FaceBook aime les Maths!
|
|
- Aline Bourgeois
- il y a 8 ans
- Total affichages :
Transcription
1 FaceBook aime les Maths! Michel Rigo
2 Réseaux
3 Visualizing my Twitter Network by number of followers. Michael Atkisson
4 p.3 p.5 p.1 p.4 Les pages et les liens entre les pages p.2
5 Des co-auteurs scientifiques et le nombre d Erdős
6 P. ERDOS A. EINSTEIN Y. CRAMA E. CHARLIER G. HAESBROECK M.RIGO G. HANSOUL S. NICOLAY P. LECOMTE Y. SWAN J. P. SCHNEIDERS F. BASTIN P. MATHONET sous-graphe, chemins les plus courts (septembre 2014) M. Newman, the structure of scientific collaboration networks (2001).
7 Qu est qu un graphe? On veut modéliser des relations (symétriques ou orientées). On considère un ensemble V de sommets et une partie E V V, un ensemble de couples de sommets. FaceBook V est l ensemble des utilisateurs, (u,v) ET (v,u) appartiennent à E si u et v sont amis. Twitter V est l ensemble des utilisateurs, (u,v) appartient à E si u est un follower de v.
8 Qu est qu un graphe? p.3 p.5 p.1 p.4 p.2 Le graphe du web V est l ensemble des pages web, (u,v) appartient à E si la page u a un lien vers la page v. Le graphe des co-auteurs V est l ensemble des scientifiques publiant des articles de recherche, (u,v) ET (v,u) appartiennent à E si u et v ont écrit un article ensemble.
9 Is Graph Theory Key to Understanding Big Data? WIRED Mars 2014 istock.com/af-studio
10 Graph Theory: Key to Understanding Big Data WIRED Mai 2014 Facebook CEO Mark Zuckerberg shows off Graph Search. Photo: Ariel Zambelich/Wired
11 Avoir des outils pour les GRANDS graphes... calcul de distances détection de communautés homophilie : tendance à se rapprocher de ses semblables
12 Small-world phenomenom I read somewhere that everybody on this planet is separated only by six other people. Six degrees of separation. Between us and everyone else on this planet. John Guare
13 Calcul de distances et produit matriciel Stanley Milgram, Psychology Today (1967)
14 Produit matriciel u a b c d v w x =???? =
15 Produit matriciel u a b c d v w x =???? = au+
16 Produit matriciel u a b c d v w x =???? = au +bv+
17 Produit matriciel u a b c d v w x =???? = au +bv +cw+
18 Produit matriciel u a b c d v w x =???? = au +bv +cw +dx
19 = =
20 = =
21 a 2 c b d 1 e 4 f 3 g = = = car a c, a d, b c, b d, f g.
22 Théorème Si A est la matrice d adjacence d un graphe, alors (A n ) i,j est le nombre de chemins de longueur n joignant i à j. Preuve : Par récurrence sur n.
23 Vérifier uniquement par calcul les 6 degrés de séparation , } {{ } =M
24 Vérifier uniquement par calcul les 6 degrés de séparation , } {{ } =M
25 Vérifier uniquement par calcul les 6 degrés de séparation , } {{ } =M
26 Vérifier uniquement par calcul les 6 degrés de séparation , } {{ } =M
27 Vérifier uniquement par calcul les 6 degrés de séparation , } {{ } =M
28 Remarque Calculer un élément d un produit de deux matrices n n nécessite n produits de nombres, n 1 sommes. Donc, en tout, on a n 3 produits de nombres à calculer. Algorithme de Strassen (1969) Multiplication de matrices 2 2 avec 7 multiplications récursivement, nombre de multiplications O(n log 2 7 ) O(n 2,807 ). problèmes de stabilité numérique (si approximations). Algorithme de Coppersmith Winograd (2010) nombre de multiplications O(n 2, ). Algorithme de François Le Gall (2014) nombre de multiplications O(n 2, ).
29 Remarque Calculer un élément d un produit de deux matrices n n nécessite n produits de nombres, n 1 sommes. Donc, en tout, on a n 3 produits de nombres à calculer. Algorithme de Strassen (1969) Multiplication de matrices 2 2 avec 7 multiplications récursivement, nombre de multiplications O(n log 2 7 ) O(n 2,807 ). problèmes de stabilité numérique (si approximations). Algorithme de Coppersmith Winograd (2010) nombre de multiplications O(n 2, ). Algorithme de François Le Gall (2014) nombre de multiplications O(n 2, ).
30 La détection de communautés blogs politiques avant l élection présidentielle aux USA de ladamic/img/politicalblogs.jpg
31 La détection de communautés On recherche des régions hautement interconnectées Fast unfolding of communities in large networks, V. D. Blondel, J.-L. Guillaume, R. Lambiotte, E. Lefebvre (2008)
32 La détection de communautés Fast unfolding of communities in large networks, V. D. Blondel, J.-L. Guillaume, R. Lambiotte, E. Lefebvre (2008) 2,6 millions d abonnés, plus d un milliard d appels
33 La détection de communautés D autres méthodes existent : division/effacement, Girvan, Newman , Radicchi et al agglomération récursive, Pons, Latapy 2006 Maximiser une fonction objectif, Clauset, Newman, Moore 2004, Wu, Huberman 2004 La qualité du résultat est mesuré par la modularité M [ 1,1], M = 1 [ A ij k ] ik j δ(c i,c j ) 2m 2m i,j où k i = j A ij, c i est la communauté assignée au sommet i et m = 1 2 i,j A ij.
34 Essayer de modéliser le qui se ressemble, s assemble Une règle locale a des influences globales... liens dans un réseau social au sein d une école, liens forts au sein d une classe apparition de quartiers dans des métropoles Thomas Schelling, Dynamic models of segregation, J. of Math. Sociology (1972).
35
36 chaque habitant
37 chaque habitant a des voisins
38 y-a-t-il suffisamment de semblables? (par ex. 4)
39 sinon, il se déplace sur une case vide (au plus proche)
40 distance de Manhattan 0
41 distance de Manhattan 1
42 distance de Manhattan 2
43 distance de Manhattan 3
44
45 pas de 4 itérations
46 pas de 4 itérations
47 pas de 4 itérations
48 pas de 4 itérations
49 pas de 4 itérations
50 pas de 4 itérations
51 pas de 4 itérations
52 pas de 4 itérations
53 pas de 4 itérations
54 pas de 4 itérations
55 pas de 4 itérations
56 pas de 4 itérations
57 pas de 4 itérations
58 pas de 4 itérations
59 pas de 4 itérations
60 pas de 4 itérations
61 pas de 4 itérations
62 pas de 4 itérations
63 pas de 4 itérations
64 pas de 4 itérations
65 pas de 4 itérations
66 pas de 4 itérations
67 pas de 4 itérations
68 pas de 4 itérations
69 pas de 4 itérations
70 pas de 4 itérations
71 pas de 4 itérations
72 pas de 4 itérations
73 pas de 4 itérations
74 pas de 4 itérations
75 après 320 itérations
76 pourcentage d Afro-Américains par quartier à Chicago en 1940 Markus M. Möbius, Tanya S. Rosenblat, The Process of Ghetto Formation: Evidence from Chicago
77 pourcentage d Afro-Américains par quartier à Chicago en 1960 Markus M. Möbius, Tanya S. Rosenblat, The Process of Ghetto Formation: Evidence from Chicago
78 Simulations, observations qualitatives L analyse du modèle est difficile (problèmes ouverts) Analogie avec la physique (mélange de deux liquides)
79 En guise de conclusion Amasser un grand nombre de données donner une vue d ensemble de problèmes complexes : santé, embouteillages, comportements sociaux,... comment ces données sont-elles exploitées par les entreprises? Wearable devices, appareils mettables
80 Pour aller plus loin Jon Kleinberg, Prix Nevanlinna (ICM 2006 Aspects mathématiques des sciences de l information)
Analyse des réseaux sociaux
Analyse des réseaux sociaux Emmanuel Viennet Laboratoire de Traitement et Transport de l Information L2TI Université Paris 13 Réseaux sociaux, analyse et data mining École Normale Supérieure Journée organisée
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailAnalyse empirique et modélisation de la dynamique de la topologie de l Internet
Analyse empirique et modélisation de la dynamique de la topologie de l Internet Sergey Kirgizov Directrice de thèse: Clémence Magnien Complex Networks, LIP6, (UPMC, CNRS) Paris, 12 décembre 2014 Plan 1
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détailLes capitalistes sociaux sur Twitter : détection via des mesures de similarité
Les capitalistes sociaux sur Twitter : détection via des mesures de similarité Nicolas Dugué, Anthony Perez LIFO - Université d Orléans rue Léonard de Vinci B.P. 6759 F-45067 ORLEANS Cedex 2 FRANCE RÉSUMÉ.
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
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 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 détailPartie 1. La structure des réseaux sociaux
Partie 1. La structure des réseaux sociaux Analyse et Modélisation des Réseaux, Université Bordeaux IV Sections : Introduction 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering
Plus en détailUne nouvelle approche de détection de communautés dans les réseaux sociaux
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Une nouvelle approche de détection de communautés dans les réseaux sociaux Mémoire (INF 6021) pour l obtention du grade de Maîtrise
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
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 détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailLES RESEAUX SOCIAUX MARDI 25 FEVRIER 2014
LES RESEAUX SOCIAUX MARDI 25 FEVRIER 2014 OFFICE DE TOURISME Maison du Patrimoine 2 rue de la Chapelle 66820 VERNET-LES-BAINS Tel : 04 68 05 55 35 www.vernet-les-bains.fr Contact e-tourisme : Emilie /
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 détailMapReduce. Nicolas Dugué nicolas.dugue@univ-orleans.fr. M2 MIAGE Systèmes d information répartis
MapReduce Nicolas Dugué nicolas.dugue@univ-orleans.fr M2 MIAGE Systèmes d information répartis Plan 1 Introduction Big Data 2 MapReduce et ses implémentations 3 MapReduce pour fouiller des tweets 4 MapReduce
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailLa 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 détailEléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailGestion de la relation Client (CRM)
Gestion de la relation Client (CRM) Les meilleures pratiques pour gérer vos équipes de vente et marketing Claude Rose, président de Gestisoft Ordre du jour de la présentation Objectif d une solution CRM?
Plus en détailQUI VEUT JOUER AVEC MOI?
QUI VEUT JOUER AVEC MOI? Michel Rigo (Université de Liège) http://www.discmath.ulg.ac.be/ JOUER SÉRIEUSEMENT, POURQUOI? Jeux coopératifs : marché boursier, économie, émergence de réseaux sociaux,... Mise
Plus en détailDétection d utilisateurs malveillants dans les réseaux sociaux
Détection d utilisateurs malveillants dans les réseaux sociaux Luc-Aurélien Gauthier Patrick Gallinari Laboratoire d Informatique de Paris 6 Université Pierre et Marie Curie 4, place Jussieu 75005 Paris
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailSEO Campus 2009 : Pagerank et optimisation
SEO Campus 2009 : Pagerank et optimisation Sylvain Peyronnet http://sylvain.berbiqui.org http://www.kriblogs.com/syp 04/02/2009 04/02/2009 SEO Campus 2009 : Pagerank et optimisation 1 / 21 PageRank : la
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailA propos de l enseignant Introduction aux réseaux sociaux
A propos de l enseignant Introduction aux réseaux sociaux Sebastian BERVOETS Sebastian BERVOETS Chercheur CNRS - Greqam Me contacter sebastian.bervoets@univmed.fr 1 A propos du cours Objectifs du cours
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
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 détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailRI sociale : intégration de propriétés sociales dans un modèle de recherche
RI sociale : intégration de propriétés sociales dans un modèle de recherche Ismail Badache 1 Institut de Recherche en Informatique de Toulouse, UMR 5505 CNRS, SIG 118 Route de Narbonne F-31062 Toulouse
Plus en détail4 Exemples de problèmes MapReduce incrémentaux
4 Exemples de problèmes MapReduce incrémentaux 1 / 32 Calcul des plus courtes distances à un noeud d un graphe Calcul des plus courts chemins entre toutes les paires de noeuds d un graphe Algorithme PageRank
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailCryptologie. Algorithmes à clé publique. Jean-Marc Robert. Génie logiciel et des TI
Cryptologie Algorithmes à clé publique Jean-Marc Robert Génie logiciel et des TI Plan de la présentation Introduction Cryptographie à clé publique Les principes essentiels La signature électronique Infrastructures
Plus en détailUn radar pour Internet
École Polytechnique Promotion 2002 Bobillot Damien Rapport de stage d option scientifique Un radar pour Internet Analyse et visualisation de la dynamique du graphe du réseau Internet Option : Informatique
Plus en détailSi la source se rapproche alors v<0 Donc λ- λo <0. La longueur d onde perçue est donc plus petite que si la source était immobile
Red shift or blue shift, that is the question. a) Quand une source d onde se rapproche d un observateur immobile, la longueur d onde λ perçue par l observateur est-elle plus grande ou plus petite que λo
Plus en détailLa rencontre du Big Data et du Cloud
La rencontre du Big Data et du Cloud Libérez le potentiel de toutes vos données Visualisez et exploitez plus rapidement les données de tous types, quelle que soit leur taille et indépendamment de leur
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
Plus en détailJean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA
La visualisation d information pour comprendre et interagir avec les données Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr, www.aviz.fr, @jdfaviz
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voies : Mathématiques, physique et sciences de l'ingénieur (MPSI) Physique, chimie et sciences de l ingénieur (PCSI) Physique,
Plus en détailBienvenue. #TwitterMobile
Bienvenue #TwitterMobile #TwitterMobile Mobile App Promotion Agenda Panorama MAP Etudes de Cas Q&A 86 % du temps passé sur mobile se passe dans une app SOURCE Flurry Analytics, 2014 2M+ apps dans l'app
Plus en détailJeudi 16 octobre 2014
Jeudi 16 octobre 2014 PANORAMA DES RESEAUX SOCIAUX 2014 PANORAMA DES RESEAUX SOCIAUX 2014 TOUR DE TABLE Salah Animateur numérique du territoire un ensemble d individus, organisations reliés entre eux
Plus en détailCRÉER UNE PAGE FACEBOOK POUR SON INSTITUTION
CRÉER UNE PAGE FACEBOOK POUR SON INSTITUTION Karine Pasquier 18 novembre 2010 HEG, Genève 1 Sommaire 1. Introduction... 3 1.1 À quoi ça sert dans une institution?... 4 2. Créer sa page (s enregistrer)...
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailFORUM CETO 2012 SOCIAL MEDIA & TOUR-OPERATING. Anne-Servane LASSERRE Marketing Director contact@milky.fr
FORUM CETO 2012 SOCIAL MEDIA & TOUR-OPERATING Anne-Servane LASSERRE Marketing Director contact@milky.fr Nos Services Social Strategy Défini1on LES SERVICES & PRODUITS MILKY Nos Produits Forma1ons et Séminaires
Plus en détailRÉSEAUX SOCIAUX & BTOB
Ecoute MOI Regarde MOI Recrute MOI Regarde MOI Accepte MOI RÉSEAUX SOCIAUX & BTOB Comment les investir? quels impacts sur le référencement? SOMMAIRE RÉSEAUX SOCIAUX & BTOB PANORAMA 2014 ET USAGES POURQUOI
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL. MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRlSE EN INFORMATIQUE PAR FRANCK GOUDJO
UNIVERSITÉ DU QUÉBEC À MONTRÉAL RÉALlSATlON D'UN OUTIL DE SIMULATlON DE RÉSEAUX SOCIAUX MULTIPLEXES MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRlSE EN INFORMATIQUE PAR FRANCK GOUDJO JUIN 2010
Plus en détailMon Odyssée Lean Startup
Mon Odyssée Lean Startup Qui n a jamais rêvé de lancer sa petite entreprise sans risques? Voici mon expérience grâce au Lean Startup. Nicolas Deverge This book is for sale at http://leanpub.com/myleanstartupjourney-fr
Plus en détailLes défis statistiques du Big Data
Les défis statistiques du Big Data Anne-Sophie Charest Professeure adjointe au département de mathématiques et statistique, Université Laval 29 avril 2014 Colloque ITIS - Big Data et Open Data au cœur
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailEPREUVE OPTIONNELLE d INFORMATIQUE CORRIGE
EPREUVE OPTIONNELLE d INFORMATIQUE CORRIGE QCM Remarque : - A une question correspond au moins 1 réponse juste - Cocher la ou les bonnes réponses Barème : - Une bonne réponse = +1 - Pas de réponse = 0
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailInstructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00
Instructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00 HFFv2 1. OBJET L accroissement de la taille de code sur la version 2.0.00 a nécessité une évolution du mapping de la flash. La conséquence de ce
Plus en détailPrésentation par François Keller Fondateur et président de l Institut suisse de brainworking et M. Enga Luye, CEO Belair Biotech
Présentation par François Keller Fondateur et président de l Institut suisse de brainworking et M. Enga Luye, CEO Belair Biotech Le dispositif L Institut suisse de brainworking (ISB) est une association
Plus en détailLes outils BI du consultant métier
www.avlconsulting.fr Les outils BI du consultant métier Michel BALDELLON Anne VINAGRE 26 février 2015 & 3 mars 2015 L analyse autonome des données d une entreprise est un facteur clé de succès d une mission
Plus en détailSAN07 IBM Social Media Analytics:
SAN07 IBM Social Media Analytics: Vos clients partagent leurs connaissances Déployez une stratégie gagnante! Eric Martin Social Media Analytics Leader Europe IBM SWG, Business Analytics @Eric_SMA 1 Le
Plus en détailLABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK
LABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK 5.1 Introduction Simulink est l'extension graphique de MATLAB permettant, d une part de représenter les fonctions mathématiques et les systèmes sous forme
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailCours Informatique Master STEP
Cours Informatique Master STEP Bases de la programmation: Compilateurs/logiciels Algorithmique et structure d'un programme Programmation en langage structuré (Fortran 90) Variables, expressions, instructions
Plus en détailRecherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014
Recherche et Diffusion de l Information dans les Réseaux Philippe Robert Le 8 avril 2014 Présentation Présentation Directeur de recherche à l INRIA Responsable de l équipe de recherche Réseaux, Algorithmes
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailOptimisation 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 détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailDOSSIER FLASH. «Path - Tango»
DOSSIER FLASH «Path - Tango» Contexte L utilisation des réseaux sociaux étant de plus en plus forte, nous avons constaté que les plus jeunes utilisateurs d Internet possédant des Smartphones, avaient tendance
Plus en détailLa modélisation des déplacements : Qu est ce qu un modèle, pour qui et pourquoi?
Les Modèles multimodaux des déplacements : enjeux, outils et expériences territoriales 13 février 2014, COTITA, CEREMA, Direction Territoriale Méditerranée La modélisation des déplacements : Qu est ce
Plus en détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détail