis à jour le 3.05.13] Ce document présente la formation en apprentissage. Il est à lire avant
PROGRAMME BADGE VISION MANAGER
PROGRAMME BADGE VISION MANAGER Vision Manager programme BADGE Ecole internationale de management, l ESC Rennes School of Business a pour vocation de former des managers immédiatement opérationnels. Pour
Cours ou séminaire de formation doctorale. Laboratoire CEROS Ecole doctorale EOS
Intitulé de la formation : Introduction à R pour la recherche en sciences sociales sous la forme d'atelier Objectifs : prise en main de r au travers de l'interface graphique Rcmdr et de Rstudio. Découverte
Informatique commune en CPGE PSI-PC-PT-MP-TSI-TPC
Informatique commune en CPGE PSI-PC-PT-MP-TSI-TPC L ingénieur doit maîtriser les concepts fondamentaux de l informatique pour : communiquer avec les informaticiens comprendre les questions de complexité