Intelligence Articielle (1) Introduction

Dimension: px
Commencer à balayer dès la page:

Download "Intelligence Articielle (1) Introduction"

Transcription

1 1/32 Introduction Un peu d'histoire Les nouveaux dés Intelligence Articielle (1) Introduction Pierre Gançarski Université de Strasbourg IUT Robert Schuman DUT Informatique

2 /32 Plan 1 Introduction 2 Un peu d'histoire 3 Les nouveaux dés

3 3/32 Introduction Un peu d'histoire Les nouveaux dés Introduction Qu'est ce que l'intelligence articielle? L'expression intelligence articielle est apparue en 1956 pour désigner la problématique fondamentale : Comment concevoir une machine intelligente? Construire une machine intelligente? Deux types de réponses : une machine sera considérée comme intelligente si elle reproduit le comportement d'un être humain dans un domaine spécique ou non une machine sera considérée comme intelligente si elle modélise le fonctionnement d'un être humain

4 4/32 Introduction Un peu d'histoire Les nouveaux dés Exemple du jeu d'échecs Remarques préalables 1. On admet communément que savoir jouer aux échecs est une capacité humaine qui requiert de l'intelligence 2. Le but de ce cours n'est pas de dénir ce qu'est l'intelligence

5 5/32 Introduction Un peu d'histoire Les nouveaux dés Exemple du jeu d'échecs Les deux solutions possibles 1. On essaie avant tout à obtenir un programme ecace : peut importe que la machine fasse des calculs inaccessibles à l'homme comme explorer quelques centaines (ou milliards) de positions à la seconde : complexité en O(p n ) où p est le nombre moyen de coups légaux dans une position donnée, n est la profondeur étudiée Si on veut étudier par exemple 11 coups en avance et qu'il y a en moyenne 40 coups possibles : (2 2 10) coups coups IBM Deeper Blue (1997) : opérations/s de combinaisons/s 10 9 secondes 192 jours (en fait, il ne calculait que sur 6 coups) Supercalculateur CURIE (2012) : opérations/s 10 2 secondes 1,5 minutes si on considére qu'il faut une seule opération par combinaison!!! Pocket Fritz 4 HTC (2009) : mêmes résultats en terme de victoires que Deep Blue avec seulement 4 coups et positions/seconde.

6 6/32 Introduction Un peu d'histoire Les nouveaux dés Exemple du jeu d'échecs Les deux solutions possibles 1. On essaie avant tout à obtenir un programme ecace : peut importe que la machine fasse des calculs inaccessibles à l'homme comme explorer quelques centaines (ou milliards) de positions à la seconde 2. On cherche à comprendre/imiter comment l'homme joue aux échecs : interviews des grands maîtres, étude des parties, recherche des règles plus ou moins consciemment suivies par les joueurs (occupation du centre, domination d'une couleur de case, etc.) an d'en déduire des statégies de jeu. Les deux approches de l'ia Ces deux approches illustrent bien les deux courants de pensées en IA : les pragmatistes et les cogniticiens.

7 7/32 Introduction Un peu d'histoire Les nouveaux dés Approche pragmatique Paradigme Utiliser l'ordinateur au mieux de ses capacités pour obtenir de meilleurs résultats que ceux que pourrait obtenir un humain. Une machine intelligente est une boîte noire où entrerait des données du problème et sortirait des résultats sans que l'on se préoccupe de ce qui se passe dans la boîte. La boîte serait considérée comme intelligente si elle réussit les mêmes tests que réussirait un être humain : le plus célébre est le test de Turing

8 8/32 Introduction Un peu d'histoire Les nouveaux dés Approche pragmatique Tests de Turing Jeu de l'imitation : Un homme, une femme et un observateur sont chacun dans une pièce : L'observateur doit déterminer avec des questions du type :Comment sont vos cheveux? qui est la femme et qui est l'homme. Les intervenant ne se voit pas entre eux, les voix sont déformées,... Un des deux joueurs (l'homme) doit essayer d'induire en erreur l'observateur, l'autre essaie au contraire de l'aider. On remplace l'homme par une machine

9 9/32 Introduction Un peu d'histoire Les nouveaux dés Approche pragmatique Tests de Turing Alan Turing postule alors que si la machine fait au moins aussi bien que l'humain (elle trompe l'observateur), alors elle est intelligente. Si l'on peut confondre les deux comportements alors on peut considérer que le programme exécuté est équivalent à un esprit.

10 10/32 Approche pragmatique Mise en oeuvre Dans le cadre de cette approche de nombreuses techniques d'ia (espaces d'états, parcours d'arbres, algorithmes minimaux, etc.) existent mais ils modèlisent peu le fonctionnement d'un esprit humain. On dit souvent que cette approche est de l'ia faible car la valeur du mot penser est extrêment faible.

11 11/32 Approche cognitive Paradigme L'IA est la réalisation de programmes imitant dans leur fonctionnement l'esprit humain. L'étude des raisonnements humains est une n en soi. Le but est d'étudier et de généraliser le concept d'intelligence en essayant de donner une description abstraite des mécanismes qui la rendent possible on étudie comment une capacité cognitive dénie de manière abstraite peut s'incarner dans un système informatique.

12 12/32 Approche cognitive Mise en oeuvre Dans cette approche on utilise des systèmes symboliques décrivant d'une part des connaissances et des moyens de les utiliser et surtout, d'autre part, des moyens de découvrir automatiquement de nouvelles connaissances soit par extraction de connaissances soit par inférence de nouvelles d'améliorer la façon de les utiliser Apprentissage symbolique

13 13/32 Limites des deux approches la force brute de l'ordinateur ne sut jamais à résoudre les problèmes les plus compliqués : il est nécessaire d'y adjoindre ds heuristiques, des méthodes de représentations des connaissances qui proviennent le plus souvent d'une analyse de la manière dont nous fonctionnons l'approche cognitive n'a pas donné les résultats escomptés car on a du mal à savoir comment fonctionne l'esprit humain d'autres paradigmes ont vu le jour

14 14/32 Les autres approches Connexionisme Modèlisation très grossière, très imparfaite et très réductrice du fonctionnement des neurones du cerveau humain. Un système connexionniste est formé de noeuds interconnectés capable d'apprendre automatiquement un certain nombre d'exemples puis de les généraliser d'une façon empirique sans qu'il faille à aucun moment décrire une quelconque symbolique de la connaissance.

15 15/32 Les autres approches L'algorithmique adaptative Les algorithmes génétiques sont des algorithmes dérivés de la génétique et de l'évolution naturelle : croisements, mutations,... Un algorithme génétique réalise une optimisation de la ou des solutions par évolution : 1. génération aléatoire de solutions 2. mesure de la qualité de chacune solution : fonction d'évaluation 3. reproduction des meilleures solutions 4. croisement mutation aléatoire des solutions retenues 5. si la ou les solutions sont satisfaisantes : Fin sinon retour en 2

16 Introduction Un peu d'histoire Les nouveaux dé s Les autres approches Vie arti cielle - émergence Société d'experts (approche multi-agents). Émergence : donner aux agents des mécanismes de base (manger, se déplacer, et quelques connaissances) et les laisser trouver par eux-mêmes le meilleur moyen de survivre : fourmi 16/32 apparition d'une intelligence collective.

17 17/32 Mais qu'est-ce qu'est réellement l'intelligence articielle? Une dénition actuelle L'intelligence articielle a pour but de faire exécuter par un ordinateur des tâches pour lesquelles l'homme, dans un contexte donné, est aujourd'hui meilleur que la machine. Autrement dit l'ia doit permettre de programmer des ordinateurs de façon à ce qu'ils montrent des caractéristiques normalement associées à l'intelligence humaine : compréhension du langage, apprentissage, résolution de problèmes, raisonnement... correspondant à des classes de problèmes pour lesquels on pense qu'il n'existe pas d'algorithme exact : non calculable ou NP-complet

18 8/32 Plan 1 Introduction 2 Un peu d'histoire 3 Les nouveaux dés

19 19/ Les pionners l'ia comme méthode générale : mise en oeuvre des idées déjà anciennes sur les machines intelligences Alan Turing : Computing Machinery and Intelligence et Can a machine think? : tests de turing objections contre le possibilité de l'i.a - obj. théologique, - obj de l'autruche (ce serait tellement épouvantable que les machines pensent qu'il vaut mieux croire qu'elles n'en seront jamais capables), - obj. mathématique (Théorème de Godel sur l'incomplétude), - obj. de conscience, - obj du caractère non formalisable du comportement (comment énoncer les règles par exemple que j'utilise pour conduire?)... La pensée est vue comme une manipulation de représentation discrètes des connaissances (IA symbolique)

20 20/ Les pionners Séminaire de Dartmouth (1956) apparition du terme Intelligence Articielle (proposé par J. McCarthy). Premier programme de démonstration automatique de théorème Logic Theorist par Newell, Shaw et Simon LISP (1958) : LISt Processing par J. Mac Carthy Premier traducteur Anglais/Russe GPS (1959) : logiciel General Problem Solver A. Newell et H.Simon Enthousiasme exessif : dans 5 ans, nous auront un traducteur automatique, en 1968, nous auront une machine qui arrivera au niveau du champion du monde d'échecs À comparer avec des résultats décevants.

21 21/ Les pionners Néanmoins cela a permis de mettre en évidence les problèmes : un algorithme doit combiner les approches combinatoires et heuristiques : utiliser les connaissances sur le problème à résoudre il faut distinguer dans un algorithme ce qui est connaissance sur le problème de ce qui est méthode de résolution (approche déclarative) les programmes d'ia doivent incorporer des modules d'apprentissage PROLOG : par J.A.Robinson pour la résolution automatique. Perceptron : premier système connexionnisme par Rosenblatt

22 22/ La connaissance est le pouvoir Représentation des connaissances : représentation structurées : réseaux sémantiques, scripts, schémas et frames extensions de la logique : non monotones, temporelles, oues, etc. Utilisation des connaissance : systèmes experts -> premières réalisations concrètes : DENDRAL (1969) : premier système expert pour l'analyse des résultats de spectographie de masse SCHRDLU (1970) : logiciel conçu par T.Winograd. Simule la manipulation de bloc géomètrique posés sur une table MYCIN (1974) : diagnostics de maladies infectieuses MACSYGMA (1977) : calcul formel PROSPECTOR (1978) : système expert d'aide à la prospection géologique R1/XON (1980) : calcul de la conguration optimal d'un système informatique

23 23/ Méthodes générales d'apprentissage Programme japonais dit Cinquième génération faire de l'ia une discipline ecace : résultats concrets plutôt mitigés sur le plan technique Méthodes symboliques : nombreuses réalisations et nouvelles techniques (algorithme d'élimination, arbres de décisions, méthode de l'étoile,...) et nouveaux principes (espace des versions,...) Renouveau du connexionnisme et du mouvement subsymbolique (popularisation des réseaux de neurones, algorithme génétique,... Apparition de l'iad : multi-agents, vie articielle

24 24/ On ne parle plus de connaissances Nouvelles méthodes subsymboliques : réseaux de neurones, algorithmes génétiques, réseaux bayésiens, chaînes de Markov Les besoins industriels inuent sur la recherche Nouvelles méthodes d'acquisition : data mining, text mining,...

25 25/ Retour aux sciences cognitives... Objectif initial de l'ia, peut être trop ambitieux Une nouvelle approche : Informatique Avancée, s'attaque aux problèmes que l'approche algorithmique classique ne peut résoudre. Mais l'objectif initial consistant à développer des machines aussi intelligentes que l'être humain continue à perdurer. = Pour le résoudre, il est cependant nécessaire d'en savoir plus sur l'intelligence humaine. L'IA s'inscrit de plus en plus dans le cadre des sciences cognitives En 2009, le MIT a lancé le Mind Machine Project consistant à revenir 30 ans en arrière pour repenser les bases de l'ia.

26 6/32 Plan 1 Introduction 2 Un peu d'histoire 3 Les nouveaux dés

27 27/32 Les nouveaux dés Données et Connaissances Capitaliser, diuser, exploiter les connaissances : Fouille de données de nature variée ; mémoires d'entreprise, commerce électronique, réseaux sociaux : Facebook et al., communautés virtuelles Web sémantique : Compréhension partagée de l'information : Entre les personnes Entre les applications et les objets Entre tous! Projet Read the Web (Carnegie Mellon, 2010) : un programme lit indéniment les pages Web et extrait des informations couvrant toutes les connaissances humaines Ontologies et métadonnées Agents

28 28/32 Les nouveaux dés Robotique Robotique mobile : Apprentissage de comportements Fusion de données de capteurs Planication (trajectoires, missions)

29 29/32 Les nouveaux dés Robotique Robotique mobile : Challenge DARPA : course de véhicules autonomes environ 200 km en 7h Gagnant : VW Stanly

30 30/32 Les nouveaux dés Robotique Robots humanoïdes Aldebaran Robotics (société française de robotique) : - robot autonome et programmable : NAO - robot destiné à l'aide aux personnes : Romeo

31 31/32 Les nouveaux dés Robotique Robotique mobile Robots humanoïdes : Robocup, coupe du monde football pour robot une équipe de robots championne du monde de football en

32 32/32 Les nouveaux dés IA et éthique Nuisance des systèmes d'ia (cf. lois d'asimov pour les robots) Statut moral des machines Propriétés requises du fait du rôle social potentiel de systèmes d'ia : prédictabilité, transparence à l'inspection... Systèmes à intelligence surhumaine : implique des comportements suréthiques...

GIND5439 Systèmes Intelligents. Chapitre 1: Intelligence artificielle

GIND5439 Systèmes Intelligents. Chapitre 1: Intelligence artificielle GIND5439 Systèmes Intelligents Chapitre 1: Intelligence artificielle Contenu du chapitre Approches vs Intelligence artificielle Définition de l intelligence Historique Le test de Turing 2 Approches Science

Plus en détail

Intelligence Artificielle et Robotique

Intelligence Artificielle et Robotique Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité

Plus en détail

Pourquoi l apprentissage?

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

Plus en détail

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

Évaluation et implémentation des langages

Évaluation et implémentation des langages Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation

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

L apprentissage automatique

L apprentissage automatique L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer

Plus en détail

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.

Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes. Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis

Plus en détail

1.2 Unité responsable Département d informatique, Faculté des sciences

1.2 Unité responsable Département d informatique, Faculté des sciences 1. Identification du programme 1.1 Titre du programme Maîtrise ès sciences (informatique) 1.2 Unité responsable Département d informatique, Faculté des sciences 1.3 Diplôme accordé M. Sc. (Informatique)

Plus en détail

De l'homme-machine à la machine pensante

De l'homme-machine à la machine pensante De l'homme-machine à la machine pensante Introduction A quoi s'intéresse l'intelligence artificielle? D'une part, cette discipline cherche à créer des machines intelligentes simulant nos processus de raisonnement

Plus en détail

IODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21

IODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21 IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances

Plus en détail

Jade. Projet Intelligence Artificielle «Devine à quoi je pense»

Jade. Projet Intelligence Artificielle «Devine à quoi je pense» Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges

Plus en détail

Une brève introduction aux Sciences Cognitives

Une brève introduction aux Sciences Cognitives Une brève introduction aux Sciences Cognitives Sommaire Une brève introduction aux Sciences Cognitives... 1 1. Introduction... 1 2. Objet et enjeux des Sciences Cognitives... 2 2.1. Historique... 2 2.2.

Plus en détail

Algorithmes d'apprentissage

Algorithmes d'apprentissage Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction

Plus en détail

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 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

Plus en détail

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome ENNAJI Mourad LASC université de Metz Ile du Saulcy B.P 80794 57 012 METZ Ennaji@lasc.sciences.univ-metz.fr Résumé Cet

Plus en détail

Introduction au datamining

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

Plus en détail

O b s e r v a t o i r e E V A P M. Taxonomie R. Gras - développée

O b s e r v a t o i r e E V A P M. Taxonomie R. Gras - développée O b s e r v a t o i r e E V A P M É q u i p e d e R e c h e r c h e a s s o c i é e à l ' I N R P Taxonomie R. Gras - développée Grille d'analyse des objectifs du domaine mathématique et de leurs relations

Plus en détail

SIMULATION EN ELECTRONIQUE

SIMULATION EN ELECTRONIQUE 1 sur 8 SIMULATION EN ELECTRONIQUE PLAN: OBJECTIF - PUBLIC - MATERIEL - LOGICIEL - METHODE - AVANTAGES - DIFFICULTES - AUTEUR DU DOCUMENT INTRODUCTION MANIPULATION 1 : Prise en main A) Montage inverseur

Plus en détail

Hen. L Intelligence Artificielle, mais enfin de quoi s agit-il?

Hen. L Intelligence Artificielle, mais enfin de quoi s agit-il? Hen L Intelligence Artificielle, mais enfin de quoi s agit-il? Avant-Propos Petit historique des débuts de l IA Dix grands paradigmes de recherche L Intelligence Artificielle, mais enfin de quoi s agit-il?

Plus en détail

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

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

Plus en détail

Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101. Travail pratique #2

Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101. Travail pratique #2 Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101 Danny Dubé Hiver 2014 Version : 11 avril Questions Travail pratique #2 Traduction orientée-syntaxe

Plus en détail

AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES

AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte

Plus en détail

Les apports de l informatique. Aux autres disciplines

Les apports de l informatique. Aux autres disciplines Les apports de l informatique 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

Plus en détail

Fouille de données dans des bases parcellaires (cadre projet PayOTe)

Fouille de données dans des bases parcellaires (cadre projet PayOTe) Fouille de données dans des bases parcellaires (cadre projet PayOTe) Thomas Guyet AGROCAMPUS-OUEST IRISA Équipe DREAM 01 mars 2010, Nancy Équipe DREAM : axes de recherche Diagnosing, recommending actions

Plus en détail

TEXT MINING. 10.6.2003 1 von 7

TEXT MINING. 10.6.2003 1 von 7 TEXT MINING 10.6.2003 1 von 7 A LA RECHERCHE D'UNE AIGUILLE DANS UNE BOTTE DE FOIN Alors que le Data Mining recherche des modèles cachés dans de grandes quantités de données, le Text Mining se concentre

Plus en détail

M2 GST SPÉCIALITÉ CARTHAGÉO DESCRIPTIF DÉTAILLÉS DES ENSEIGNEMENTS

M2 GST SPÉCIALITÉ CARTHAGÉO DESCRIPTIF DÉTAILLÉS DES ENSEIGNEMENTS M2 GST SPÉCIALITÉ CARTHAGÉO DESCRIPTIF DÉTAILLÉS DES ENSEIGNEMENTS UE 1 : Tronc commun Carthagéo-Géoprisme Un certain nombre d enseignements de la formation professionnelle Carthagéo est mutualisée avec

Plus en détail

PARCOURS DU CAVALIER SUR L ÉCHIQUIER

PARCOURS DU CAVALIER SUR L ÉCHIQUIER I05 ÉPREUVE COMMUNE DE TIPE 2011 - Partie D TITRE : PARCOURS DU CAVALIER SUR L ÉCHIQUIER Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec

Plus en détail

GENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT

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

Plus en détail

Introduction à L Intelligence Artificielle

Introduction à L Intelligence Artificielle Introduction à L Intelligence Artificielle Esma Aïmeur Université de Montréal Département d informatique et de recherche opérationnelle Montréal, Canada Email :aimeur: aimeur@iro.umontreal.cairo.umontreal.ca

Plus en détail

Cours Composant 2. Qualité logicielle et spécications algébriques

Cours Composant 2. Qualité logicielle et spécications algébriques UPMC Paris Universitas Master Informatique STL Cours Composant 2. Qualité logicielle et spécications algébriques c 2005-2008 Frédéric Peschanski UPMC Paris Universitas 24 février 2008 c 2005-2008 Frédéric

Plus en détail

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils

Plus en détail

Génération de stratégies de Trading par Programmation Génétique

Génération de stratégies de Trading par Programmation Génétique Génération de stratégies de Trading par Programmation Génétique Résumé L'objectif de ce projet est de réaliser un générateur, ou optimiseur, de stratégies de trading, en se basant sur une technique de

Plus en détail

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1 Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe

Plus en détail

Cet examen comprend 2 parties. Les réponses à ces deux parties doivent figurer sur des pages séparées. MERCI

Cet examen comprend 2 parties. Les réponses à ces deux parties doivent figurer sur des pages séparées. MERCI Cet examen comprend 2 parties. Les réponses à ces deux parties doivent figurer sur des pages séparées. MERCI!"#-t-! $!#%&'!( PARTIE I? Expliquez ses idées en vos propres mots et commentez-les (environ

Plus en détail

Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS

Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS 1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5

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

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

EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG

EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette

Plus en détail

Les ordinateurs dispositifs électroniques fonctionnant sur la principe de création, transmission et conversion d impulses électriques

Les ordinateurs dispositifs électroniques fonctionnant sur la principe de création, transmission et conversion d impulses électriques Les ordinateurs dispositifs électroniques fonctionnant sur la principe de création, transmission et conversion d impulses électriques Les informations traitées par l ordinateur (nombres, instructions,

Plus en détail

Le cinquième chapitre

Le cinquième chapitre Le cinquième chapitre Objectif : présenter les supports matériels ou immatériels permettant d'étayer cette nouvelle approche de la fonction maintenance. I. Evolution du domaine technique - Différents domaines

Plus en détail

Résumé des communications des Intervenants

Résumé des communications des Intervenants Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit

Plus en détail

modélisation solide et dessin technique

modélisation solide et dessin technique CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

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

Plus en détail

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

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

Plus en détail

Programme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique

Programme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions

Plus en détail

UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS

UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES

Plus en détail

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln. MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion

Plus en détail

Ingénierie et gestion des connaissances

Ingénierie et gestion des connaissances Master Web Intelligence ICM Option Informatique Ingénierie et gestion des connaissances Philippe BEAUNE Philippe.Beaune@emse.fr 18 novembre 2008 Passer en revue quelques idées fondatrices de l ingénierie

Plus en détail

Logiciel EV3 LEGO MINDSTORMS Education

Logiciel EV3 LEGO MINDSTORMS Education Robot éducateur : LEGO Education a le plaisir de vous présenter Robot éducateur, une sélection d'activités pédagogiques vous permettant de prendre en main votre EV3 LEGO MINDSTORMS Education de façon structurée

Plus en détail

Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données

Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques

Plus en détail

Commentaires sur le texte de Giuseppe Longo

Commentaires sur le texte de Giuseppe Longo Intellectica, 2002/2, 35, pp. 179-183 Commentaires sur le texte de Giuseppe Longo Jacques Pitrat Commentaries on the text of Giuseppe Longo A. ENTERRONS LE TEST DE TURING Le test de Turing était une excellente

Plus en détail

APPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE

APPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES

Plus en détail

Intelligence Artificielle Jeux

Intelligence Artificielle Jeux Intelligence Artificielle Jeux Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes Programmation

Plus en détail

CH.8 Décidabilité. Propriétés des langages récursifs : Fermés par complémentation, union et intersection. oui. non. oui M 1. non. oui M 2.

CH.8 Décidabilité. Propriétés des langages récursifs : Fermés par complémentation, union et intersection. oui. non. oui M 1. non. oui M 2. CH.8 Décidabilité 8.1 Les langages récursifs 8.2 La machine de Turing universelle 8.3 Des problèmes de langages indécidables 8.4 D'autres problèmes indécidables Automates ch8 1 8.1 Les langages récursifs

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

DOCUMENT D'INFORMATION

DOCUMENT D'INFORMATION DOCUMENT D'INFORMATION ÉPREUVES UNIQUES Mathématique 436 068-436 de quatrième année du secondaire Mathématique 514 068-514 de cinquième année du secondaire Juin 2003 Août 2003 Janvier 2004 Ce document

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

Programme Luminy 2014!

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

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

Fouille de données orientée motifs, méthodes et usages.

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

Plus en détail

6 - La conscience est-elle un processus algorithmique?

6 - La conscience est-elle un processus algorithmique? 6 - La conscience est-elle un processus algorithmique? par Hervé Zwirn Le problème de la conscience est sans doute l'un des plus difficiles sinon le plus difficile auquel on puisse s'attaquer. J'en veux

Plus en détail

Algorithmique dans les nouveaux programmes de Première

Algorithmique dans les nouveaux programmes de Première Algorithmique dans les nouveaux programmes de Première Journée de présentation des nouveaux programmes de Première académie de Nice Les nouveaux programmes de Première 2011 1 I. Introduction 1. Acquis

Plus en détail

1.5 0.5 -0.5 -1.5 0 20 40 60 80 100 120. (VM(t i ),Q(t i+j ),VM(t i+j ))

1.5 0.5 -0.5 -1.5 0 20 40 60 80 100 120. (VM(t i ),Q(t i+j ),VM(t i+j )) La logique oue dans les PME/PMI Application au dosage de l'eau dans les bétons P.Y. Glorennec INSA de Rennes/IRISA glorenne@irisa.fr C. Hérault Hydrostop christophe@hydrostop.fr V. Hulin Hydrostop vincent@hydrostop.fr

Plus en détail

Le programme d examens préparé par le Bureau canadien des conditions d admission en génie d Ingénieurs Canada englobe dix-sept disciplines du génie.

Le programme d examens préparé par le Bureau canadien des conditions d admission en génie d Ingénieurs Canada englobe dix-sept disciplines du génie. INTRODUCTION Le programme d examens préparé par le Bureau canadien des conditions d admission en génie d Ingénieurs Canada englobe dix-sept disciplines du génie. Le programme d examens de chaque spécialité

Plus en détail

Réalisabilité et extraction de programmes

Réalisabilité et extraction de programmes Mercredi 9 mars 2005 Extraction de programme: qu'est-ce que c'est? Extraire à partir d'une preuve un entier x N tel que A(x). π x N A(x) (un témoin) (En fait, on n'extrait pas un entier, mais un programme

Plus en détail

Cas d'étude : Puissance 4 Analyse des besoins

Cas d'étude : Puissance 4 Analyse des besoins 1 Génie Logiciel Cas d'étude : Puissance 4 Analyse des besoins Renaud Marlet LaBRI / INRIA http://www.labri.fr/~marlet màj 18/04/2007 2 Exercice Vous êtes employé(e) dans une société qui édite des jeux

Plus en détail

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

Plus en détail

Analyse de grandes bases de données en santé

Analyse de grandes bases de données en santé .. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.

Plus en détail

LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION

LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION DES NOMBRES par Jean-Luc BREGEON professeur formateur à l IUFM d Auvergne LE PROBLÈME DE LA REPRÉSENTATION DES NOMBRES On ne conçoit pas un premier enseignement

Plus en détail

PRESENTATION DE L EQUIPE

PRESENTATION DE L EQUIPE 1 PRESENTATION DE L EQUIPE Dans l ordre : Baptiste MOUGEL, David CHANTOISEAU, Fabien NG FOK, Ronan LANGLO Stéphane BAZEILLE, Yan BONNEL et Zacharie PICAUT. Accompagné de leurs professeurs d Intelligence

Plus en détail

VISUALISATION EN TEMPS RÉEL PERSPECTIVES À POINT DE VUE MOBILE

VISUALISATION EN TEMPS RÉEL PERSPECTIVES À POINT DE VUE MOBILE 167 VISUALISATION EN TEMPS RÉEL DE J. SAPALY On sait que l'exploration visuelle consiste en une succession de fixations du regard, séparées par des mouvements oculaires saccadés, chaque fixation amenant

Plus en détail

Algorithmes de recherche

Algorithmes de recherche Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème

Plus en détail

MASTER LPL : LANGUE ET INFORMATIQUE (P)

MASTER LPL : LANGUE ET INFORMATIQUE (P) MASTER LPL : LANGUE ET INFORMATIQUE (P) RÉSUMÉ DE LA FORMATION Type de diplôme := Master Domaine : Arts, Lettres, Langues Mention : LITTERATURE, PHILOLOGIE, LINGUISTIQUE Spécialité : LANGUE ET INFORMATIQUE

Plus en détail

Présentation de Probayes. ProbayesCard Solution de détection de fraude à la carte bancaire

Présentation de Probayes. ProbayesCard Solution de détection de fraude à la carte bancaire Présentation de Probayes La maîtrise des incertitudes ProbayesCard Solution de détection de fraude à la carte bancaire Octobre 2009 Page: 1 La société Créée en 2003 Basée à Grenoble Spin-off du INRIA/CNRS

Plus en détail

4.2 Unités d enseignement du M1

4.2 Unités d enseignement du M1 88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter

Plus en détail

L'EPS à l'école primaire aucune modification des programmes

L'EPS à l'école primaire aucune modification des programmes L'EPS à l'école primaire aucune modification des programmes Les 3 objectifs sont poursuivis aussi bien à l'école maternelle, qu'à l école primaire MATERNELLE * Favoriser la construction des actions motrices

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université

Plus en détail

Les défibrillateurs cardiaques implantables

Les défibrillateurs cardiaques implantables Les défibrillateurs cardiaques implantables Etudes d'évaluation économique Etudes d'évaluation technologique Avant-propos Cette étude a été réalisée, à la demande de la Caisse Nationale de l'assurance

Plus en détail

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits 1 d Automatisation de la certification formelle de systèmes critiques par instrumentation d sous la direction de Michaël Périn Soutenance de Thèse de Doctorat Université de Grenoble - Laboratoire Verimag

Plus en détail

ORIENTATIONS POUR LA CLASSE DE TROISIÈME

ORIENTATIONS POUR LA CLASSE DE TROISIÈME 51 Le B.O. N 1 du 13 Février 1997 - Hors Série - page 173 PROGRAMMES DU CYCLE CENTRAL 5 e ET 4 e TECHNOLOGIE En continuité avec le programme de la classe de sixième, celui du cycle central du collège est

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big Data et Graphes : Quelques pistes de recherche Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de

Plus en détail

Antoine Cornuéjols AgroParisTech

Antoine Cornuéjols AgroParisTech Antoine Cornuéjols AgroParisTech antoine.cornuejols@agroparistech.fr http://www.lri.fr/~antoine Cours IA 1. Introduction 2. Cas des jeux entièrement explorables 3. L algorithme du MinMax 4. Amélioration

Plus en détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.

Plus en détail

Profilez vos offres d'emploi en 4 clics, Mesurez l'adéquation des candidats au profil que vous recherchez en temps réel avec

Profilez vos offres d'emploi en 4 clics, Mesurez l'adéquation des candidats au profil que vous recherchez en temps réel avec Profilez vos offres d'emploi en 4 clics, Mesurez l'adéquation des candidats au profil que vous recherchez en temps réel avec Logiciel d'aide au recrutement Présentation : Semiojob est une technologie qui

Plus en détail

Environnement Architecture de controle. Décisions

Environnement Architecture de controle. Décisions Chapitre 1 Introduction 1.1 Robot Mobile Il existe diverses définitions du terme robot, mais elles tournent en général autour de celle-ci : Un robot est une machine équipée de capacités de perception,

Plus en détail

Peut-on tout programmer?

Peut-on tout programmer? Chapitre 8 Peut-on tout programmer? 8.1 Que peut-on programmer? Vous voici au terme de votre initiation à la programmation. Vous avez vu comment représenter des données de plus en plus structurées à partir

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 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

Soutien technique en informatique

Soutien technique en informatique Service de formation aux adultes Soutien technique en informatique PLAN DE COURS Utilisation et création de bases de données 420-B64-GR 2-2-2 75 heures Session automne 2010 NOM DE L ENSEIGNANT : JIE YANG

Plus en détail

BACHELOR OF SCIENCE INFORMATICIEN-NE DE GESTION

BACHELOR OF SCIENCE INFORMATICIEN-NE DE GESTION Informatique de gestion BACHELOR OF SCIENCE HES-SO BACHELOR OF SCIENCE INFORMATICIEN-NE DE GESTION Plans d études et descriptifs des modules Filière à plein temps et à temps partiel Table des matières

Plus en détail

Adaptabilité d un MOOC aux styles d apprentissage. Hubert Kadima Directeur de Recherche LARIS/EISTI Email : hubert.kadima@eisti.fr

Adaptabilité d un MOOC aux styles d apprentissage. Hubert Kadima Directeur de Recherche LARIS/EISTI Email : hubert.kadima@eisti.fr Adaptabilité d un MOOC aux styles d apprentissage Hubert Kadima Directeur de Recherche LARIS/EISTI Email : hubert.kadima@eisti.fr Agenda 1. Contexte : l apprentissage dans le projet PLACIS 2. Choix du

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE PROBLEME DU PLUS COURT CHEMIN LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs

Plus en détail

Université de Bangui. Modélisons en UML

Université de Bangui. Modélisons en UML Université de Bangui CRM Modélisons en UML Ce cours a été possible grâce à l initiative d Apollinaire MOLAYE qui m a contacté pour vous faire bénéficier de mes connaissances en nouvelles technologies et

Plus en détail

Rôle des STIC dans les grands enjeux sociétaux, économiques et environnementaux. La Vision d ALLISTENE. 5 janvier 2012 Michel Cosnard

Rôle des STIC dans les grands enjeux sociétaux, économiques et environnementaux. La Vision d ALLISTENE. 5 janvier 2012 Michel Cosnard A Rôle des STIC dans les grands enjeux sociétaux, économiques et environnementaux La Vision d ALLISTENE 5 janvier 2012 Michel Cosnard Missions d Allistene Stratégie de recherche et d innovation Distingue

Plus en détail

Accréditation LMD4. Master mention Informatique Spécialité Informatique Parcours IMAGINA : Image et Jeux vidéo Version du 08/04/15

Accréditation LMD4. Master mention Informatique Spécialité Informatique Parcours IMAGINA : Image et Jeux vidéo Version du 08/04/15 Accréditation LMD4 Master mention Informatique Spécialité Informatique Parcours IMAGINA : Image et Jeux vidéo Version du 08/04/15 Les objectifs du parcours IMAGINA sont de former des ingénieurs et chercheurs

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Brève introduction à la recherche d!information sur le Web à base d!agents logiciels

Brève introduction à la recherche d!information sur le Web à base d!agents logiciels Plan Brève introduction à la recherche d!information sur le Web à base d!agents logiciels Bernard ESPINASSE Université d!aix-marseille 2010 Rappels sur les agents logiciels Problématique de la RI sur le

Plus en détail

Programme de la 1ère année

Programme de la 1ère année Programme de la 1ère année de master informatique Recopié du Syllabus M1 Informatique. 2004-2005 (UPS Toulouse) TC1 - Conception et Programmation Parallèle et Orientée Objet (96h) Objectif : Ce cours a

Plus en détail