Programme de l option Ingénierie d Aide à la Décision (IAD)
|
|
- Nicole Leroy
- il y a 8 ans
- Total affichages :
Transcription
1 Programme de l option Ingénierie d Aide à la Décision (IAD) Responsable : Maria Malek 18 octobre Objectif Deux domaines sont explorés dans cette option : La fouille des données (Data Mining) : Découvrir les informations intéressantes, utiles dans les très grandes bases de données. Utiliser les outils mathématiques puissants pour construire des algorithmes très performants. La recherche opérationnelle : Traiter des problèmes d optimisation, d aide à la décision et d évaluation de performances liées aux organisations et procédés du monde réel. Domaines : transports, télécommunications, systèmes de production, procédés industriels 2 Module exploration et fouille des données - 218h Apprentissage automatique et fouille de données : approche applicative - 30h. Méthodes et outils pour le "Big Data" - 20h. Web Mining - 20h. Analyse des réseaux sociaux - 40h. SAS Entreprise Miner- 24h. Analyse de données approfondie - 15h. Modèles de prévision - 24h. Text Mining - 30h. Vie Artificielle - 15h. 3 Module Recherche Opérationnelle - 127h Programmation par contraintes - 33h. Théorie de la complexité - 15h. SAS/OR Recherche opérationnelle - 24h. 1
2 Optimisation multi-objective - 15h. Recherche Opérationnelle et métiers - 40h. 4 modules complémentaires - 90h Python - 20h. Web sémantique et Ontologies - 20h. Introduction à l informatique décisionnelle - 30h. Web des données et du temps réel - 20h. 5 Les projets de l option - 340h Projet d entreprise - 140h, Projet de fin d études - 200h. 6 des cours 6.1 Module Exploration et fouille des Données Apprentissage automatique et Fouille de données : approche applicative Maria Malek Objectif Le cours de fouille de données permet aux étudiants d avoir une approche approfondie de la problématique et des applications de la fouille de données. Il permet également d étudier plusieurs modèles ainsi que leurs applicabilités sur différents types de données. Les travaux pratiques se font sur Weka. Ce cours est composé de deux parties, une partie théorique et une partie applicative. La partie théorique permet dans un premier temps de voir les méthodes et les techniques d apprentissage symboliques, statistiques et connexionnistes. Une Introduction à la problématique de "Big Data" et la fouille des données parallèles est ensuite présentée. La libraire Mahout et le framework MapReduce sont utilisées. 1. Apprentissage supervisé ou non supervisé. Notions de précision et de rappel, erreur apparente, matrice de confusion et validation croisée. 2. Méthodes & techniques d apprentissage automatique supervisé (a) Les modèles SVM et les modèles neuronaux. (b) Les arbres de décisions. Les algorithmes ID3, C4.5, Cart. (c) l algorithme foil & la résolution inverse, (d) Les règles d associations : algorithmes apriori et aprioritid. Génération des règles d associations. 2
3 3. Le classifieur bayésien naïf. 4. Les réseaux bayésiens (a) Inférences descendante et ascendante. (b) Loi du réseau bayésien. (c) Structure de bases : linéaire, en V ou en chapeau. (d) Problèmes de prédiction et de diagnostic. 5. Méthodes de discrétisation et de sélection des variables 6. Implémentation parallèle de certains algorithmes avec le Framework MapReduce : K-means, FPGrowth, etc. [1] Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy Advances in Knowledge Discovery and Data Mining. AAAI/MIT Press, [2] Ian H. Witten ; Eibe Frank Data Mining : Practical machine learning tools and techniques, 2nd Edition.. Morgan Kaufmann, [3] Sean Owen, Robin Anil, Ted Dunning, and Ellen Friedman Mahout in Action. Manning Publications, 1 edition, January Web Mining Maria Malek Objectif Le but de ce cours est d introduire la problématique du web mining ainsi que son utilisation dans les méthodes de personnalisation, de découverte du profil utilisateur ainsi que le filtrage collaboratif. Il s agit d étudier les méthodes et les techniques de fouille des données appliquées au web. Trois types de données sont étudiés : la structure du web, les comportements des internautes ainsi que le contenu des pages. 1. Représentation et modélisation des données web : le contenu, la structure et le comportement. Représentation du contenu des pages webs. Modélisation des sessions de navigations. Représentation de la structure hyper-média du web. 2. Techniques d exploration des différents types de données et d actions utilisateurs. Algorithmes d apprentissage non supervisés : classification hiérarchique ascendante, centres mobiles, règles d association, etc. Algorithme d apprentissage supervisé : arbre de décision, réseaux de neurones raisonnement à partir de cas, etc. 3
4 3. Applications du web mining : Détection de profil, prédiction & recommendation personnalisation, adaptation des sites web et filtrage collaborative. [1] Bing Liu Web Data Mining,Exploring Hyperlinks, Contents, and Usage Data.. Springer, Analyse de réseaux sociaux Rushed Kanawati / LIPN-Université Paris13 Objectif Dans de nombreux contextes variés des graphes sont employées pour modéliser des systèmes d interactions complexes ; nous les manipulons aujourd hui fréquemment au sein de réseaux biologiques, de réseaux sociaux, de graphes de modélisation du web, de graphes d échanges pair-à-pair par exemple. Ces graphes ont généralement des propriétés non triviales communes qui les distinguent des graphes aléatoires. L objectif de ce cours est d introduire les problématiques et les techniques d analyse et de fouille de ce type de graphes. Nous nous appuyons sur le langage Python et la bibliothèque NetworkX1. 1. Fondements : Acteurs, Relations, Représentation par graphes et/ou matrices. 2. Exemple : le petit monde, les communautés sur internet, etc. 3. Calculs en analyse de réseaux sociaux : Centralité de degré, Centralité d intermédiarité, Centralité de Proximité. Centralité de prestige, Centralisation de pouvoir. Clustering coefficient, Degré de cohésion, Degré de densité. Longueur du chemin, Radiality, Reach. Équivalence structurale, Trou structural, Multiplexité. 4. Identification de communautés : définitions, problématiques, fonctions de qualité, classification des approches & applications : Mise en œuvre d algorithmes séparatifs (Newman) et agglomératifs (Louvain). 5. Nouvelles approches d identification de communautés : Algorithmique génétique, identifications de meneurs. Mise en œuvre de différents algorithmes d identifications de meneurs. 6. Identification de communautés dans des graphes multipartites. 7. Problème de prévision de liens : Problématiques, problèmes similaires, approches. Techniques d apprentissage automatique supervisés et semi-supervisé pour la prévision de liens : Recommandation de films par prévision de liens dans un graphe bipartite : cas de MovieLens 8. Visualisation de grands graphe : Prise en main de l outil igraph. 4
5 [1] C.C. Aggarwal Social Network Data Analysis. Springer Science and Business Media, SAS : Entreprise Miner Richard Eudes /SAS. Objectif Optimiser le ciblage Marketing, développer ces ventes, détecter les comportements frauduleux. Les modèles prédictifs permettent de répondre à ces attentes. Ce cours présente aux élèves comment implémenter et industrialiser ces modèles avec la méthodologie SEMMA du logiciel SAS Enterprise MinerTM. 1. Tour d horizon du logiciel SAS R Enterprise MinerTM, Présentation des fonctionnalités, Création d un projet, Exploration graphique des données. 2. Analyse descriptive, Méthode de classification, Analyse du profil des segments ou classes, Règles d association. 3. Partitionnement de données. 4. Arbres de décision : construction des arbres, choix du meilleur arbre. 5. Comparaison des modèles candidats : choix du meilleur modèle. 6. Régression logistique : traitement des données manquantes, sélection de variables, régression polynomiale. 7. Réseaux de neurones : introduction et utilisation. 8. Matrice de profit, ajustement en cas de sur-échantillonnage 9. Scoring : application du modèle à de nouvelles données Modèles de prévisions Hervé De Milleville Objectif L objet de cette matière est l étude d une suite de valeurs numériques représentant l évolution d une quantité au cours du temps (série temporelle ou chronologique). De telles suites de valeurs peuvent être exprimées mathématiquement afin d en analyser le comportement, généralement pour comprendre son évolution passée et pour en prévoir le comportement futur (prévision à court terme). 1. Méthode de moyennes mobiles simples et doubles. 2. Méthode de lissage exponentiel simple et double. 3. Méthode de modèle de Holt et Winter. 5
6 4. Les méthodes ARMA. 5. Méthode de détection de la saisonnalité par auto corrélation. 6. Les logiciels utilisés sont EXCEL et SAS. [1] Bovas Abraham, Johannes Ledolter Statistical Methods for Forecasting Editeur. Wiley Text Mining et langage naturel Hervé De Milleville Objectif Il s agit de donner aux élèves les concepts et les techniques d analyse et de classification de textes en quantité massive. On montre la différence avec le traitement de langage naturel qui s intéresse à l analyse linguistique et le Text Mining qui s intéresse à l analyse statistique. On s appuiera sur l outil très puissant de SAS : Text Miner. 1. Data Mining et Text Mining : pour qui et pour quoi? 2. Mots et lemmatisation. 3. Analyse linguistique. 4. Analyses statistiques. 5. Mots et fréquences de mots. 6. Thèmes et analyse factorielle de correspondance multiples. 7. Thèmes et classification et extraction automatique de mots-clés. 8. Classement de documents : arbre de décision et réseau de neurones. 9. Requêtes ouvertes : chaîne de Markov. [1] Ronen Feldman, James Sanger The Text Mining Handbook Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press Vie Artificielle Stefan Bornhfen 6
7 6.2 Module Recherche Opérationnelle 1. Complexité, émergence, automates cellulaires 2. Fractales, L-systèmes 3. Intelligence collective, algorithmes de colonies de fourmis 4. Systèmes multi-agents 5. Evolution artificielle 6. Mondes virtuels & perspectives 6.2 Module Recherche Opérationnelle Programmation par contraintes et ordonnancement Maria Malek Objectif Les techniques et les algorithmes utilisés pour la résolution des contraintes sont présentés. La problématique de la recherche des algorithmes performants et optimisés est détaillée tout le long de ce cours. L outil utilisé : GNU Prolog. 1. Problème de Satisfaction de Contraintes, Algorithmes Backtrack, Anticipation & Choix du plus petit domaine. 2. La notion de Consistance, Algorithmes AC1, AC3 & AC4. 3. Les Contraintes & Gnu Prolog. Le problème de N reines, Le problème du zèbre 4. Les contraintes globales. Problème de voyageur de commerce. Problème du sac à dos. 5. Coloration et emploi du temps. 6. Exercices : Problème du Sel & Moutarde, Problème d ordonnancement, SUDOKU, Problème des Mariages stables [1] Thom Frühwirth and Slim Abdennadher, Essentials of Constraint Programming. Springer, Théorie de la complexité Houcine Senoussi Objectif Introduire la théorie de la décidabilité à travers ses grands thèmes (un problème peut-il être résolu sur ordinateur? Donner aux étudiants les moyens d évaluer la difficulté d un problème et de savoir ce qui est faisable (sur ordinateur) et ce qui ne l est pas. 7
8 1. Elements de base, Objet de la décidabilité 2. Rappels sur la théorie des graphes 3. Machine de Turing. Rappels et compléments sur la théorie des langages 4. Décidabilité : langages récursifs et langages récursivement énumerables. 5. Problèmes indécidables : le problème de l arrêt (HALTING) 6. Complexité : classes de problèmes, classes P et NP, Problèmes NP-Complets [1] C. H. Papadimitriou, Computational complexity. Addison-Wesley, [2] P. Wolper, Introduction à la calculabilité (3ième édition). Dunod, SAS-OR Richard Eudes/SAS. Objectif This course focuses on formulating and solving mathematical optimization using the OPTMODEL procedure, from inputting data to interpreting output and generating reports. The course covers linear, integer, mixed-integer, and nonlinear programming problems, with an emphasis on model formulation and construction. 1. Introduction to Mathematical Optimization. 2. Linear Programming Problems : Basic Ideas 3. Linear Programming Problems : Additional Topics 4. Integer and Mixed-Integer Linear Programming Problems 5. Nonlinear Programming Problems Optimisation multi objectif et multi critères Rachid Chelouah Objectif L objectif de ce cours est de donner aux étudiants des méthodes et des outils pour savoir modéliser et identifier des problèmes tels que les problèmes : Ordonnancement, Cheminement, Arbre recouvrant, Voyageur de commerce, Affectation, Routage de véhicules, etc.les nombreux secteurs de l industrie concernés par ces problèmes sont : Télécommunications, Transport, Environnement, Mécanique, Aéronautique, etc.). 8
9 1. Définitions et problématiques. Classification des méthodes. Les méthodes agrégées. 2. Méthode par moyenne pondérée. Méthode du but programmé. Méthode par but à atteindre. 3. Le min-max. Les méthodes non agrégées et non Pareto. 4. Sélection parallèle (VGA). Utilisation des genres. La méthode lexicographique. 5. Les méthodes basées sur Pareto. 6. Résolution par les métaheuristiques. Recuit simulé SA. Recherche tabou TS. 7. Algorithme génétique GA. Algorithme colonie de fourmis ACO. Algorithme par essaim particulaire PSO. [1] Coello Coello, C. A. ; Lamont, G. B. ; Van Veldhuizen, D. A. Evolutionary Algorithms for Solving Multi-Objective Problems (2 ed.).. Springer, Recherche Opérationnelle & Métiers Jean-Paul Vedel Objectif Montrer des cas industriels relevant des techniques de à modéliser des problèmes complexes, " à choisir de façon pertinente les techniques de résolution " à donner des interprétations économiques pour aider à la décision et en particulier on approfondit l étude de la stabilité des solutions obtenus à travers du calibrage de paramètres opérationnelle. 1. Programmation linéaire appliquée à la production 2. Programmation dynamique 3. Gestion des stocks 4. Chaînes de Markov 5. Optimisation des transports 6. Gestion des files d attente 7. Soutien logistique et fiabilité. [1] Robert Faure, Bernard Lemaire, Christophe Picouleau récis de recherche opérationnelle. Dunod. 9
10 6.3 modules complémentaires - 70h 6.3 modules complémentaires - 70h Web sémantique et Ontologies Maria Malek Objectif Le but de ce cours est d introduire le domaine du web sémantique et d ontologies ainsi que leurs utilisations dans la représentation des connaissances sur le web ainsi que dans le domaine de la recherche d information. Les outils et les frameworks utilisés pour les travaux pratiques de ce cours sont : Protégé, Jéna et Altova (XMLSPY et SemanticWorks). 1. Motivations, définitions et modèle en couches. 2. Formalisme : XML, RDF, RDF(s) et OWL 3. Notion d ontologies : intérêt, construction. 4. Sortes d ontologies : ontologie de domaine, de résolution, d application, etc. 5. Représentation d ontologies : formalisme et langages. 6. Ontologies : Notions d annotation, d indexation et d alignement. 7. Application Amazon : utilisation de la taxonomie du domaine pour la recommandation des produits sur le site d Amazon. [1] G.Antoniou and F.V. Harmelen. A semantic web primer. MIT Press, Massachusetts Institute of Technology, Introduction à l informatique décisionnelle Laurent Hatier Objectif Ce cours présente les concepts du décisionnel à travers la chaîne du décisionnel. On apprend aux élèves à mettre en œuvre concrètement une chaîne du décisionnel en les familiarisant (sur des outils) aux trois étapes fondamentales : Extraction, transformation et chargement (ETL), Représentation en cube (OLAP), Reporting. 1. Le décisionnel : pour qui et pourquoi et origine de concept, les principes de constructions, les basiques de la modélisation 2. Les familles d outils, Les techniques de modélisation 3. Modélisation du système opérationnel et du système décisionnel 4. ETL. 5. Reporting avec Business Objects 10
11 [1] Kimball Ralph, Margy Ross, Warren Thornthwaite, Joy Mundy, Bob Becker, The Data Warehouse Lifecycle Toolkit (2nd ed.). Wiley, Web des données et du temps réel Frantz Miccoli Objectif former les élèves autour des technologies émergentes du web : NOSQL, Node.js, Ruby. 1. NoSQL 2. Serveur web monothread et orienté événement 3. Web framework and applications 4. Analyse de sentiments 5. Norme de développement et contrôle qualité 6. projet global, exemple : analyse de sentiment depuis des données extraites de Twitter (a) Parsing de Twitter. (b) Service d indexation et de restitution au sein d une base de données. (c) Système d administration permettant de gérer des utilisateurs au système et définir les thématiques sur lesquels faire l analyse. (d) Application d affichage temps réel autour des thématiques. 6.4 Les projets de l option (voir le site de l option pour plus de précisions) Exemples d intitulés de projets de fin d études 1. Système de recommandation social et sémantique : approche par communautés. Application : réseau de co-achats sur Amazon. 2. Optimisation de l ordonnancement de workflows basée QoS dans les environnements de cloud computing. 3. Fouille de données parallèle : Amélioration de l algorithme Apriori en optimisant la recherche des sous ensembles fréquents. 11
12 6.4 Les projets de l option Exemples d intitulés de projets d entreprise 1. Analyse de l outil Sentiment Analyser (en collaboration avec Exalead) 2. Fouille textuelle des opinions dans le domaine de la bourse (en collaboration avec le CEA) 3. Détection de communautés sur des données extraites de FaceBook (en collaboration avec Graphinum). 12
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 détailDidier MOUNIEN Samantha MOINEAUX
Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailChristophe 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 détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailData Mining. Master 1 Informatique - Mathématiques UAG
Data Mining Master 1 Informatique - Mathématiques UAG 1.1 - Introduction Data Mining? On parle de Fouille de données Data Mining Extraction de connaissances à partir de données Knowledge Discovery in Data
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailDESCRIPTIF DE MODULE S5 GSI
Option SIM DESCRIPTIF DE MODULE S5 GSI : Gouvernance et Systèmes d Information COORDONNATEUR DU MODULE : Département : Ce module a pour but d enseigner les méthodes, les règles et les pratiques nécessaires
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailPanorama des solutions analytiques existantes
Arnaud LAROCHE Julien DAMON Panorama des solutions analytiques existantes SFdS Méthodes et Logiciels - 16 janvier 2014 - Données Massives Ne sont ici considérés que les solutions autour de l environnement
Plus en détailAdaptabilité 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 détailIntégration de la dimension sémantique dans les réseaux sociaux
Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux
Plus en détailAnalyse 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 détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détail" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! "##$ % &!
"# $ %%& ' ( )*+, '()*+,'+''-++.+/0112134+1.50*406 "##$ %& 8CC "#$%& ' ( )* +,-./ 0 123 456+7 3 7-55-89.*/ 0 +3 *+:3 ;< =3 3-3 8 0 23 >-8-3 >5? //*/*0;* @A: *53,,3 / * $/ >B+? - 5, 2 34*56 7 /+#** //8
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailTEXT MINING Tour d Horizon
TEXT MINING Tour d Horizon Media Campus WAN IFRA "Structurer, optimiser et valoriser son contenu éditorial : les outils de text mining" 24 novembre 2009, PARIS Philippe BONNY Cabinet de Conseil et d Etudes
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
Plus en détailFilière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux
Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Objectifs Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Structure générale des études à l UTC Règlement
Plus en détailCatalogue des formations Edition 2015
Antidot - Formations Catalogue des formations Edition 2015 : catalogue_formation_2015 Révision du 06.01.2015 Sommaire!!"##$%&'( )! $*$+,(-'(."##'+.'&( /!,'.0+"1"2%'( /!!."3'( /! $(3&"3"!(-4(5(.$,$1"24'(-'!(6"&#$,%"+!(7('-%,%"+()89:(;(
Plus en détailFournir un accès rapide à nos données : agréger au préalable nos données permet de faire nos requêtes beaucoup plus rapidement
Introduction Phases du projet Les principales phases du projet sont les suivantes : La mise à disposition des sources Des fichiers Excel sont utilisés pour récolter nos informations L extraction des données
Plus en détailImplémentation parallèle de certains algorithmes de fouille de données avec le framework MapReduce
Implémentation parallèle de certains algorithmes de fouille de données avec le framework MapReduce Algorithmes : K-means et Apriori Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Cloud Computing et MapReduce
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailCybermarché et analyse comportementale
Cybermarché et analyse comportementale Antoine-Eric Sammartino aesammartino@e-laser.fr Séminaire Data Mining - Educasoft Formations 18 juin 2001-1- MENU Le Groupe LaSer Le processus Data Mining L industrialisation
Plus en détail4.2 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 détailFilière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.
Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailPentaho Business Analytics Intégrer > Explorer > Prévoir
Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho lie étroitement intégration de données et analytique. En effet, les services informatiques et les utilisateurs métiers peuvent accéder aux
Plus en détailLes participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.
Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision
Plus en détailANTICIPEZ ET PRENEZ LES BONNES DÉCISIONS POUR VOTRE ENTREPRISE
ANTICIPEZ ET PRENEZ LES BONNES DÉCISIONS POUR VOTRE ENTREPRISE Editeur - Intégrateur de solutions de gestion Notre stratégie d édition et d intégration : un niveau élevé de Recherche & Développement au
Plus en détailSemestre 1. Objectifs Approfondissement de l environnement Java et de son interface de programmation d applications : réseaux, et processus.
Programmation Java avancée (3 ECTS 36h) Semestre 1 Approfondissement de l environnement Java et de son interface de programmation d applications : réseaux, et processus. Introduction. Rappels des concepts
Plus en détailSQL Server 2012 et SQL Server 2014
SQL Server 2012 et SQL Server 2014 Principales fonctions SQL Server 2012 est le système de gestion de base de données de Microsoft. Il intègre un moteur relationnel, un outil d extraction et de transformation
Plus en détailQU EST-CE QUE LE DECISIONNEL?
La plupart des entreprises disposent d une masse considérable d informations sur leurs clients, leurs produits, leurs ventes Toutefois ces données sont cloisonnées par les applications utilisées ou parce
Plus en détailHervé Couturier EVP, SAP Technology Development
Hervé Couturier EVP, SAP Technology Development Hervé Biausser Directeur de l Ecole Centrale Paris Bernard Liautaud Fondateur de Business Objects Questions à: Hervé Couturier Hervé Biausser Bernard Liautaud
Plus en détailFormation Actuaire Data Scientist. Programme au 24 octobre 2014
Formation Actuaire Data Scientist Programme au 24 octobre 2014 A. Eléments logiciels et programmation Python 24h Objectif : Introduction au langage Python et sensibilisation aux grandeurs informatiques
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailPrésentation de la majeure ISN. ESILV - 18 avril 2013
Présentation de la majeure ISN ESILV - 18 avril 2013 La Grande Carte des Métiers et des Emplois Sociétés de service Entreprises Administrations Grand- Public Sciences Utiliser Aider à utiliser Vendre APPLICATIONS:
Plus en détailGrégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.
Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailMaster 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 détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailBig Graph Data Forum Teratec 2013
Big Graph Data Forum Teratec 2013 MFG Labs 35 rue de Châteaudun 75009 Paris, France www.mfglabs.com twitter: @mfg_labs Julien Laugel MFG Labs julien.laugel@mfglabs.com @roolio SOMMAIRE MFG Labs Contexte
Plus en détailLes technologies du Big Data
Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR
Plus en détailGENIE 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 détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en détailTP2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3
TP2 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 30/11/2011 Plan du TP 2 Rappel sur la chaine de BI Présentation de la suite Microsoft BI Ateliers sur SSIS (2H) Ateliers sur RS (2H) 3 Rappel sur la chaine de
Plus en détailAnalyses croisées de sites Web pour détecter les sites de contrefaçon. Prof. Dr. Olivier Biberstein
Analyses croisées de sites Web pour détecter les sites de contrefaçon Prof. Dr. Olivier Biberstein Division of Computer Science 14 Novembre 2013 Plan 1. Présentation générale 2. Projet 3. Travaux futurs
Plus en détailTP2_1 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3
TP2_1 DE BUSINESS INTELLIGENCE ISIMA ZZ3 F3 03/11/2014 Plan du TP 2 Présentation de la suite Microsoft BI Ateliers sur SSIS (2H) Ateliers sur RS (2H) 3 Présentation de la suite Microsoft BI Présentation
Plus en détailAgenda de la présentation
Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining
Plus en détail20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT
20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà
Plus en détailDépartement Génie Informatique
Département Génie Informatique BD51 : Business Intelligence & Data Warehouse Projet Rédacteur : Christian FISCHER Automne 2011 Sujet : Développer un système décisionnel pour la gestion des ventes par magasin
Plus en détailProgramme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION. Mentions Ingénierie des Systèmes d Information Business Intelligence
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 ARCHITECTURE DES SYSTEMES D INFORMATION Mentions
Plus en détailLe "tout fichier" Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique
Introduction à l informatique : Information automatisée Le premier ordinateur Définition disque dure, mémoire, carte mémoire, carte mère etc Architecture d un ordinateur Les constructeurs leader du marché
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailBUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise
BUSINESS INTELLIGENCE Une vision cockpit : utilité et apport pour l'entreprise 1 Présentation PIERRE-YVES BONVIN, SOLVAXIS BERNARD BOIL, RESP. SI, GROUPE OROLUX 2 AGENDA Définitions Positionnement de la
Plus en détailricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/cours/ Publications, ressources, liens, logiciels,
Université Lumière Lyon 2 Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1 ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/cours/ Publications, ressources, liens,
Plus en détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailPrésentations personnelles. filière IL
Présentations personnelles filière IL Résumé Liste de sujets de présentations personnelles. Chaque présentation aborde un sujet particulier, l'objectif étant que la lecture du rapport ainsi que l'écoute
Plus en détailFORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis
FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités
Plus en détailTechniques d analyse et de conception d outils pour la gestion du processus de segmentation des abonnés des entreprises de télécommunication
Techniques d analyse et de conception d outils pour la gestion du processus de segmentation des abonnés des entreprises de télécommunication R. Carlos Nana Mbinkeu 1,3, C. Tangha 1, A. Chomnoue 1, A. Kuete
Plus en détailMasses 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 détailTHOT - Extraction de données et de schémas d un SGBD
THOT - Extraction de données et de schémas d un SGBD Pierre-Jean DOUSSET (France), Benoît ALBAREIL (France) pj@miningdb.com, benoit@miningdb.com Mots clefs : Fouille d information, base de données, système
Plus en détailSuite Jedox La Business-Driven Intelligence avec Jedox
Suite La Business-Driven Intelligence avec Une solution intégrée pour la simulation, l analyse et le reporting vous offre la possibilité d analyser vos données et de gérer votre planification selon vos
Plus en détailSQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...)
Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence
Plus en détailEntreprise et Big Data
Entreprise et Big Data Christophe Favart Chef Architecte, SAP Advanced Development, Business Information Technology Public Juin 2013 Agenda SAP Données d Entreprise Big Data en entreprise Solutions SAP
Plus en détailBI2 : Un profil UML pour les Indicateurs Décisionnels
BI2 : Un profil UML pour les Indicateurs Décisionnels Sandro Bimonte Irstea, TSCF, 9 Av. Blaise Pascal, 63178, Aubière, France sandro.bimonte@irstea.fr Thème de Recherche MOTIVE www.irstea.fr 2 Plan Motivations
Plus en détailEtude 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 détailBUSINESS INTELLIGENCE
GUIDE COMPARATIF BUSINESS INTELLIGENCE www.viseo.com Table des matières Business Intelligence :... 2 Contexte et objectifs... 2 Une architecture spécifique... 2 Les outils de Business intelligence... 3
Plus en détailStages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr
Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE Contact : Mme Lapedra, stage@isoft.fr ISoft, éditeur de logiciels, est spécialisé dans l informatique décisionnelle et l analyse de données. Son expertise
Plus en détailAlgèbre 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 détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailAccélérer l agilité de votre site de e-commerce. Cas client
Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible
Plus en détailPrésenta;on du cours
MTI820 Entrepôts de données et intelligence d affaires Présenta;on du cours Hiver 2015 C. Desrosiers Département de génie logiciel et des TI MTI820 Hiver 2013 C. Desrosiers 1 InformaBons de base Titre:
Plus en détailStructure 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 détailSécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL
Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Présenté par Hana Gara Kort Sous la direction de Dr Jalel Akaichi Maître de conférences 1 1.Introduction
Plus en détailOffre formation Big Data Analytics
Offre formation Big Data Analytics OCTO 2014 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél : +33 (0)1 58 56 10 00 Fax : +33 (0)1 58 56 10 01 www.octo.com 1 Présentation d OCTO Technology 2 Une
Plus en détailWorkflow/DataWarehouse/DataMining. 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1
Workflow/DataWarehouse/DataMining 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1 plan Workflow DataWarehouse Aide à la décision DataMinig Conclusion 14-09-98 LORIA
Plus en détailSpécifications, Développement et Promotion. Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC
Spécifications, Développement et Promotion Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC Ricco? Enseignant chercheur (CNU.27) En poste à l Université Lyon 2 Faculté de Sciences Eco. Recherche
Plus en détailLa Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1
La Geo-Business Intelligence selon GALIGEO avec ESRI 2005 session «Décisionnel» 26/10/2005 1 La Business Intelligence : Une Définition La Business intelligence permet l utilisation des données opérationnelles
Plus en détailCursus Sage ERP X3 Outils & Développement. Le parcours pédagogique Sage ERP X3 Outils et Développement
Cursus Outils & Développement Vous êtes Consultant, Chef de Projets, Directeur des Systèmes d Information, Directeur Administratif et Financier, Optez pour les «formations Produits» Nous vous proposons
Plus en détailSQL SERVER 2008, BUSINESS INTELLIGENCE
SGBD / Aide à la décision SQL SERVER 2008, BUSINESS INTELLIGENCE Réf: QLI Durée : 5 jours (7 heures) OBJECTIFS DE LA FORMATION Cette formation vous apprendra à concevoir et à déployer une solution de Business
Plus en détailÉvaluation 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 détailCATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE. Edition 2012
CATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE Edition 2012 AGENDA Qui sommes nous? Présentation de Keyrus Keyrus : Expert en formations BI Nos propositions de formation 3 modes de formations Liste des
Plus en détailIODAA. 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 détailUne méthode d apprentissage pour la composition de services web
Une méthode d apprentissage pour la composition de services web Soufiene Lajmi * Chirine Ghedira ** Khaled Ghedira * * Laboratoire SOIE (ENSI) University of Manouba, Manouba 2010, Tunisia Soufiene.lajmi@ensi.rnu.tn,
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailBig Data On Line Analytics
Fdil Fadila Bentayeb Lb Laboratoire ERIC Lyon 2 Big Data On Line Analytics ASD 2014 Hammamet Tunisie 1 Sommaire Sommaire Informatique décisionnelle (BI Business Intelligence) Big Data Big Data analytics
Plus en détailPlan de cours. 1. Mise en contexte. 2. Place du cours dans le programme. 3. Descripteur du cours
Faculté des sciences Centre de formation en technologies de l information Plan de cours Cours : INF 735 Entrepôt et forage de données Trimestre : Hiver 2015 Enseignant : Robert J. Laurin 1. Mise en contexte
Plus en détailCognit Ive Cas d utilisation
Cognit Ive Cas d utilisation 96-98, rue de Montreuil - 75011 Paris _ opicot@ _ + 33 (0)1 40 09 71 55 Sommaire Présentation de la plateforme Cognit Ive SemanticMail : Traitement sémantique des mails Projets
Plus en détailLes Entrepôts de Données
Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations
Plus en détailCoheris est agréé organisme de formation, n d agrément 11 92 19507 92.
Formations 2015 Coheris est agréé organisme de formation, n d agrément 11 92 19507 92. Introduction La formation est une préoccupation constante de Coheris vis-à-vis de ses clients et de ses partenaires,
Plus en détailÉconométrie, causalité et analyse des politiques
Économétrie, causalité et analyse des politiques Jean-Marie Dufour Université de Montréal October 2006 This work was supported by the Canada Research Chair Program (Chair in Econometrics, Université de
Plus en détailOutils pour les réseaux de neurones et contenu du CD-Rom
Outils pour les réseaux de neurones et contenu du CD-Rom Depuis le développement théorique des réseaux de neurones à la fin des années 1980-1990, plusieurs outils ont été mis à la disposition des utilisateurs.
Plus en détail