Vers une Optimisation de l Algorithme AntTreeStoch

Dimension: px
Commencer à balayer dès la page:

Download "Vers une Optimisation de l Algorithme AntTreeStoch"

Transcription

1 Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et Productique, Université de Batna Rue Chahid Boukhlouf Batna, ALGÉRIE & Abstract Dans cet article, nous présentons AntTreeStoch un nouvel algorithme de classification hiérarchique et non supervisée. Cet algorithme est basé sur l auto-organisation observée chez les fourmis réelles. L émergence des déplacements et les assemblages des fourmis, basés sur la similarité entre les individus permet d identifier les états de fonctionnements d un système industriel dynamique et complexe. L algorithme offre aussi la possibilité de créer de nouvelles classes pour les données non identifiées. En effet le choix d utiliser AntTreeStoch dans notre système de diagnostic a été motivé par la possibilité d utiliser à la fois des données numériques et symboliques. Les expériences effectuées sur la base de données Iris, montrent que AntTreeStoch fournit de très bons résultats. Mots clés Colonie de fourmis, Classification hiérarchique, Diagnostic industriel, Auto-organisation, Système complexe. I. INTRODUCTION Les systèmes complexes et dynamiques possèdent un comportement non linéaire et non stable durant leurs exécutions. Il est très difficile voir impossible de modéliser ce type de système. Cette difficulté est causée par le grand nombre de variables qui caractérisent l état de fonctionnement du système. Notre travail s inscrit dans la surveillance de ce type de système et plus précisément dans la phase de diagnostic (figure 1). La fonction principale de la surveillance est de vérifier l état de fonctionnement du système. Elle est composée de deux parties qui sont la détection et le diagnostic. La phase de détection permet de déterminer l état du système comme étant normal ou anormal. La phase de diagnostic consiste à identifier les composants défaillants et de trouver les causes à partir d un ensemble de symptômes observés. D un point de vue général, la détermination des causes à partir des effets est un problème de classification. Puisque, il s agit de comparer un vecteur de données qui représente l état actuel du système avec des vecteurs références qui représentent l historique de fonctionnement du système. Le diagnostic d un système complexe et dynamique en utilisant une méthode de classification, cherche à identifier d une façon permanente l état de fonctionnement du système. Supervision Conduit Surveillance Le diagnostic La surveillance La détection Identifier les composants défaillants Trouver les causes Fig. 1 : Position de diagnostic par rapport au supervision. 125

2 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui La classification est dite exclusive lorsque le partitionnement des objets conduit à associer chaque objet à une et une seule classe. Par contre, une classification non exclusive admet qu un objet appartienne à plusieurs classes. Sur un autre axe, on peut aussi distinguer la classification supervisée où les objets disposent d une information qui indique leurs dissimilarités. En classification non supervisée, on n utilise qu une matrice de dissimilarité. Aucune information sur la classe d un objet n est fournie à la méthode. Selon Jain et Dubes [1], on distingue dans la classification non supervisée deux types. Une méthode hiérarchique qui construit une séquence de partitions imbriquées alors qu un partitionnement ne construit qu une seule partition des données. Actuellement, plusieurs techniques sont utilisées pour résoudre le problème de classification pour le diagnostic industriel tels que les réseaux de neurones [8] et [9]. Ces techniques présentent une grande capacité dans la résolution des problèmes de diagnostic. La généralisation est le point fort des réseaux de neurones. Ils donnent de bons résultats surtout s ils sont combinés avec la logique floue. Mais, ils souffrent de quelques inconvénients. Par exemple : ils nécessitent un temps d apprentissage considérable et il faut refaire la phase d apprentissage pour augmenter la capacité du système pour reconnaître un nouvel élément. Un autre inconvénient majeur est qu il faut avoir en entrée une variété de données qui permet la reconnaissance de toutes les classes possibles. Ces inconvénients rendent leur utilisation impossible avec les systèmes dynamiques. Puisque ils n offrent pas la possibilité de reconnaître une nouvelle classe de données qu est la caractéristique essentielle de ce type de système. Les méthodes d émergences inspirées du comportement des insectes sociaux représentent un domaine intéressant d inspiration pour les systèmes informatiques [7]. Les éthologistes ont montré que les fourmis sont capables de trier divers éléments du couvain, trouver le plus court chemin entre la nourriture et le nid et même de s autoassembler en créant des structures vivantes. Ces phénomènes sont le résultat d émergence des comportements simples de chaque membre de la colonie et la communication chimique entre eux. Ces dernières années, de nombreux algorithmes ont été élaborés en se basant sur ces observations. Les premières recherches reviennent à l équipe de deneubourg en 1990 [3]. Leurs travaux consistent à utiliser les fourmis pour classer des données placées sur une grille. Un autre type d algorithmes est basé sur les échanges d odeur entre les fourmis. Ce comportement permet à chaque fourmi de s assembler selon une identification chimique. En se basant sur ces travaux, Azzag a proposé un algorithme de classification hiérarchique qui est utilisé par la suite pour la création automatique de site web portal [6]. En se basant sur ces travaux, nous proposons ici un nouvel algorithme de classification. Cet algorithme offre une meilleure classification des états fonctionnels de système, et aide l expert du procédé d identifier de nouvelles classes. AntTreeStoch exploite le mécanisme d identification chimique chez les fourmis réelles. Ce mécanisme est le résultat des interactions des fourmis entre elles-mêmes et avec l environnement externe. Il permet de créer une classification hiérarchique et non supervisée. Cette classification ne nécessite pas une partition initiale. Et elle permet de découvrir de nouvelles classes à l arrivée de nouvelles données non identifiées. Cet article va donc s articuler comme suit : la section 2 va décrire quelques algorithmes de colonies de fourmis. La section 3 présentera rapidement l algorithme de classification AntTreeStoch. La section 4 présentera notre proposition d optimisation de cet algorithme. La section 5 décrira l essentiel de notre modèle de simulation DAC. La section 6 décrira les résultats obtenus et la section 7 conclura en discutant de la nécessité d utiliser les algorithmes de colonie de fourmis pour le diagnostic industriel. Vers une Optimisation de l Algorithme AntTreeStoch 126

3 Vers une Optimisation de l Algorithme AntTreeStoch II. TRAVAUX EXISTANTS Holldobler et Wilson en 1990 [2] ont montré que les fourmis disposent d un système de reconnaissance basé sur l odeur de chaque fourmi. Ce système permet aux fourmis qui appartiennent au même groupe de s assembler et de rejeter les intrus. En se basant sur ces études, Labroche [10] a développé une nouvelle méthode de classification non-supervisée appelée AntClust. Le principe de l algorithme AntClust est basé sur un nombre limité des contacts directs entre les fourmis. Grâce à ces contacts, chaque fourmi tente de trouver un congénère qui a presque la même odeur. L émergence de ces contacts est la répartition des fourmis réelles sur plusieurs nids. Dans le cas des fourmis artificielles, chaque nid représente une classe de données. Grâce toujours à une fonction de similarité basée sur l odeur, les fourmis isolées sont affectées à la classe la plus similaire. AntClust a été appliqué au problème de classification des sessions de navigation des internautes pour la mesure d audience sur le web. En se basant sur le même principe, Azzag [6] a proposé un nouvel algorithme. Elle a exploité un autre comportement observé chez les fourmis réelles qui est la construction des structures vivantes. La combinaison de ces deux principes a permis de proposer un algorithme de classification hiérarchique et non supervisée appelé AntTreeStoch. Azzag a appliqué AntTreeStoch au problème de la classification hiérarchique de document afin de générer automatiquement des sites portails pour le web. Le tableau suivant présente quelques algorithmes, leurs auteurs, dates de création, principes et domaines d utilisation [3], [4], [5] et [6]. TABLE 1 : Les algorithmes de colonies de fourmis Algorithme Auteurs Principe Domaine ACO 1990 Ant System 1991 AntClass 1999 AntClust 2001 AntTree 2004 Deneubourg et ses collègues [3] Dorigo et ses collègues [4] Monmarché et ses collègues [5] Labroche [10] Azzag [6] les échanges d odeur entre les fourmis Communicat ion par phéromone La similarité et la densité d objets. les échanges d odeur entre les fourmis Construction des structures vivantes Optimisation Optimisation Classification Classification Classification O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui 127

4 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui Le principe de AntTreeStoch est de placer toutes les fourmis sur un support principal qui représente la racine de l arbre. Les fourmis portent des vecteurs de données qui sont les informations à classer. Chaque fourmi peut agir de trois manières : S accrocher au support ; Se déplacer sur une autre fourmi ; S accrocher à une autre fourmi pour prolonger l arbre. Ce comportement est déterminé notamment par la similarité entre les données et la structure locale de l arbre. Il permet de construire l arbre d une manière distribuée. Le résultat final des déplacements et des accrochements des fourmis sera un arbre des données classées qu on peut interpréter de différentes manières selon le domaine étudié. Suite aux travaux de Azzag [6], nous proposons dans cet article des améliorations sur l algorithme AntTreeStoch. Les améliorations concernent le prétraitement des données utilisées lors de la phase d apprentissage, ajuster les paramètres de l algorithme suivant la nature des données de notre système et l optimisation de l arbre durant la classification de nouvelles données. III. L ALGORITHME ANTTREESTOCH A. Les grandes lignes On distingue deux phases d exécution de l algorithme. La première est la phase de préclassification qui consiste à construire un arbre de base à partir d un échantillonnage de données. L ensemble de données représente toutes les situations possibles du système. Le tri des données d entrée influe forcément sur le résultat final. Dans cette phase, le parallélisme de l algorithme est possible mais il faut prendre en considération les cas de conflue (priorité d accès). La deuxième phase est la classification des données réelles. Le parallélisme total n est pas permis mais on peut entamer la classification d une nouvelle donnée dés que la précédente a choisit une branche (une sorte de pipeline). Puisque chaque donnée est un agent qui agit d une façon autonome. B. L algorithme principal Pour classer les données, on utilise la fonction Sim(i, j) qui calcule la similarité entre deux nœuds i et j. Chaque noeud représente une donnée à classer. La valeur de la similarité est comprise entre 0 et 1. Pour les données numériques, on calcule la similarité en utilisant la distance euclidienne et pour les données symboliques, on utilise la distance de Hamming [11]. Initialisation des seuils de similarité et de dissimilarité des fourmis Tant que il existe une fourmi fi non connectée faire Fin Tant que Si sa position est le support alors Cas support Cas fourmi Fig. 2 Algorithme principal de construction d arbres par des fourmis artificielles. Vers une Optimisation de l Algorithme AntTreeStoch 128

5 Vers une Optimisation de l Algorithme AntTreeStoch La position de toutes les fourmis est initialisée à 0 qui désigne la racine de l arbre. Les décisions de fourmis dépendent de deux valeurs (seuil de similarité et de dissimilarité). Ces seuils sont initialisés respectivement à 1 et à 0. La première fourmi est connectée directement au support. Ensuite pour chaque fourmi fi, on distingue deux cas: C. Cas d une fourmi sur le support Pour chaque fourmi fi qui se trouve sur la racine, si fi est assez similaire à une fourmi f+ qui est connectée à la racine, fi se place sur celle-ci. Dans le cas inverse et si fi est assez dissimilaire à f+ et qu il existe un lien entrant libre sur la racine, fi se connecte à la racine. Si aucune fourmi n est connectée au support f0 alors Connecter fi à f0 Si Sim(fi, f+) SSim(fi) alors Déplacer fi vers f+ Si Sim(fi, f+) < SDissim(fi) alors Si place libre sur le support alors Finsi Connecter fi au support f0 Diminuer SSim(fi) et déplacer fi vers f+ Diminuer SSim(fi) et augmenter SDissim(fi) fi Fig. 3. Algorithme simulant le comportement d une fourmi fi en déplacement sur le support f0. S il n y a pas de place sur la racine, fi est repositionnée sur f+ en diminuant son seuil de similarité pour rendre fi plus tolérante. Enfin, si fi n est ni suffisamment similaire, ni suffisamment dissimilaire, on met à jour ses seuils en diminuant le seuil de similarité et en augmentant le seuil de dissimilarité pour la rendre plus tolérante et augmenter ses chances de se connecter à la prochaine itération la concernant. D. Cas d une fourmi placé sur une autre Lorsque une fourmi «fi» est sur une autre alors on la notera «fpos». S il y a une place sur fpos et qui sont assez similaires et fi suffisamment dissimilaire aux voisines de fpos, alors fi se connecte à fpos. S il n y a pas une place sur fpos alors fi se positionne aléatoirement sur une des voisines de fpos, dans ce cas on ne met pas à jour les seuils, ces derniers ont permis de bien localiser fi dans l arbre et en les modifiant on risquerait de mal classer fi. Maintenant, si fi est suffisamment similaire à fpos mais pas suffisamment dissimilaire aux voisines de fpos, on positionne fi aléatoirement sur une des voisines de fpos et on met à jour les seuils (de la même façon que dans le cas support) pour que fi soit plus tolérante à la prochaine itération la concernant. fi se déplace dans ce cas dans l arbre et pourra trouver un meilleur endroit pour se fixer. O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui 129

6 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui Enfin si fi n est pas suffisamment similaire à fpos, on change de chemin en positionnant fi aléatoirement sur une des voisines de fpos. L algorithme se termine lorsque toutes les fourmis sont connectées. Si Sim(fi, fpos) SSim(fi) alors Si Sim(fi, f+) < SDissim(fi) alors Si nombre de liens entrants < Lmax sur fpos alors Connecter fi à fpos Déplacer fi aléatoirement vers fk Diminuer SDissim(fi), augmenter SSim(fi) et déplacer fi aléatoirement vers fk Déplacer fi aléatoirement vers fk Fig. 4 Algorithme simulant le comportement d une fourmi fi en déplacement sur une autre fourmi fpos connectée à la structure. E. Critiques et limites de AntTreeStoch Nous avons résumé les inconvénients de l algorithme AntTreeStoch dans les points suivants : L exécution séquentielle de l algorithme influe sur la qualité de classification puisque le choix de la branche qu elle va prendre une fourmi quelconque dépend des fourmis déjà classées. Donc le tri initial représente un facteur majeur à cause de l absence totale de parallélisme dans les déplacements des fourmis. Un autre point faible de AntTreeStoch est la non signification de déplacement aléatoire de fourmis dans le cas où la similarité entre la fourmi fi et f+ inférieur de seuil de disimilarité de fi. Le déplacement aléatoire de fi va l éloigner de sa zone de recherche réelle. La taille énorme de l arbre engendré par l algorithme rend son interprétation difficile voir impossible si le nombre de données d apprentissage est énorme. Aussi la croissance de la taille de l arbre rend la phase de classification très longue, ce qui contredit l objectif de l utilisation des métaheuristiques. Devant ces inconvénients, nous avons pensé d effectuer un ensemble de modifications sur l algorithme pour l adapter au type d application où le volume de données est immense. IV. L OPTIMISATION DE L ALGORITHME Pour améliorer les performances de l algorithme, nous avons proposé quelques modifications en se basant sur les critiques citées ci-dessus. Faire déplacer les fourmis d une façon parallèle qui va minimiser l influence de tri initiale sur la qualité de classification. Alors chaque fourmi exécute une seule action à la fois au lieu de tous les déplacements et les accrochages. Ici le parallélisme permet aux fourmis plus de liberté et de ne pas avoir la tendance de créer un niveau plus bas. Vers une Optimisation de l Algorithme AntTreeStoch 130

7 Vers une Optimisation de l Algorithme AntTreeStoch Toujours pour minimiser la taille de l arbre, nous avons ajouté un nouveau paramètre Sid qui permet d avoir plusieurs fourmis connectées à la même position.. La valeur de Sid est proche de zéro pour ne pas influer sur la qualité de classification. Pour rendre la position de chaque nœud plus significative, nous avons modifié les déplacements des fourmis en favorisant le chemin de la fourmi la plus similaire. V. LE MODELE DAC Nous avons développé DAC «Diagnosis Ant Colony», un modèle de simulation basé sur l algorithme AntTreeStoch. DAC offre une interface homme/machine qui permet à l expert de visualiser et valider la classification. Nous avons utilisé comme plateforme de développement l environnement Netlogo qui est un environnement de programmation multiagents. Notre modèle présente aussi l avantage d avertir l utilisateur en cas de déviation survenue. L utilisation de DAC comprend deux phases: la phase de préclassification et la phase de classification. A. La phase de préclassification L expert exécute DAC sur des données historiques et durant cette phase, il peut modifier les paramètres de l algorithme pour trouver la classification qui convient mieux au dynamique du système. A la fin de cette phase, il décore l arbre obtenu pour identifier les différents états détectés. Données Historiques Paramètres de Configuration Elaboration des Classes Arbre Décoré Ajuster Affecter les classes L expert B. La phase de classification Fig. 5 : La phase de préclassification. Lors de cette phase, DAC reçoit les vecteurs de données qui représentent l état fonctionnel du système. En utilisant l arbre élaboré dans la phase précédente, DAC essaye de trouver la classe qui correspond aux données d entrée. Donc, il renvoie comme résultat l un des trois messages suivants : Données représentent un bon fonctionnement du système ; Déviation est détectée ; Donnée non reconnue: dans ce cas à l expert d agir soit par la création d une nouvelle classe ou d ignorer l information jusqu'à une prochaine détection d un état similaire. Processus Données Classification Arbre Décoré Décision L expert Etat actuel Fig. 6 : La phase de classification. O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui 131

8 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui A. Les données de test VI. RESULTATS EXPERIMENTAUX Les résultats obtenus par AntTreeStoch sont évalués en utilisant l ensemble Iris. Iris est une base de données introduite par Fisher en Elle est constituée de 150 enregistrements qui représentent 3 classes. Chaque enregistrement est composé de 4 éléments. L intérêt d utiliser Iris est qu on connaît à l avance la classe réelle de chaque information et donc on peut évaluer la qualité de classification de l algorithme. Nous avons utilisé un autre ensemble de données. Cet ensemble est constitué de 50 enregistrements. Ces données représentent trois modes de fonctionnement d un système. Chaque mode de fonctionnement est composé de quatre paramètres. B. Les paramètres de AntTreeStoch Comme tout autre algorithme, avant de passer à la phase de classification. Il faut fixer quelques paramètres. Ce problème représente l une des inconvénients des méthodes biomimétiques. Puisque les valeurs des paramètres sont liées au nombre d individus et la distribution des données sur la plage de représentation. Le tableau suivant présente les valeurs des paramètres de AntTreeStoch. TABLE 2 : Les Paramètres De AntTreeStoch Paramètre Valeur initiale Évolution a Stable a2 0.2 Stable SSim(fi) Sim moy - max (fi) SSim(fi) * a1 SDissim(fi) Sim moy - min (fi) SDissim(fi) + a2 Ces paramètres sont fixés après l exécution de plusieurs simulations en utilisant comme entrée un ensemble restreint de données. Ces paramètres permettent une bonne distribution des individus sur l arbre et accélèrent l exécution de l algotithme. C. Les mesures d évaluation Les résultats de classification obtenus par une implémentation séquentielle et une autre parallèle à base d un système multi agents sont comparés en termes de nombres de cycles de temps et de nombre de classes obtenues. Nous avons pris une autre mesure d évaluation qui est la pureté d une classe (1). Elle donne le pourcentage des données bien classées. Ct 1 p = å maxm i (1) N i= 1 où p représente la pureté d une classe, M représente la matrice de confusion et N est le nombre total de données. Et finalement, nous allons voir l influence d un nouveau paramètre qu on a introduit sur la taille de l arbre. D. Les résultats Le tableau suivant représente les résultats obtenus d une implémentation séquentielle et une Vers une Optimisation de l Algorithme AntTreeStoch 132

9 Vers une Optimisation de l Algorithme AntTreeStoch autre parallèle de l algorithme AntTreeStoch. Ces résultats sont évalués en utilisant la base de données Iris. Les données de la base ne sont pas triées. TABLE 3 : Résultats obtenus par une implémentation séquentielle et une autre parallèle de l'algorithme Anttreestoch Implémentation Nombre de classes Taille de l arbre Taux d erreur Nombre de mouvements Séquentielle ± 0.1» 450 Parallèle SMA ± 0.4» 400 D après le tableau 3, nous remarquons que l implémentation à base d un système multi agents influe négativement sur la qualité de classification avec un taux d erreur plus élevé. Mais comme prévu, l implémentation parallèle a amélioré la vitesse d exécution de l algorithme. Le tableau suivant montre le nombre de nœud et la taille de l arbre avant et après l ajout de paramètre S id. TABLE 4 : L'arbre Final Obtenu Par AntTreeStoch Avec Et Sans Le Permettre S id. Algorithme Nombre de classes Taille de l arbre Nombre de noeuds Basale Variante Le tableau montre que le paramètre S id réduit la taille de l arbre et le nombre de nœud. Par conséquent, le temps de reconnaissance d une nouvelle information devient relativement plus petit. Réduire la taille de l arbre va faciliter son interprétation par l expert et offre la possibilité de l exploiter par une application auxiliaire pour prédire un dysfonctionnement. VII. CONCLUSION La plupart des techniques intelligentes utilisées pour le diagnostic industriel se basent sur les algorithmes supervisés et nécessitent la préconnaissance de nombre de classes. Dans cet article, nous avons présenté un système multi agent basé sur un algorithme de colonie de fourmis appelé AntTreeStoch. Il permet une classification hiérarchique et non supervisé d états de fonctionnement. L originalité de notre travail est de réduire la taille de l arbre résultat de classification qui a permis une identification plus rapide de l état de fonctionnement. Les résultats obtenus montrent qu on peut détecter l état de fonctionnement d un système avec un taux d erreur acceptable. Donc ; il serait très intéressant d utiliser les algorithmes de colonie de fourmis pour le diagnostic industriel. VIII. REFERENCES [1] A.K. Jain, R.C. Dubes, and C.-C. Chen, "Bootstrap Techniques for Error Estimation," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 9, pp , [2] B Holldöbler, EO Wilson ; "The ants"; Belknap, Harvard University Press, Cambridge, Mass, O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui 133

10 O. Kadri, H. Mouss, A. Abdelhadi, R. Mahdaoui [3] Deneubourg J.-L., Aron, S., Goss, S., et Pasteels, J,-M. "The self-organizing ; exploratory pattern of the argentine ant". Journalon insect Behavior, 3: , [4] Colorni A., Dorigo M., Maniezzo V.: "An Autocatalytic Optimizing Process", Technical Report n Politecnico di Milano, [5] N, Monmarché, "On Data Clustering with Artificial Ants". In:Freitas AA, editor, Data Mining with Evolutionary Algorithms:Research Directions AAAI Workshop, pages AAAI Press, [6] Salima Ouadfel, Mohamed Batouche, "An Efficient Ant Algorithm for Swarm-Based Image Clustering", Journal of Computer Science, Vol 3, p , [7] R.Mahdaoui, H. Mouss, Surveillance industrielle dynamique par les systèmes neuroflous temporels: application a un systeme de production", Conférence international en automatique, Bukhareste, [8] Zhousuo Zhang, Wei Cheng and Xiaoning Zhou, Research on Intelligent Diagnosis of Mechanical Fault Based on Ant Colony Algorithm, The Sixth International Symposium on Neural Networks, Vol 56, P Springer Berlin / Heidelberg, [9] N. Labroche, N. Monmarché, G. Venturini, AntClust : Ant Clustering and Web Usage Mining, Genetic and Evolutionary Computation Conference (GECCO), Chicago, Il, USA, July [10] Hamming, Richard W., "Error detecting and error correcting codes", Bell System Technical Journal, 26 (2), , [11] Wilensky, U. (1999). NetLogo. Center for Connected Learning and Computer-Based Modeling, Northwestern University, Evanston, IL. Vers une Optimisation de l Algorithme AntTreeStoch 134

Laboratoire d Automatique et Productique Université de Batna, Algérie

Laboratoire d Automatique et Productique Université de Batna, Algérie Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,

Plus en détail

Clermont Ferrand - Janvier 2003

Clermont Ferrand - Janvier 2003 DISDAMIN: Algorithmes de Data Mining Distribués Valerie FIOLET (1,2) - Bernard TOURSEL (1) 1 Equipe PALOMA - LIFL - USTL - LILLE (FRANCE) 2 Service Informatique - UMH - MONS (BELGIUM) Clermont Ferrand

Plus en détail

Initiation à la fouille de données et à l apprentissage automatiq

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/

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

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?

Plus en détail

G. Lesauvage. Laboratoire d Informatique et du Traitement de l Information et des Systèmes

G. Lesauvage. Laboratoire d Informatique et du Traitement de l Information et des Systèmes Gestion dynamique des activités des chariots cavaliers sur un terminal portuaire à conteneurs en environnement incertain - approche par intelligence collective - G. Lesauvage Unité de Formation et de Recherche

Plus en détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

Plus en détail

Rapport. TME2 - Problème d affectation multi-agents

Rapport. TME2 - Problème d affectation multi-agents Rapport TME2 - Problème d affectation multi-agents Auteurs : Encadrant : Lan Zhou Safia Kedad-Sidhoum Minh Viet Le Plan I. Problème :... 2 II. Question 1 - Formulation linéaire du problème :... 2 III.

Plus en détail

Profil du candidat et connaissances techniques à connaître/maîtriser

Profil du candidat et connaissances techniques à connaître/maîtriser Utilisation d algorithmes de deep learning pour la reconnaissance d iris. jonathan.milgram@morpho.com Dans ce cadre, l'unité de recherche et technologie a pour but de maintenir le leadership Au sein de

Plus en détail

Classification de Données Multidimensionnelles Techniques de Projection des Données dans des Espaces de Dimension Réduite

Classification de Données Multidimensionnelles Techniques de Projection des Données dans des Espaces de Dimension Réduite Classification de Données Multidimensionnelles Techniques de Projection des Données dans des Espaces de Dimension Réduite Denis HAMAD ULCO LASL Denis.Hamad@laslIuniv-littoral.fr Présenté dans la journée

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

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

Plus en détail

Influence De La Taille Du Jeton Sur Les Performances De L algorithme D'exclusion Mutuelle De Ricart - Agrawala

Influence De La Taille Du Jeton Sur Les Performances De L algorithme D'exclusion Mutuelle De Ricart - Agrawala Influence De La Taille Du Jeton Sur Les Performances De L algorithme D'exclusion Mutuelle De Ricart - Agrawala Sarah Benkouider, Souhila Labgaa 2, Mohamed Yagoubi 3 Université Amar Telidji Département

Plus en détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

Analyse abstraite de missions sous PILOT

Analyse abstraite de missions sous PILOT Analyse abstraite de missions sous PILOT Damien Massé EA 3883, Université de Bretagne Occidentale, Brest damien.masse@univ-brest.fr Résumé Nous étudions la possibilité de réaliser un analyseur par interprétation

Plus en détail

Outils Statistiques du Data Mining

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

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

L approche Bases de données

L approche Bases de données L approche Bases de données Cours: BD. Avancées Année: 2005/2006 Par: Dr B. Belattar (Univ. Batna Algérie) I- : Mise à niveau 1 Cours: BDD. Année: 2013/2014 Ens. S. MEDILEH (Univ. El-Oued) L approche Base

Plus en détail

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 4 Développement d un système intelligent DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement

Plus en détail

CRÉER UN COURS EN LIGNE

CRÉER UN COURS EN LIGNE Anne DELABY CRÉER UN COURS EN LIGNE Deuxième édition, 2006, 2008 ISBN : 978-2-212-54153-3 2 Que recouvre le concept d interactivité? Dans une perspective de cours en ligne, une activité interactive est

Plus en détail

Rapport de Stage. Habillage procédural et rendu en temps réel de vastes terrains texturés par GPU-quadtrees. (15 janvier - 15juillet 2006

Rapport de Stage. Habillage procédural et rendu en temps réel de vastes terrains texturés par GPU-quadtrees. (15 janvier - 15juillet 2006 Rapport de Stage Habillage procédural et rendu en temps réel de vastes terrains texturés par GPU-quadtrees (15 janvier - 15juillet 2006 15 avril - 15 juillet 2007) Effectué au sein du laboratoire MAP-ARIA

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons

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

GIND5439 Systèmes Intelligents. Septembre 2004

GIND5439 Systèmes Intelligents. Septembre 2004 GIND5439 Systèmes Intelligents Septembre 2004 Contenu du cours Introduction aux systèmes experts Intelligence artificielle Représentation des connaissances Acquisition de connaissances Systèmes à base

Plus en détail

Génération d une visualisation personnalisée

Génération d une visualisation personnalisée Génération d une visualisation personnalisée Mohamed Mouine RALI-DIRO Université de montréal mouinemo@iro.umontreal.ca Résumé. Nous présentons une méthode permettant de calculer les besoins et les préférences

Plus en détail

Optimisation Par Colonies de Fourmis

Optimisation Par Colonies de Fourmis Optimisation Par Colonies de Fourmis Présenté Par Valentin Cristinel Preda Djenet Tali-Maamar V.C.Preda & Dj.Tali-Maamar 1 Plan Introduction et historique Préambule de la méthode L algorithme de colonies

Plus en détail

SERVICES RELATIFS A L EXPLOITATION DE RESEAUX DE TELECOMMUNICATIONS (Terrestres et satellitaires)

SERVICES RELATIFS A L EXPLOITATION DE RESEAUX DE TELECOMMUNICATIONS (Terrestres et satellitaires) PROBLEMATIQUE - L APPROCHE JADE Telecom L exploitation de réseaux de télécommunications implique pour les entreprises la prise en compte de différents points importants : La mise en place de personnel

Plus en détail

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

Plus en détail

Méthodes de DM pour la GRC dans les banques

Méthodes de DM pour la GRC dans les banques Techniques de DM pour la GRC dans les banques Page 21 III.1 Introduction Avant de chercher des techniques à appliquer dans la gestion des relations avec les clients. Il faut étudier les données des clients

Plus en détail

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN Mourad Hadjila Hervé Guyennet RGE Université Franche-Comté femto-st, DISC, Besançon

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Analyse des réseaux sociaux et apprentissage

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

Plus en détail

L'Intelligence Artificielle pour les développeurs Concepts et implémentations en Java

L'Intelligence Artificielle pour les développeurs Concepts et implémentations en Java Avant-propos 1. Objectifs du livre 15 2. Public et prérequis 15 3. Structure du livre 16 4. Code en téléchargement 18 Introduction 1. Présentation du chapitre 19 2. Définir l intelligence 19 3. L intelligence

Plus en détail

Classification par des méthodes de data mining. Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse

Classification par des méthodes de data mining. Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse Classification par des méthodes de data mining Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse Plan: Le processus métier Présentation des 3 méthodes étudiées: Arbres de décision Machines à vecteurs

Plus en détail

Dans ce chapitre nous allons étudier une méthode pratique d anti-phishing, ce qui consiste à un système de classification automatique.

Dans ce chapitre nous allons étudier une méthode pratique d anti-phishing, ce qui consiste à un système de classification automatique. I INTRODUCTION Les pages de phishing sont l un des problèmes majeurs de sécurité sur internet. La majorité des attaques utilisent des méthodes sophistiquées comme les fausses pages pour tromper les utilisateurs

Plus en détail

GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 2013

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

Plus en détail

DataHighDim. ACI «Masse de Données» - 2003. Analyse exploratoire et discriminante de données en grande dimension

DataHighDim. ACI «Masse de Données» - 2003. Analyse exploratoire et discriminante de données en grande dimension ACI «Masse de Données» - 2003 DataHighDim Analyse exploratoire et discriminante de données en grande dimension Anne Guérin-Dugué Laboratoire CLIPS Grenoble UJF, CNRS UMR 5524 Communication Langagière et

Plus en détail

MÉTHODES DE CLASSIFICATION

MÉTHODES DE CLASSIFICATION MÉTHODES DE CLASSIFICATION Pierre-Louis GONZALEZ MÉTHODES DE CLASSIFICATION Objet Opérer des regroupements en classes homogènes d un ensemble d individus. Données Les données se présentent en général sous

Plus en détail

Shadow Manager Simulateur de gestion globale d entreprise. Introduction

Shadow Manager Simulateur de gestion globale d entreprise. Introduction Shadow Manager Simulateur de gestion globale d entreprise Introduction Le logiciel de simulation d entreprise Shadow Manager représente le nec plus ultra des outils pédagogiques de simulation de gestion

Plus en détail

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine.

Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Utilisation des diagrammes de Voronoï et des algorithmes génétiques pour l'étude des complexes protéine-protéine. Anne Poupon Biologie et Bioinformatique des Systèmes de Signalisation INRA - Nouzilly France

Plus en détail

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui

Plus en détail

Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière

Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence

Plus en détail

Druais Cédric École Polytechnique de Montréal. Résumé

Druais Cédric École Polytechnique de Montréal. Résumé Étude de load balancing par un réseau de neurones de types HME (Hierarchical Mixture of s). Druais Cédric École Polytechnique de Montréal Résumé Cet article tente d introduire le principe de load balancing

Plus en détail

V ERSION EXPERIMENTALE

V ERSION EXPERIMENTALE V ERSION EXPERIMENTALE Cette version de Sipina v 3.0 n est pas, et ne sera jamais, définitive, elle sert d outil de recherche, elle a plus une vocation d outil d expérimentation que de logiciel dédié au

Plus en détail

Apprentissage par méthodes à noyaux en reconnaissance d images

Apprentissage par méthodes à noyaux en reconnaissance d images Apprentissage par méthodes à noyaux en reconnaissance d images Alberto Bietti Table des matières Introduction 2 1 Apprentissage par méthodes à noyaux 2 1.1 Position du problème et motivation..........................

Plus en détail

Introduction aux épreuves de logique des concours ACCÈS et SESAME

Introduction aux épreuves de logique des concours ACCÈS et SESAME Introduction aux épreuves de logique des concours ACCÈS et SESAME «La chance aide parfois, le travail toujours» Vous vous apprêtez à vous lancer dans cette course contre la montre qu est l admission en

Plus en détail

Plan du cours. Intelligence Artificielle et Manipulation Symbolique de l Information. Induction de règles (rappels) L induction logique

Plan du cours. Intelligence Artificielle et Manipulation Symbolique de l Information. Induction de règles (rappels) L induction logique Intelligence Artificielle et Manipulation Symbolique de l Information Cours 0 mercredi 8 avril 205 Plan du cours Raisonner par induction l induction Induction par arbres de décision Christophe Marsala

Plus en détail

Optimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application. Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6

Plus en détail

L'Intelligence Artificielle pour les développeurs Concepts et implémentations en C#

L'Intelligence Artificielle pour les développeurs Concepts et implémentations en C# Introduction 1. Structure du chapitre 19 2. Définir l intelligence 19 3. L intelligence du vivant 22 4. L intelligence artificielle 23 5. Domaines d application 25 6. Synthèse 27 Systèmes experts 1. Présentation

Plus en détail

RAPPORT DE CONCEPTION UML :

RAPPORT DE CONCEPTION UML : Carlo Abi Chahine Sylvain Archenault Yves Houpert Martine Wang RAPPORT DE CONCEPTION UML : Bamboo Ch@t Projet GM4 Juin 2006 Table des matières 1 Introduction 2 2 Présentation du logiciel 3 2.1 Précisions

Plus en détail

CODATU XI. Congrès Mondial de Bucarest 22-24 Avril 2004

CODATU XI. Congrès Mondial de Bucarest 22-24 Avril 2004 CODATU XI Congrès Mondial de Bucarest 22-24 Avril 2004 MODELE DE SIMULATION DE FLUX DE VOYAGEURS POUR L ETUDE ET L EXPLOITATION DES STATIONS DE TRAMWAY ET DE BUS ET DE LEURS EQUIPEMENTS COMPORTEMENT DES

Plus en détail

Regroupement (clustering) Bruno Pinaud (basé sur le support de Sofian Maabout)

Regroupement (clustering) Bruno Pinaud (basé sur le support de Sofian Maabout) 1 Regroupement (clustering) Bruno Pinaud (basé sur le support de Sofian Maabout) C est quoi? Regroupement (Clustering): construire une collection d objets Similaires au sein d un même groupe Dissimilaires

Plus en détail

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.

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

Plus en détail

Travailler avec les télécommunications

Travailler avec les télécommunications Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la

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

Evaluation des performances de programmes parallèles haut niveau à base de squelettes

Evaluation des performances de programmes parallèles haut niveau à base de squelettes Evaluation des performances de programmes parallèles haut niveau à base de squelettes Enhancing the Performance Predictability of Grid Applications with Patterns and Process Algebras A. Benoit, M. Cole,

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

Plus en détail

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2 Sommaire Sommaire... 1 Introduction... 2 1 Trois différentes techniques de pricing... 3 1.1 Le modèle de Cox Ross Rubinstein... 3 1.2 Le modèle de Black & Scholes... 8 1.3 Méthode de Monte Carlo.... 1

Plus en détail

Encryptions, compression et partitionnement des données

Encryptions, compression et partitionnement des données Encryptions, compression et partitionnement des données Version 1.0 Grégory CASANOVA 2 Compression, encryption et partitionnement des données Sommaire 1 Introduction... 3 2 Encryption transparente des

Plus en détail

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs.

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Le jury n exige pas une compréhension exhaustive du texte. Vous êtes laissé(e) libre d organiser votre discussion

Plus en détail

6761 Validation de la conformité 21.03.2007

6761 Validation de la conformité 21.03.2007 6761 Validation de la conformité 21.03.2007 Peter DAEHNE 1 Tests de stress Les tests de stress permettent d étudier le comportement du logiciel lorsque celui-ci est mis dans des situations extrêmes, aux

Plus en détail

Méthodes d apprentissage :

Méthodes d apprentissage : Méthodes d apprentissage : application au tri de complexes protéines-protéines Jérôme Azé Apprentissage: tâches Apprentissage non supervisé (Eisen, ) Apprentissage supervisé (arbres de décision, k-ppv,

Plus en détail

2.0 Interprétation des cotes d évaluation des risques relatifs aux produits

2.0 Interprétation des cotes d évaluation des risques relatifs aux produits 2.0 Interprétation des cotes d évaluation des risques relatifs aux produits L interprétation des cotes attribuées dans le cadre des évaluations des risques relatifs aux produits décrite plus loin repose

Plus en détail

Diverses techniques d'optimisation inspirées de l'auto-organisation dans les systèmes biologiques

Diverses techniques d'optimisation inspirées de l'auto-organisation dans les systèmes biologiques Diverses techniques d'optimisation inspirées de l'auto-organisation dans les systèmes biologiques Johann Dréo & Patrick Siarry Université Paris 12 (LERISS) Séminaire Optimisation par Essaim Particulaire

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

DOCUMENTATION ASSOCIEE A UN PROJET LOGICIEL

DOCUMENTATION ASSOCIEE A UN PROJET LOGICIEL DOCUMENTATION ASSOCIEE A UN PROJET LOGICIEL 31 août 2004 Plate-Forme Opérationnelle de modélisation INRA ACTA ICTA http://www.modelia.org FICHE DU DOCUMENT 10 mai 04 N.Rousse - : Création : version de

Plus en détail

LES REPRESENTATIONS DES NOMBRES

LES REPRESENTATIONS DES NOMBRES LES CARTES A POINTS POUR VOIR LES NOMBRES INTRODUCTION On ne concevrait pas en maternelle une manipulation des nombres sans représentation spatiale. L enfant manipule des collections qu il va comparer,

Plus en détail

Héritage en java : Calculatrice SDC

Héritage en java : Calculatrice SDC Programmation orientée objet L3 MIAGE Héritage en java : Calculatrice SDC Travail à rendre : le code complet du projet SDC sous forme d une archive tar.gz. L archive comportera trois répertoires : un répertoire

Plus en détail

Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources

Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources Algorithmique distribuée d exclusion mutuelle : vers une gestion efficace des ressources Jonathan Lejeune LIP6-UPMC/CNRS, Inria 19 septembre 2014 Directeur : Pierre Sens Encadrants : Luciana Arantes et

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

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

Plus en détail

Rapport d activité. Mathieu Souchaud Juin 2007

Rapport d activité. Mathieu Souchaud Juin 2007 Rapport d activité Mathieu Souchaud Juin 2007 Ce document fait la synthèse des réalisations accomplies durant les sept premiers mois de ma mission (de novembre 2006 à juin 2007) au sein de l équipe ScAlApplix

Plus en détail

Rapport de Projet Informatique Simulation Monte-Carlo du modèle XY

Rapport de Projet Informatique Simulation Monte-Carlo du modèle XY Rapport de Projet Informatique Simulation Monte-Carlo du modèle XY Alejandro Daniel Paredes Cabrel sous la direction de : Xavier Leoncini Centre de Physique Théorique de Marseille Fevrier- 29 Objectif

Plus en détail

Planifica(on du stockage intermédiaire dans l industrie du shampoing

Planifica(on du stockage intermédiaire dans l industrie du shampoing dans l industrie du shampoing R. Belaid, V. T kindt, C. Esswein, rabah.belaid@etu.univ-tours.fr Université François Rabelais Tours Laboratoire d Informatique 64 avenue Jean Portalis, 37200, Tours Journées

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire

Plus en détail

La Programmation Orientée Agent Les Agents Réactifs

La Programmation Orientée Agent Les Agents Réactifs La Programmation Orientée Agent Les Agents Réactifs Emmanuel ADAM Université de Valenciennes et du Hainaut-Cambrésis UVHC/ISTV-LAMIH E. ADAM University of Valenciennes La Programmation Orientée Agent Les

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

Journée de rencontres ANSES - IGN - INA - Labex Bézout

Journée de rencontres ANSES - IGN - INA - Labex Bézout Journée de rencontres ANSES - IGN - INA - Labex Bézout Présentation du LAMA Stéphane Sabourau 3 mars 2014 Présentation générale Le Laboratoire d Analyse et Mathématiques Appliquées (LAMA) est composé de

Plus en détail

Étude Des Zones D un Joint De Soudure D une Eprouvette Sollicitée En Fatigue

Étude Des Zones D un Joint De Soudure D une Eprouvette Sollicitée En Fatigue Étude Des Zones D un Joint De Soudure D une Eprouvette Sollicitée En Fatigue F.Z.KETTAF 1, N.H.CHERIET 2, B. BOUCHOUICHA 3 Laboratoire LMSR.Université Djillali Liabès Sidi Bel Abbes- Algérie. 1 fz.kettaf@gmail.com

Plus en détail

LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS

LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS LIVRE BLANC LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS Une collaboration entre homme et machine LIVRE BLANC LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS 2 A PROPOS Les hommes

Plus en détail

But du cours. Sources & références. Sources & références. Sources & références. Plan. La fouille de données (ou data mining) Principe (postulat...

But du cours. Sources & références. Sources & références. Sources & références. Plan. La fouille de données (ou data mining) Principe (postulat... But du cours Vocabulaire, principes et techniques du Data Mining Méthodes et Algorithmes Interprétation des résultats. Data Mining : Concepts and Techniques J. Han, M. Kamber Morgan Kaufmann Le Data Mining

Plus en détail

Ce qu est le Data Mining

Ce qu est le Data Mining Data Mining 1 Ce qu est le Data Mining Extraction d informations intéressantes non triviales, implicites, préalablement inconnues et potentiellement utiles à partir de données. Autres appellations: ECD

Plus en détail

INITIATION AUX SIMULATIONS DES CONTRAINTES ET DEFORMATIONS D UNE STRUCTURE

INITIATION AUX SIMULATIONS DES CONTRAINTES ET DEFORMATIONS D UNE STRUCTURE DOSSIER : CHARIOT PORTE PALAN INITIATION AUX SIMULATIONS DES CONTRAINTES ET DEFORMATIONS D UNE STRUCTURE ATELIER CATIA V5: GENERATIVE STRUCTURAL ANALYSIS OBJECTIFS : L objectif de cette étude consiste

Plus en détail

Un logiciel open source pour l enseignement et la recherche

Un logiciel open source pour l enseignement et la recherche Un logiciel open source pour l enseignement et la recherche Ricco RAKOTOMALALA Laboratoire ERIC Université Lumière Lyon 2 http://chirouble.univ-lyon2.fr/~ricco/tanagra/ 1 sur 23 PLAN 1. Objectifs du projet

Plus en détail

Activité 1 : échantillonnage

Activité 1 : échantillonnage Activité échantillonnage, intervalle de fluctuation, prise de décision (à partir d un même thème) Les trois activités qui suivent s inspirent du document «ressources pour la classe de première générale

Plus en détail

Ebauche Rapport finale

Ebauche Rapport finale Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide

Plus en détail

Méthode de Test. Pour WIKIROUTE. Rapport concernant les méthodes de tests à mettre en place pour assurer la fiabilité de notre projet annuel.

Méthode de Test. Pour WIKIROUTE. Rapport concernant les méthodes de tests à mettre en place pour assurer la fiabilité de notre projet annuel. Méthode de Test Pour WIKIROUTE Rapport concernant les méthodes de tests à mettre en place pour assurer la fiabilité de notre projet annuel. [Tapez le nom de l'auteur] 10/06/2009 Sommaire I. Introduction...

Plus en détail

Territoires, Environnement, Télédétection et Information Spatiale. Unité mixte de recherche Cemagref - CIRAD - ENGREF

Territoires, Environnement, Télédétection et Information Spatiale. Unité mixte de recherche Cemagref - CIRAD - ENGREF Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche Cemagref - CIRAD - ENGREF Master ère année Analyse spatiale, analyse géographique, spatialité des sociétés Master

Plus en détail

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Application des réseaux de neurones au plan de répartition des risques 5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Copyright c

Plus en détail

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07 Reconstruction et Animation de Visage Charlotte Ghys 15/06/07 1 3ème année de thèse Contexte Thèse CIFRE financée par Orange/France Telecom R&D et supervisée par Nikos Paragios (Ecole Centrale Paris) et

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours 0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage 3- Organisation du cours Le présent cours constitue une introduction pour situer le langage C++, beaucoup des concepts

Plus en détail

Le voyageur de commerce

Le voyageur de commerce Université de Strasbourg UFR Maths-Informatique Licence 3 - Semestre 6 Le voyageur de commerce Jonathan HAEHNEL & Marc PAPILLON Strasbourg, le 3 mai 2012 Table des matières 1 Etat des lieux 4 1.1 Fonctionnalités..............................

Plus en détail

LA MÉTHODE S.P.C. (STATISTICAL PROCESS CONTROL)

LA MÉTHODE S.P.C. (STATISTICAL PROCESS CONTROL) 1GM Sciences et Techniques Industrielles Page 1 sur 5 Productique - Cours Génie Mécanique Première LA MÉTHODE S.P.C. (STATISTICAL PROCESS CONTROL) Née aux USA, la méthode S. P. C. est traduite le plus

Plus en détail

Les systèmes RAID Architecture des ordinateurs

Les systèmes RAID Architecture des ordinateurs METAIS Cédric 2 ème année Informatique et réseaux Les systèmes RAID Architecture des ordinateurs Cédric METAIS ISMRa - 1 - LES DIFFERENTS SYSTEMES RAID SOMMAIRE INTRODUCTION I LES DIFFERENTS RAID I.1 Le

Plus en détail