Charles BOUVEYRON. Docteur en Mathématiques appliquées Maître de Conférences (section CNU 26) Université Paris 1 Panthéon-Sorbonne
|
|
- Jean-Michel Paré
- il y a 8 ans
- Total affichages :
Transcription
1 Charles BOUVEYRON Docteur en Mathématiques appliquées Maître de Conférences (section CNU 26) Université Paris 1 Panthéon-Sorbonne Contacts Né le 12/01/1979 Nationalité française charles.bouveyron@univ-paris1.fr Web : SAMOS, Université Paris 1 (Panthéon-Sorbonne) 90 rue de Tolbiac Paris Cedex 13 - France Tél : +33 (0) Fax : +33 (0) Diplômes Doctorat de Mathématiques appliquées, spécialité Statistique Titre : Modélisation et classification des données de grande dimension Directeurs : Cordelia Schmid et Stéphane Girard Date et lieu de soutenance : 28 septembre 2006, Grenoble Appréciation «Très Bien» 1, Université Joseph Fourier, Grenoble, France Master de Recherche (DEA) en Mathématiques appliquées Mention «Assez-bien», Université Joseph Fourier, Grenoble, France Master Professionnel (DESS) en Mathématiques appliquées Mention «Bien», Université Claude Bernard, Lyon, France Expérience professionnelle Maître de Conférences en Mathématiques Appliquées Equipe SAMOS-MATISSE, Centre d Economie de la Sorbonne Université Paris 1 Phanthéon-Sorbonne, Paris, France Chercheur post-doctorant en Statistique Dpt. of Mathematics & Statistics, Acadia University, Canada Thème de recherche : apprentissage statistique sur données structurées Doctorant en Mathématiques appliquées, spécialité Statistique Equipe SMS du Laboratoire de Modélisation et de Calcul, Grenoble, France Equipes Lear et Mistis de l INRIA Rhône-Alpes, Grenoble, France Thème de recherche : Classification des données de grande dimension 1 L université Joseph Fourier ne décerne plus de mentions pour le diplôme du doctorat depuis
2 Enseignements Maître de Conférences à l université Paris 1 (Panthéon-Sorbonne) Techniques quantitatives et Statistique appliquée, Cours, M2 R ERHPS Analyse des données et Data Mining, Cours, M2 Pro MIAGE Statistique et applications en R, Cours, M2 Pro TIDE Analyse des données, Cours et TD, M1 MAEF Algorithmie en langage C, Cours et TD, L1 MASS Introduction au langage C, TD, L1 MASS Moniteur à l université Grenoble 2 (Pierre Mendès France) Logiciels de statistique, Cours et TP, L3 Statistique inférentielle, TD, L3 Mathématiques générales, TD, L Vacataire à l université Grenoble 1 (Joseph Fourier) Méthodes Statistiques pour la Biologie, TP, L2 Analyse et Algèbre Linéaire, TD, L1 Encadrement de la recherche Encadrement de la thèse de doctorat de Camille Brunet Sujet : Reconnaissance de formes appliquée au diagnostic cytologique Bourse MENRT, Laboratoire IBISC, Université d Evry Co-encadrement avec V. Vigneron, Université d Evry 2008 Encadrement du stage de Master de Camille Brunet Sujet : Reconnaissance de formes appliquée au diagnostic cytologique Avril septembre 2008, Equipe SAMOS, Université Paris 1 Co-encadrement avec V. Vigneron, Université d Evry 2006 Encadrement du stage de Recherche de Juho Kannala (Finlande) Sujet : High-dimensional data clustering for object recognition Janvier mars 2006, Projet Mistis, INRIA Rhône-Alpes Co-encadrement avec C. Schmid, INRIA Rhône-Alpes 2005 Encadrement du stage de Master de Anwuli Echenim Sujet : Etude des modèles à orientations communes de l HDDA Mai juin 2005, Projet Mistis, INRIA Rhône-Alpes Co-encadrement avec S. Girard, INRIA Rhône-Alpes Responsabilités scientifiques 2009 Organisation du Colloquium «Statistique pour l analyse de l image» janvier 2009, Université Paris 1 (Panthéon-Sorbonne) Co-organisé avec V. Vigneron, Laboratoire IBISC, Université d Evry 2
3 Évaluation d articles pour 4 journaux scientifiques internationaux Canadian Journal of Statistics (depuis 2009) Statistics and Computing (depuis 2008) Journal of Machine Learning Research (depuis 2007) IEEE Transactions on Pattern Analysis and Machine Intelligence (depuis 2005) Projets et contrats de recherche Contrat de recherche avec l entreprise NOVACYT Sujet : Reconnaissance de formes appliquée au diagnostic cytologique avec V. Vigneron et C. Brunet, Laboratoire IBISC, Université d Evry Porteur d une action scientifique de l université Paris 1 Sujet : Apprentissage statistique à partir de données complexes Budget : Euros sur 2 années Responsabilités administratives Administrateur informatique de l équipe SAMOS Installation et administration des machines Linux Correspondant de l équipe auprès du Service Informatique de l Université Administrateur informatique du projet Mistis, INRIA Installation et administration des machines du projet (Linux) Correspondant du projet auprès des Moyens Informatiques de l INRIA Administrateur web du projet MoviStar ACI du ministère de la Recherche Adresse du site : Thèmes de recherche Classification des données de grande dimension La classification des données de grande dimension est devenu un problème récurent dans de nombreux domaines scientifiques mais qui reste difficile car les performances des méthodes d apprentissage souffrent dans les espaces de grande dimension du phénomène dit du fléau de la dimension. Ce phénomène est dû au fait que la taille de l échantillon est souvent petite devant le nombre de paramètres à estimer, qui est fonction de la dimension de l espace. Nous proposons donc une modélisation gaussienne adaptée aux données de grande dimension pour la classification. Nous faisons l hypothèse que les données de grande dimension vivent dans des sous-espaces qui peuvent être différents et dont la dimension intrinsèque est inférieure à la dimension de l espace. Nous supposons également que les densités des classes sont normales multivariées. Nous proposons en outre de travailler, pour chaque classe indépendamment, dans son espace propre et de supposer que la matrice de covariance de la classe est bloc-diagonale et ne possède qued i + 1 valeurs propres différentes. Cela implique que les données de la classe vivent dans un sous-espace de dimensiond i <pet que la variance en dehors de ce sous-espace est constante et correspond au bruit d acquisition des 3
4 données. Cette modélisation donne naissance à une nouvelle méthode de discrimination, nommée Analyse Discriminante de Haute Dimension (HDDA), et une nouvelle méthode de classification automatique basée sur l algorithme d estimation EM, nommée Clustering des Données de Haute Dimension (HDDC). Classification robuste et faiblement supervisée En classification supervisée, la supervision humaine est requise pour associer des labels aux observations d un jeu d apprentissage qui sont ensuite utilisés pour construire un classifieur. Cependant, dans de nombreuses applications, la supervision humaine peut s avérer être imprécise, difficile ou coûteuse. Dans de telles situations, les classifieurs supervisés peuvent être fortement destabilisés et produire des décisions instables. Pour pallier ce problème, nous proposons une méthode de classification robuste au bruit sur les labels qui se base sur un modèle de mélange. L idée de la méthode proposée est de confronter une modélisation non supervisée des données avec l information de supervision portée par les labels afin de détecter des inconsistences. La méthode est ensuite capable de construire un classifieur robuste prenant en compte les inconsistences détectées. Nous montrons également que cette approche peut être étendue à la classification faiblement supervisée dans laquelle la supervision est fournie par des informations faibles ou vagues. Apprentissage adaptatif en régression Le but de la régression est d identifier une relation entre une variable réponse Y et une ou plusieurs variables explicatives X en utilisant un échantillon d apprentissage. Une des hypothèses principales pour pouvoir faire de la prédiction sur un nouvel échantillon est que le modèle de régression Y = f(x) + ǫ est toujours valide. Cependant, cette hypothèse n est pas toujours vérifiée dans la pratique. En effet, si l on considère le cas d une compagnie d assurance spécialiste du marché parisien qui souhaite s implanter à Londres, il est peu probable qu elle puisse utiliser directement ses modèles de prédiction adaptés au marché parisien. Toutefois, il est naturel de penser que le modèle parisien pourrait être adapté au marché londonien à moindre frais sans que la compagnie ait à construire entièrement un nouveau modèle. Pour ces raisons, nous souhaitons proposer d adapter le modèle de régression initial au nouvel échantillon en estimant une transformation entre la fonction de régression initiale f(x) et la nouvellef (X). Dans un travail préliminaire, nous avons considérer une application de notre approche à la modélisation du marché immobilier dans différentes villes de États-Unis et les premiers résultats sont très encourageants. Classification de données structurées Dans de nombreux problèmes, comme par exemple en analyse d images ou en classification d s, les données sont à la fois de grande dimension et corrélées (spatialement ou temporellement). Nous nous sommes donc proposé d adapter les outils de classification classiques basés sur le modèle de mélange gaussien afin qu ils puissent traiter ce type de données. Dans un travail préliminaire, nous avons tout d abord combiné une modélisation gaussienne adaptée aux données de grande dimension avec une modélisation des relations entre les données basée sur les champs de Markov cachés. Une application de cette approche à la reconnaissance de textures a donné des résultats très encourageants. D autre part, nous investigons la possibilité d utiliser un modèle d espace latent de grande dimension pour faciliter la visualisation et le clustering de données issues d un réseau social. En particulier, nous utilisons un critère bayésien pour rechercher la dimension de l espace latent qui soit la meilleure pour représenter et classer de telles données. L application de cette approche à des données de communications s a donné des résultats prometteurs qui permettent une interprétation aisée des données. 4
5 Application à l analyse de l image Nous nous efforçons d appliquer les résultats théoriques obtenus dans les thèmes d études détaillés ci-dessus à l analyse de l image qui est un domaine où la statistique joue un rôle important depuis quelques années. Nous nous sommes tout d abord intéressés au problème de la reconnaissance d objets dans des images naturelles qui un de problème les plus difficiles en vision par ordinateur. La difficulté de cette tâche est dûe au fait que, d une part, les données sont de grande dimension (en général supérieure à 100) et, d autre part, l annotation manuelle des données d apprentissage n est pas possible vue le nombre d images et d objets existants. Nous avons donc proposer une approche faiblement supervisée dans laquelle chaque objet est modélisé comme étant composé de parties. Pour celà, nous modélisons la densité de la classe comme étant un mélange de parties discriminantes de l objet et de parties non-discriminantes (qui appartiennent au fond). Nous combinons ensuite les méthodes de classification en grande dimension et de classification faiblement supervisée pour apprendre un modèle discriminant de chaque objet et nous pouvons ainsi reconnaître dans une nouvelle image chacun des objets appris. Nous nous sommes intéressés plus récemment au diagnostic cytologique en imagerie bio-médicale qui a pour ambition de détecter précocément le cancer du col de l utérus à partir d images cellulaires provenant d un frottis. Un traitement préliminaire extrait de chaque image toutes les cellules dont les propriétés morphologiques et texturelles sont extraites. Sur la base de ces caractéristiques, nous combinons des méthodes de classification supervisée avec des techniques de sélcetion de variables pour discriminer les cellules «normales»des cellules «anormales»caractérisant un possible cancer du col de l utérus. Ce travail est réalisé en partenariat avec l entreprise NOVACYT spécialiste du tri cellulaire. Publications Articles de journaux avec comité de lecture ou chapitres de livres (4) [1] C. Bouveyron & S. Girard, Robust supervised classification with mixture models : Learning from data with uncertain labels, Pattern Recognition, à paraitre, [2] C. Bouveyron, S. Girard & C. Schmid, High-Dimensional Data Clustering, Computational Statistics and Data Analysis, vol. 52 (1), pp , [3] C. Bouveyron, S. Girard & C. Schmid, High Dimensional Discriminant Analysis, Communications in Statistics : Theory and Methods, vol. 36 (14), pp , [4] C. Bouveyron, S. Girard & C. Schmid, Class-Specific Subspace Discriminant Analysis for High-Dimensional Data, In Lecture Notes in Computer Science n 3940, pp , Springer-Verlag, Pré-publications (1) [5] C. Bouveyron & J. Jacques, Adaptive linear models in regression, Preprint HAL n , Equipe SAMOS, Université Paris 1 Panthéon-Sorbonne, July, Communications invitées (3) [6] C. Bouveyron, Classification robuste et apprentissage faiblement supervisé, Colloquium "Statistiques pour l analyse d images" (Statim 09), Paris, France, January [7] C. Bouveyron, Classification of complex data with model-based techniques, 1st joint meeting of the Statistical Society of Canada and the Société Française de Statistique, Ottawa, Canada,
6 [8] C. Bouveyron, An overview on high-dimensional data classification with model-based techniques, 8th International Conference on Operations Research, Havana, Cuba, Conférences internationales avec comité de lecture (14) [9] C. Bouveyron & C. Brunet, Clustering in Fisher discriminative subspaces, 13th International Conference on Applied Stochastic Models and Data Analysis, Vilnius, Lithuania, June [10] C. Bouveyron, Weakly-supervised classification with mixture models for cervical cancer detection, 10th International Work-Conference on Artificial Neural Networks (IWANN 09), Salamanca, Spain, June [11] C. Bouveyron, S. Girard & M. Olteanu, Supervised classification of categorical data with uncertain labels for DNA barcoding, 11th European Symposium on Artificial Neural Networks, Bruges, Belgium, April [12] C. Bouveyron, C. Brunet & V. Vigneron, Classification of high-dimensional data for cervical cancer detection, 11th European Symposium on Artificial Neural Networks, Bruges, Belgium, April [13] T. Alexandrov & C. Bouveyron, High Dimensional Discriminant Analysis of MALDI imaging mass spectrometry data, 11th International Federation of Classification Societies Conference, Dresden, Germany, March [14] C. Bouveyron & S. Girard, Robust supervised classification with Gaussian mixtures : learning from data with uncertain labels, 18th International Conference on Computational Statistics, pp , Porto, Portugal, [15] C. Bouveyron & J. Jacques, Adaptive linear models in regression for the modeling of housing market in different U.S. cities, Computational Methods for Modeling and Learning in Social and Human Sciences, Créteil, France, [16] C. Bouveyron & J. Jacques, Adaptative linear models for regression, 1st joint meeting of the Statistical Society of Canada and the Société Française de Statistique, Ottawa, Canada, [17] C. Bouveyron & H. Chipman, Visualization and classification of graph-structured data : the case of the Enron dataset, 20th International Joint Conference on Neural Networks, pp , Orlando, Floride, [18] C. Bouveyron, J. Kannala, C. Schmid & S. Girard. Object Localization by Subspace clustering of Local Descriptors. 5th Indian Conference on Computer Vision, Graphics and Image Processing, pp , Madurai, India, [19] C. Bouveyron, S. Girard & C. Schmid, High Dimensional Data Clustering, 17th International Conference on Computational Statistics, pp , Rome, Italie, [20] C. Bouveyron, S. Girard & C. Schmid, High Dimensional Discriminant Analysis, 11th International Conference on Applied Stochastic Models and Data Analysis, pp , Brest, France, [21] C. Bouveyron, S. Girard & C. Schmid, Classification of High Dimensional Data : High Dimensional Discriminant Analysis, Workshop on Subspace, Latent Structure and Feature Selection techniques, Bohinj, Slovénie, [22] C. Bouveyron, S. Girard & C. Schmid, Dimension Reduction and Classification Methods for Object Recognition in Vision, 5th French-Danish Workshop on Spatial Statistics and Image Analysis in Biology, pp , St-Pierre de Chartreuse, France,
7 Conférences nationales avec comité de lecture (6) [23] C. Bouveyron & J. Jacques, Modèles adaptatifs pour les mélanges de régressions, 41èmes Journées de Statistique de la Société Française de Statistique, Bordeaux, France, [24] C. Bouveyron & C. Brunet, Classication automatique dans les sous-espaces discriminants de Fisher, 41èmes Journées de Statistique de la Société Française de Statistique, Bordeaux, France, [25] J. Blanchet & C. Bouveyron, Modèle markovien caché pour la classification supervisée de données de grande dimension spatialement corrélées, 38èmes Journées de Statistique de la Société Française de Statistique, Clamart, France, [26] C. Bouveyron, S. Girard & C. Schmid, Classification des données de grande dimension : application à la vision par ordinateur, 2èmes Rencontres Inter-Associations (RIA 2006) sur la classification et ses applications, pp , Lyon, France, [27] C. Bouveyron, S. Girard & C. Schmid, Une nouvelle méthode de classification pour la reconnaissance de formes, 20e colloque GRETSI sur le traitement du signal et des images, pp , Louvain-la-Neuve, Belgique, [28] C. Bouveyron, S. Girard & C. Schmid, Une méthode de classification des données de grande dimension, 37e Journées de Statistique de la Société Française de Statistique, Pau, France, Thèses et mémoires (3) [29] C. Bouveyron, Modélisation et classification des données de grande dimension : application à l analyse d images, Thèse de Doctorat, Université Grenoble 1, [30] C. Bouveyron, Dépliage du ruban cortical à partir d images obtenues en IRMf, Mémoire de DEA de Mathématiques appliquées, Unité Mixte Inserm - UJF 594, Université Grenoble 1, [31] C. Bouveyron, Traitement des Images d IRMf évenementielle, Mémoire de DESS de Mathématiques appliquées, Inserm Unité 280, Université Lyon 1, Logiciels (4) [32] C. Bouveyron & J. Jacques, Adaptive linear models for regression (AdaptReg), paquet pour le logiciel R implantant les modèles linéaires adaptatifs pour la régression. [33] C. Bouveyron & H. Chipman, Learning with Latent Networks (LLN), paquet pour le logiciel R regroupant des fonctions d apprentissage pour des données structurées. [34] C. Bouveyron, High-Dimensional Data Classification Toolbox, boite à outils pour Matlab regroupant des méthodes statistiques de classification des données de grande dimension. [35] G. Bouchard & C. Bouveyron, StatLearn Toolbox, boite à outils pour Matlab regroupant des méthodes classiques d apprentissage statistique. Séminaires (9) [36] C. Bouveyron, Mixmod 2.1 : analyse discriminante pour données en grande dimension, 2ème rencontre Mixmod, Université Lille 1, Lille, [37] C. Bouveyron, Classification de données complexes par méthodes génératives, Séminaire de Probabilités et Statistiques, Département de Mathématiques, Université Paris-Sud 11, Orsay,
8 [38] C. Bouveyron, Modèles de mélange gaussien pour la classification des données de grande dimension, Séminaire de Mathématiques des systèmes complexes, Université Paris 1, Paris, [39] C. Bouveyron, High Dimensional Data Classification, Dpt. of Mathematics & Statisctics, Acadia University, Wolfville, Canada, [40] C. Bouveyron, Modèles de mélange gaussien pour la classification des données de grande dimension et application à l analyse d image, séminaire SMS-LabSad-Mistis, Université Grenoble 1, Grenoble, [41] C. Bouveyron, Class-Specific Subspace Clustering for Object Recognition, IDIAP, Martigny, Suisse, [42] C. Bouveyron, Classification des données de haute dimension et applications en vision par ordinateur, Panorama des Recherches Incitatives en STIC, Bordeaux, [43] C. Bouveyron, Méthodes statistiques pour la reconnaissance d objets, INSERM Unité 594, Grenoble, [44] C. Bouveyron, Réduction de dimension pour la reconnaissance de formes, Journée des Thésards de Mathématiques Appliquées, Université Grenoble 1, Grenoble, Autres informations Logiciels scientifiques : Matlab, Octave, R. Langages de programmation : C et C++. Utilisation et administration des systèmes Linux (Fedora, OpenSuse). Développement des logiciels libres Kde Image Menu (KIM) et Kde Video Menu (KVM) de traitement de l image et de la video. Sports : course à pied, escalade, ski, randonnée et vélo. Pratique de la photographie. 8
Contributions à l apprentissage statistique en grande dimension, adaptatif et sur données atypiques
Université Paris 1 Panthéon Sorbonne Mémoire présenté par Charles BOUVEYRON pour l obtention de l Habilitation à Diriger des Recherches Spécialité : Mathématiques Appliquées Contributions à l apprentissage
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 détailJulien JACQUES Professeur des Universités - Université de Lyon Docteur en Mathématiques Appliquées, Habilité à Diriger des Recherches
Julien JACQUES Professeur des Universités - Université de Lyon Docteur en Mathématiques Appliquées, Habilité à Diriger des Recherches Expérience professionnelle Né le 24 octobre 1977 à Besançon, marié,
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailJean-Baptiste AUBIN Maître de Conférence en Statistique
Jean-Baptiste AUBIN Maître de Conférence en Statistique Coordonnées Professionnelles : Coordonnées Personnelles : INSA-Lyon et ICJ 26, Cours de la République Bat. Léonard de Vinci 69100 Villeurbanne 20,
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
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 détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
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 détailCURRICULUM VITAE FORMATION. 2001/2002 : Thèse ès sciences de gestion, option marketing, à l IAE de Dijon, Université de Bourgogne :
CURRICULUM VITAE Nom : DJELASSI Prénom : Souad Fonction : Maître de conférences, Université Lille2 Adresse personnelle : 4 Rue Alexandre Desrousseaux, 59000 Lille Tél. personnel : 06.68.68.26.44 Mail :
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 détailLes datas = le fuel du 21ième sicècle
Les datas = le fuel du 21ième sicècle D énormes gisements de création de valeurs http://www.your networkmarketin g.com/facebooktwitter-youtubestats-in-realtime-simulation/ Xavier Dalloz Le Plan Définition
Plus en détailRecherche et Formation dans un environnement de pointe. Contact: Eric.Beaugnon@ujf-grenoble.fr
Recherche et Formation dans un environnement de pointe Contact: Eric.Beaugnon@ujf-grenoble.fr 1 Grenoble: forte synergie recherche formation relations industrielles Années 8 International training courses
Plus en détailLe Master Mathématiques et Applications
Le Master Mathématiques et Applications Franck BOYER franck.boyer@univ-amu.fr Institut de Mathématiques de Marseille Aix-Marseille Université Marseille, 20 Mai 2014 1/ 16 Structure générale Vue d ensemble
Plus en détailPREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE
PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE Jean-Paul Valois, Claude Mouret & Nicolas Pariset Total, 64018 Pau Cédex MOTS CLEFS : Analyse spatiale, ACP, Lissage, Loess PROBLEMATIQUE En analyse multivariée,
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailCurriculum Vitae. Informations générales
Sandy CAMPART Maître de conférences de sciences économiques Membre permanent du CREM (UMR CNRS 6211) Directeur délégué à la formation continue de l IUP Banque Assurance de Caen Responsable de la licence
Plus en détailTechniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION
Plus en détailStatistiques et traitement des données
Statistiques et traitement des données Mention : Mathématiques Nature de la formation : Diplôme national de l'enseignement Supérieur Durée des études : 2 ans Crédits ECTS : 120 Formation accessible en
Plus en détailClassification supervisée et non supervisée des données de grande dimension
Classification supervisée et non supervisée des données de grande dimension Charles BOUVEYRON 1 & Stéphane GIRARD 1 SAMOS-MATISSE, CES, UMR CNRS 8174 Université Paris 1 (Panthéon-Sorbonne) 9 rue de Tolbiac,
Plus en détailFrancisco José Silva Álvarez
Francisco José Silva Álvarez Né le 22 Juillet 1982 Nationalité chilienne Célibataire. Coordonnées professionnelles Dipartimento di Matematica Guido Castelnuovo, Università La Sapienza Piazzale Aldo Moro,
Plus en détailCURRICULUM VITAE. CHAMP DE SPÉCIALISATION Économie financière. Économétrie financière. Économétrie.
CURRICULUM VITAE Nom: Bruno Feunou Citoyenneté: Canadien Langues: Bangam, Bandjoun, Français, Anglais Adresse: Duke University Department of Economics 213 Social Sciences Building Durham, NC 27708, US
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailFormation continue. Ensae-Ensai Formation Continue (Cepe)
CertifiCat de data scientist Formation continue Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist La demande de data scientists est croissante mais peu de formations existent. Ce certificat
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
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 détailCURRICULUM VITAE. Célibataire
CURRICULUM VITAE MOIZEAU Fabien Adresse domicile : 25 rue Saint-Rome 31000 Toulouse Tél :05-61-21-96-45 33 ans Célibataire Adresse professionnelle : GREMAQ, Université des sciences sociales Toulouse 1
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 détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailFORMATION. 2001/2002 : Thèse ès sciences de gestion, option marketing, à l IAE de Dijon, Université de Bourgogne :
Nom : DJELASSI Prénom : Souad Fonction : Maître de conférences, Université Lille2 Adresse professionnelle : IUT département TC, Rond-Point de l Europe, BP 557, 59060 Roubaix Cedex 01 Tél. professionnel
Plus en détailLaboratoire 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 détailLe Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Plus en détailPascal Forget 2310, Avenue Notre-Dame Québec, (Québec) Canada, G2E 3G5 Tél. (418) 380-8767 Fax (418) 656-7415 pascal.forget@cirrelt.
Pascal Forget 2310, Avenue Notre-Dame Québec, (Québec) Canada, G2E 3G5 Tél. (418) 380-8767 Fax (418) 656-7415 pascal.forget@cirrelt.ca FORMATION Doctorat, génie mécanique Université Laval, Québec, Canada
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détail1. Situation actuelle... p. 1
Curriculum Vitae - page 1 / 7 Curriculum Vitae 1. Situation actuelle... p. 1 2. Formation et titres universitaires français... p. 2 Thèse de doctorat de l'institut National Polytechnique de Grenoble (INPG)...
Plus en détailCURRICULUM VITAE. Informations Personnelles
CURRICULUM VITAE Informations Personnelles NOM: BOURAS PRENOM : Zine-Eddine STRUCTURE DE RATTACHEMENT: Département de Mathématiques et d Informatique Ecole Préparatoire aux Sciences et Techniques Annaba
Plus en détailNotice biographique Repères biographiques communs. Grade : Maître de conférences depuis septembre 2003. Ecole Abbé Grégoire du CNAM.
Nom : RIVAL Corps : Maître de conférences Equipe de recherche Notice biographique Repères biographiques communs Prénom : MADINA Grade : Maître de conférences depuis septembre 2003 Section : 06 Membre du
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 détailCurriculum Vitae (version étendue)
Curriculum Vitae Docteur en Sciences Economiques (Université Paris 1 Panthéon-Sorbonne) Qualifié Maître de Conférences par le Conseil National des Universités (Section 5) Né le 4 Janvier 1980 à Paris Nationalité
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailReconnaissance de gestes : approches 2D & 3D
Reconnaissance de gestes : approches 2D & 3D Maher Mkhinini et Patrick Horain Institut Mines-Télécom/Télécom SudParis Département Électronique et Physique, 9 rue Charles Fourier, 91011 Evry, France Email
Plus en détailInnovation Francophonie Imagination
Innovation Francophonie Imagination http://www.ifi.auf.org Qu est-ce que l IFI? Fondé en 1993 à Hanoï (Vietnam), l IFI est un institut universitaire international francophone de troisième cycle soutenu
Plus en détailBourses d excellence pour les masters orientés vers la recherche
Masters de Mathématiques à l'université Lille 1 Mathématiques Ingénierie Mathématique Mathématiques et Finances Bourses d excellence pour les masters orientés vers la recherche Mathématiques appliquées
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 détailDomaines d enseignement
Mohamed GHAIBI Né le 22 octobre 1980 Célibataire 21 rue Championnet 75018Paris mghaibi@yahoo.fr Tél. 33 (0)6.27.30.01.81 Inscrit en thèse de Doctorat en sciences de gestion à Paris I Panthéon Sorbonne.
Plus en détailMASTER ECONOMIE APPLIQUEE
Le Master Economie Appliquée est destiné à des étudiants ayant reçu une formation universitaire solide en économie, statistiques, mathématiques et économétrie. Ce Master propose un cursus sur deux années
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailRapport du comité d'experts
Section des Unités de recherche Rapport du comité d'experts Unité de recherche : Centre de Recherche sur l Espagne Contemporaine (CREC) EA 2292 de l'université Paris 3 Sorbonne Nouvelle février 2008 2
Plus en détailMRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010
E MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010 Professeure :Elissar Toufaily Plage horaire du cours : Cours en salle Jeudi 15h 30-18h30 Local 4221 PAP Du 2 septembre. 2010 au 9
Plus en détailIntroduction 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 détailMémoire d Actuariat Tarification de la branche d assurance des accidents du travail Aymeric Souleau aymeric.souleau@axa.com 3 Septembre 2010 Plan 1 Introduction Les accidents du travail L assurance des
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 détailCurriculum Vitæ. Stéphane Girard. 15 mai 1970 à Besançon (25) Qualification aux fonctions de Professeur, 26ème section, février 2005 février 2013.
Curriculum Vitæ Stéphane Girard 1 Informations personnelles Situation professionnelle : Date et lieu de naissance : Nationalité : Situation de famille : Adresse personnelle : Adresse professionnelle :
Plus en détailUniversité Abou-Bekr Belkaid Tlemcen Faculté des Sciences Economiques et de Gestion. BENBOUZIANE Mohamed
Université Abou-Bekr Belkaid Tlemcen Faculté des Sciences Economiques et de Gestion CV BENBOUZIANE Mohamed Nom : BENBOUZIANE Prénom : Mohamed Date et Lieu de Naissance : 04/ 12/ 1963 à Honaine Tlemcen-
Plus en détailSaadi KHOCHBIN. Directeur de recherche CNRS. médaille d Argent. Institut des sciences biologiques. Institut Albert Bonniot (IAB)
Saadi KHOCHBIN Directeur de recherche CNRS Institut Albert Bonniot (IAB) Inserm / UJF Institut des sciences biologiques médaille d Argent Les projets développés par Saadi Khochbin s inscrivent essentiellement
Plus en détailRattachement recherche à I3M (Institut de Mathématiques et Modélisation de Montpellier) - Université Montpellier 2 (UMR CNRS 5149).
Catherine TROTTIER Maître de Conférences - Classe Normale Université Paul Valéry - Montpellier 3 Section CNU : 26 Née le 10 avril 1971 à Tours (Indre-et-Loire) Nationalité française adresses professionnelles
Plus en détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailSemestre HPC. Violaine Louvet. Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr. Labex MILyon, Printemps 2016
Semestre HPC Violaine Louvet Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr Labex MILyon, Printemps 2016 V. Louvet (ICJ) Semestre HPC Printemps 2016 1 / 9 Présentation du semestre Modélisation
Plus en détailFreddy Huet. Adresse professionnelle : Adresse personnelle :
Maître de conférences à l université de la Réunion Membre du CEMOI (université de la Réunion) Chercheur associé à la chaire EPPP (IAE de Paris) Né le 04 janvier 1979 Nationalité Française Adresse professionnelle
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 détailSpécialité Sciences Mécaniques et Ingénierie
Master 2 Sciences, Technologies, Santé Mention Mécanique Spécialité Sciences Mécaniques et Ingénierie Parcours R&D en mécanique des fluides Parcours R&D en matériaux et structures Parcours Energétique
Plus en détailChristian BONTEMPS né le 08 juillet 1969
Curriculum Vitae Christian BONTEMPS né le 08 juillet 1969 Situation actuelle : Ingénieur en Chef des Ponts et Chaussées, Chercheur IDEI Professeur Sciences Économiques, GREMAQ - Université Toulouse I.
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailOrganisé 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 détailMajeures et mineures
Majeures et mineures Bologne @ Europe une année académique = 60 crédits ECTS European Credit Transfer System Bachelier en sc.de l ingénieur ing.civil [arch.] 3 ans = 180 crédits ECTS Master ingénieur civil
Plus en détail1997 Maîtrise d économétrie, Université des Sciences et Technologies de Lille 1.
Fany DECLERCK Chercheur IDEI Professeur des Universités IAE Toulouse School of Economics Université de Toulouse Adresse Université de Toulouse 1 Manufacture des Tabacs Aile Jean-Jacques LAFFONT - MF 311
Plus en détailEmploi du temps prévisionnel
1 Emploi du temps prévisionnel 1. Séances de cours et d exercices Nous aurons cours ensemble : tous les mercredis matins du 28 septembre au 7 décembre inclus, à l exception du mercredi 2 novembre, libéré
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 détailA / BIOGRAPHY. 2005-2009 : Doctorat en Sciences Economiques et de Gestion (Ph.D.), Louvain School of Management Université catholique de Louvain
Albert B.R. LWANGO, PhD. Finance, Innovation and Entrepreneurship Groupe ESC Troyes Contact address : 217 avenue Pierre Brossolette BP 710 10002 Troyes cedex - France Phone : +33(0)3 25 71 22 79 Mail :
Plus en détailMention : STAPS. Sport, Prévention, Santé, Bien-être. Objectifs de la spécialité
Mention : STAPS Sport, Prévention, Santé, Bien-être Objectifs de la spécialité L'objectif de la spécialité «Sport, Prévention, Santé, Bien être» est de doter les étudiants de compétences scientifiques,
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
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 détailUniversity of Luxembourg
University of Luxembourg Multilingual. Personalised. Connected. ETUDIER AU LUXEMBOURG Pourquoi, quoi et comment? Stéphanie Schott Relations Internationales Pourquoi l Université du Luxembourg? Une université
Plus en détailPrésentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur
Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur Réalisé par : Bassem Besbes Laboratoire d Informatique, Traitement de l Information
Plus en détailPrédiction et Big data
Prédiction et Big data Mitra Fouladirad Institut Charles Delaunay - UMR CNRS 6281 Université de Technologie de Troyes 29 avril 2015 1 1 Sujet Motivation Le pronostic ou la prédiction du comportement futur
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 détailIndustrial Phd Progam
Industrial Phd Progam Catalan Government: Legislation: DOGC ECO/2114/2012 Modification: DOGC ECO/2443/2012 Next: Summary and proposal examples. Main dates March 2013: Call for industrial Phd projects grants.
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailInstitut. Master MIAGE. Master SIC. d Administration des Entreprises de Paris. Sorbonne Graduate Business school
U N I V E R S I T É P A R I S 1 P A N T H É O N - S O R B O N N E Institut d Administration des Entreprises de Paris Sorbonne Graduate Business school Master MIAGE Master SIC par la voie de l apprentissage
Plus en détailEtude Benchmarking 2010 sur les formations existantes apparentées au métier de Business Developer en Innovation
Un programme animé par Systematic et copiloté par Systematic, Opticsvalley et le réseau des Chambres de Commerce et d Industrie Paris-Ile-de-France Etude Benchmarking 2010 sur les formations existantes
Plus en détailPanorama des problématiques de traitement de l information. Larbi Aït Hennani, Fatma Bouali, Vincent Vandewalle
Panorama des problématiques de traitement de l information Larbi Aït Hennani, Fatma Bouali, Vincent Vandewalle Conduite d une étude statistique Larbi Aït Hennani, maître de conférences en mathématiques
Plus en détail[Présentation] Juillet 2005
[Présentation] Juillet 2005 Présentation générale Histoire Création en 1765 Situation Étudiants Personnels 6 Composantes Au centre de la Corse En 2005 : 4111 Population de 260.000 personnes 230 enseignants
Plus en détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
Plus en détailFORMATION ET DIPLOMES OBTENUS
Jean Gabriel Cousin Faculté de Finance, Banque et Comptabilité Université Lille Nord de France né le 27/01/1976 1, Place Déliot 2 enfants 59000 Lille tél. : 03.20.90.76.06 courriel : jgcousin@univ-lille2.fr
Plus en détailINVESTISSEMENTS D AVENIR
INVESTISSEMENTS D AVENIR LABORATOIRES D EXCELLENCE (LABEX) SYNTHESE DU SUIVI 2012 Compte-rendu scientifique Relevé de dépenses Indicateurs Mai 2013 SYNTHESE DU SUIVI D ACTION LABEX (Années 2011 et 2012)
Plus en détailEtudier l informatique
Etudier l informatique à l Université de Genève 2015-2016 Les bonnes raisons d étudier l informatique à l UNIGE La participation à des dizaines de projets de recherche européens Dans la présente brochure,
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailCommunication. Pour devenir un analyste critique et un stratège de la communication COMU. L École de Communication de l UCL CAMPUS UCL MONS
Communication L École de Communication de l UCL CAMPUS UCL MONS Pour devenir un analyste critique et un stratège de la communication COMU L École de Communication de l UCL Fondée il y a près de 600 ans,
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailC U R R I C U L U M V I T A E
C U R R I C U L U M V I T A E Nom : Prénom : IDOUGHI Djilali Adresse Personnelle: Cité des 792 Logts Bt L N 690 Sidi-Ahmed, Bejaia, Algérie. Adresse professionnelle : Université A. Mira, de Béjaïa Département
Plus en détail2013-2015 Attachée Temporaire d Enseignement et de Recherche Institut d Administration des Entreprises Université de Toulouse 1 Capitole.
Adresse personnelle : NEGRE Emmanuelle 5 rue Rivals 31000 Toulouse Née le 25/06/1987, 27 ans FRANCE 06.76.79.01.31 emmanuelle.negre@ iae-toulouse.fr Fonctions 2013-2015 Attachée Temporaire d Enseignement
Plus en détailMaster Théorie et pratiques des arts interactifs
Master Théorie et pratiques des arts interactifs Co-directeurs du Master Université de Poitiers Bertrand Augereau augerau@sic.univ-poitiers.fr École Européenne Supérieure de l Image Sabrina GRASSI-FOSSIER
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détail