Coup de Projecteur sur les Réseaux de Neurones

Dimension: px
Commencer à balayer dès la page:

Download "Coup de Projecteur sur les Réseaux de Neurones"

Transcription

1 Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche à rétro propagation. De tels réseaux ont une couche d entrée, une couche de sortie et une ou plusieurs couches cachées. Essayons de modéliser le prix de maisons dans une ville ( ) en fonction de trois variables X 1, X 2, X 3 considérées comme les trois entrées, h 1 et h 2 sont les nœuds cachés de la couche cachée et est donc la sortie. W 10, W 20 et W 0 sont les biais possibles des poids. Un total de 11 poids est donc à déterminer ici. W 11, W 12, W 13 sont les poids qui relient les entrées au premier nœud de la couche cachée et W 21, W 22, W 23 sont les poids qui relient les entrées au deuxième nœud de la couche cachée. En partant de la couche cachée vers la couche de sortie, W 1 et W 2 représentent les poids des deux nœuds cachés. Dans les réseaux de neurones, les poids sont appliqués aux fonctions de transfert choisies qui peuvent être des fonctions identité, sinus, logistique, arc tangente, exponentielle, etc.

2 Dans les problèmes de prédiction on utilise généralement des fonctions Identité puisque l étendue possible d intervalle de valeurs peut se trouver entre - et +. Par contraste, les fonctions logistiques seront plutôt utilisées pour les problèmes de classification. Pour démontrer les estimations d un simple réseau de neurones 3-2-1, nous voulons modéliser la variable Valeur des Habitations Occupées en fonction des variables Nombre Moyen de Pièces, Part de Propriétaires Occupants, et Distance au Lieu de Travail. Les résultats de ce réseau de neurones donnent les 11 poids suivants : Les poids d entrée allant vers les nœuds de la couche cachée sont : W 11 = 8.58, W 12 = 0.47, W 13 = -4.74, W 21 = -3.26, W 22 = 9.94, W 23 = 1.33 Les poids des nœuds de la couche cachée allant vers la sortie : W 1 = 2.45, W 2 = Les poids des nœuds biais associés respectivement au premier et deuxième nœud de la couche cachée et au nœud de sortie : W 10 = -4.54, W 20 = -5.18, W 0 = 0.2 Mathématiquement ensuite, les nœuds cachés sont calculés par la fonction de transfert, encore appelée fonction d écrasement, qui compresse les valeurs entre 0 et 1. La sortie d une fonction d activation est soit 0 soit 1 quand elle est logistique comme ici, soit encore comprise entre -1 et 1, selon la fonction d activation choisie : La fonction logistique f(x) = 1/(1 + e k(x+t) ), où k est le paramètre de pente et t est la valeur déplaçant le centre de la fonction d activation au-delà de zéro. Le biais d entrée constant permet d enlever le t de l équation. Nous pouvons considérer le cerveau comme un ordinateur à calcul parallèle, non linéaire et hautement complexe. Pour le moment, il n est pas possible de créer un cerveau artificiel, mais il est possible de créer des neurones artificiels simplifiés et des réseaux de neurones artificiels pour imiter au mieux le cerveau dans beaucoup de situations différentes. La fonction d activation va modéliser la décision à prendre avec un seuil fixé ici à 0.5. Comme le comportement d un neurone est binaire, soit il envoie un signal soit il n envoie pas de signal. Un neurone n envoie pas de signal si l activité accumulée reste sous le seuil. Et si l activité dépasse le seuil, un neurone envoie un signal (produit un pic). Cette valeur seuil jouera donc

3 le rôle d interrupteur du neurone pour transmettre l information au neurone suivant ou à la sortie. Nous utiliserons donc cette fonction sigmoïde pour mimer au plus près le comportement du cerveau! h 1 = 1/(1+e -z1 ) et h 2 = 1/(1+e -z2 ) ; si l'activation est inférieure à 0.5, alors l activation prendra la valeur 0, sinon 1. Après un certain nombre d itérations (epoch), les poids des modèles de fonction de transfert seront calculés pour correspondre à l objectif de minimisation de l erreur entre le résultat de la fonction d activation et la réponse prévue : z 1 = W 10 + W 11 X 1 + W 12 X 2 + W 13 X 3 = *Nombre Moyen Pièces *Part de Propriétaires Occupants 4.74*Distance au Lieu de Travail z 2 = W 20 + W 21 X 1 + W 22 X 2 + W 23 X 3 = *Nombre Moyen Pièces *Part de Propriétaires Occupants *Distance au Lieu de Travail Étant données ces valeurs de nœud cachés, nous pouvons récupérer le nœud de sortie en utilisant la fonction linéaire résultante dans : = W 0 + W 1 h 1 + W 2 h 2 = * h * h 2 Pour obtenir le score des données de validation, nous alimenterons les valeurs d entrée par les valeurs issues de l ensemble de validation dans les formules de nœud et obtiendrons ainsi le score de sortie en utilisant la formule ci-dessus. Ce modèle est évidemment non-linéaire dans les poids à estimer à partir des données d apprentissage et, une méthode conventionnelle comme les moindres carrés est inappropriée.

4 Comment les poids sont calculés? Imaginons deux variables d entrée I1 et I2 avec un Biais d entrée constant I0 applicable sur W0, fixé à -1 et un taux d apprentissage fixé à 0.1. Le biais d entrée est l équivalent d une ordonnée à l origine dans une régression! En calculant chaque entrée du réseau, l erreur est calculée pour chaque entrée et évolue par rétro propagation dans le réseau pendant que les poids s ajustent de façon à rendre l erreur la plus petite possible. La méthode consistant à mettre à jour les poids après chaque donnée est en général appelée gradient stochastique. À la première observation de la première itération, les poids sont fixés par une amorce aléatoire I0 1 *W0 1 + I1 1 *W1 1 + I2 1 *W2 1 = -1* * *(-0.4) = -0.3 et <0, donc Activation = 0 et l Erreur E 1 = Valeur prévue Activation = 0-0=0. À la deuxième observation de la première itération, I0 2 *(W *(I0 1 )*E 1 ) + I1 2 *(W *(I1 1 )* E 1 ) + I2 2 *(W *(I2 1 )* E 1 ) = -1*( *(-1)*0) + 0*( *(0)*0) + 1*((- 0.4) + 0.1*(0)*0) = -0.7 et <0, donc Activation = 0 et l Erreur E 2 = 0-0 = 0. À la troisième observation de la première itération, I0 3 *(W *(I0 2 )* E 2 ) + I1 3 *(W *(I1 2 )* E 2 ) + I2 3 *(W *(I1 2 )* E 2 ) = -1( *(-1)*0) + 1*( *(0)*0) + 0*((-0.4) + 0.1*(1)*0) = +0.2 et >0, donc Activation = 1 et l Erreur E 3 = 0-1= -1. À la quatrième observation de la première itération, I0 4 *(W *(I0 3 )* E 3 ) + I1 4 *(W *(I1 3 )* E 3 ) + I2 4 *(W *(I2 3 )* E 3 ) = -1*( *(-1)*(-1)) + 1*( *(1)*(-1))+ 1*((- 0.4) + 0.1*(0)*(-1)) = -0.4 et <0, donc Activation = 0 et l Erreur E 4 = 1-0= 1. Et ainsi de suite pour tous les points de l ensemble d apprentissage pour arriver à la convergence des erreurs vers zéro ou un minimum!

5 La convergence mène t elle à un bon réseau? La question fondamentale critique en développant un réseau de neurones est la généralisation : comment le réseau va se comporter pour prévoir des observations qui ne font pas partie de l ensemble d apprentissage? Les réseaux de neurones, peuvent souffrir soit de sous-ajustement, soit de sur-ajustement. Un réseau qui n est pas suffisamment complexe peut échouer pour détecter convenablement le signal dans un jeu de données complexes, menant à un sous-ajustement. Un réseau trop complexe peut ajuster du bruit, et pas seulement le signal, menant à un surajustement. Le sur-ajustement est spécialement dangereux parce qu il peut mener à des prévisions en dehors de l étendue des données d apprentissage dans beaucoup de types de réseaux de neurones. Il peut également produire des mauvaises prévisions dans les perceptrons multicouches même avec des données non bruitées! Il s'agit donc de sélectionner le modèle qui offre le meilleur compromis entre la complexité du réseau et les performances sur les ensembles d'apprentissage et de validation. STATISTICA Réseaux de Neurones Automatisées (SANN) dispose d outils pour sélectionner automatiquement le meilleur modèle en évitant le sur-ajustement. La meilleure façon d éviter le sur-ajustement consiste à utiliser beaucoup de données d apprentissage. Si vous disposez d au moins 30 fois plus d observations d apprentissage qu il n y a de poids dans le réseau, vous avez peu de chances de souffrir de sur-ajustement. Pour des données moins bruitées, 5 fois plus d observations d apprentissage que de poids peut être suffisant. Mais vous ne pouvez pas réduire arbitrairement le nombre de poids par peur du sur-ajustement!

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

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

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des

Plus en détail

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

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

Plus en détail

La gestion des ventes.

La gestion des ventes. I. La prévision des ventes. A. Principe. La gestion des ventes. Elle consiste à déterminer les ventes futures à la fois en quantité et en valeur en tenant compte des tendances et contraintes imposées à

Plus en détail

SPLEX Statistiques pour la classification et fouille de données en

SPLEX Statistiques pour la classification et fouille de données en SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr

Plus en détail

Chapitre 2: Prévisions des ventes

Chapitre 2: Prévisions des ventes Chapitre 2: Prévisions des ventes AVIS IMPORTANT : Ces notes sont basées sur le livre de Steven Nahmias : Production et Operations Analysis, 4 ième édition, McGraw-Hill Irwin 200. Les figures sont issues

Plus en détail

Analyse d un système de freinage récupératif d un véhicule électrique

Analyse d un système de freinage récupératif d un véhicule électrique Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet 1 Compréhension

Plus en détail

Lycée Alexis de Tocqueville. BACCALAUREAT TECHNOLOGIQUE Blanc Corrigé. Série S.T.M.G. Février 2015 Épreuve de mathématiques.

Lycée Alexis de Tocqueville. BACCALAUREAT TECHNOLOGIQUE Blanc Corrigé. Série S.T.M.G. Février 2015 Épreuve de mathématiques. Lycée Alexis de Tocqueville BACCALAUREAT TECHNOLOGIQUE Blanc Corrigé Série S.T.M.G. Février 2015 Épreuve de mathématiques Durée 3 heures Le candidat traitera obligatoirement les quatre exercices ******

Plus en détail

avec w ij poids liant le neurone j au neurone i vec w.vec xi = 0 vec xi vec xi

avec w ij poids liant le neurone j au neurone i vec w.vec xi = 0 vec xi vec xi Exemple pour un perceptrion à deux classes (1 unité de sortie) -> 1/-1 Si w i x 0 la réponse est 1 Si w i x 0 la réponse est -1 Donc la discrimination se fait pour des entrés (les x ). Cet hyperplan a

Plus en détail

COURS DE DATA MINING 8 : MODELISATIONS RESEAUX DE NEURONES ET DE KOHONEN

COURS DE DATA MINING 8 : MODELISATIONS RESEAUX DE NEURONES ET DE KOHONEN COURS DE DATA MINING 8 : MODELISATIONS RESEAUX DE NEURONES ET DE KOHONEN EPF 4/ 5 ème année - Option Ingénierie d Affaires et de Projets - Finance Bertrand LIAUDET 8 : Modélisations - Réseaux de neurones

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

Correction du bac blanc CFE Mercatique

Correction du bac blanc CFE Mercatique Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE 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 détail

Les Réseaux de Neurones

Les Réseaux de Neurones I Les Réseaux de Neurones 2. Présentation des réseaux neuronaux 2.1. Introduction 2.2. Les neurones 2.3. Architectures simples 2.4. Architectures multicouches 3. Apprentissage supervisé 3.1. Introduction

Plus en détail

Points fixes de fonctions à domaine fini

Points fixes de fonctions à domaine fini ÉCOLE POLYTECHNIQUE ÉCOLE NORMALE SUPÉRIEURE DE CACHAN ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION 2013 FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE

Plus en détail

Introduction aux réseaux de neurones pour le traitement automatique des langues

Introduction aux réseaux de neurones pour le traitement automatique des langues Introduction aux réseaux de neurones pour le traitement automatique des langues Matthieu Labeau LIMSI-CNRS 10 Février, 2015 Plan Perceptron Réseau de Neurones Backpropagation Notre problème en pratique

Plus en détail

Le perceptron multicouche et son algorithme de rétropropagation des erreurs

Le perceptron multicouche et son algorithme de rétropropagation des erreurs Le perceptron multicouche et son algorithme de rétropropagation des erreurs Marc Parizeau Département de génie électrique et de génie informatique Université Laval 10 septembre 2004 Le perceptron multicouche

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

CONCOURS 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) 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 détail

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

Plus en détail

Sélection- validation de modèles

Sélection- validation de modèles Sélection- validation de modèles L. Rouvière laurent.rouviere@univ-rennes2.fr JANVIER 2015 L. Rouvière (Rennes 2) 1 / 77 1 Quelques jeux de données 2 Sélection-choix de modèles Critères de choix de modèles

Plus en détail

Restauration d images

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

Plus en détail

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

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

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

SESSION 2014 MATHÉMATIQUES. Série : SCIENCES ET TECHNOLOGIES DU MANAGEMENT ET DE LA GESTION STMG. DURÉE DE L ÉPREUVE : 3 heures COEFFICIENT : 3

SESSION 2014 MATHÉMATIQUES. Série : SCIENCES ET TECHNOLOGIES DU MANAGEMENT ET DE LA GESTION STMG. DURÉE DE L ÉPREUVE : 3 heures COEFFICIENT : 3 BACCALAURÉAT TECHNOLOGIQUE SESSION 2014 MATHÉMATIQUES Série : SCIENCES ET TECHNOLOGIES DU MANAGEMENT ET DE LA GESTION STMG DURÉE DE L ÉPREUVE : 3 heures COEFFICIENT : 3 Calculatrice autorisée, conformément

Plus en détail

Atelier Finance du 2 mai

Atelier Finance du 2 mai Atelier Finance du 2 mai Les GRT du Québec nous disent toujours qu il y une seule question à laquelle les accompagnants ne doivent jamais répondre : «Combien coûte un projet?» avant qu il ne soit finalisé.

Plus en détail

Partie I : Automates et langages

Partie I : Automates et langages 2 Les calculatrices sont interdites. N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction. Si un candidat est amené à repérer ce qui peut

Plus en détail

Poker. A rendre pour le 25 avril

Poker. A rendre pour le 25 avril Poker A rendre pour le 25 avril 0 Avant propos 0.1 Notation Les parties sans * sont obligatoires (ne rendez pas un projet qui ne contient pas toutes les fonctions sans *). Celles avec (*) sont moins faciles

Plus en détail

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB PAR : MAROOF ASIM DAN BENTOLILA WISSAM ESSID GROUPE 1 LM206 Lundi 10H45 INTRODUCTION : ( Ce rapport est un compte

Plus en détail

Baccalauréat STMG Antilles Guyane / 18 juin 2015

Baccalauréat STMG Antilles Guyane / 18 juin 2015 Exercice 1 Durée : 3 heures Baccalauréat STMG Antilles Guyane / 18 juin 2015 4 points Cet exercice est un questionnaire à choix multiples (QCM). Le candidat recopiera sur sa copie le numéro de la question

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE 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 détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

T.D. 1. Licence 2, 2014 15 - Université Paris 8

T.D. 1. Licence 2, 2014 15 - Université Paris 8 Mathématiques Financières Licence 2, 2014 15 - Université Paris 8 C. FISCHLER & S. GOUTTE T.D. 1 Exercice 1. Pour chacune des suites ci-dessous, répondre aux questions suivantes : Est-ce une suite monotone?

Plus en détail

Programmation Logique et IA. P. Habermehl et D. Kesner. Réseaux de neurones

Programmation Logique et IA. P. Habermehl et D. Kesner. Réseaux de neurones Réseaux de neurones 1 Introduction Intelligence Articielle Cognitivisme (sciences cognitives) Connexionisme (réseaux de neurones) Le cerveau : réseau très complexe ayant un grand nombre de cellules de

Plus en détail

Option Informatique Arbres binaires équilibrés

Option Informatique Arbres binaires équilibrés Option Informatique Arbres binaires équilibrés Sujet novembre 2 Partie II : Algorithmique et programmation en CaML Cette partie doit être traitée par les étudiants qui ont utilisé le langage CaML dans

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

TP R sur les réseaux neuronaux

TP R sur les réseaux neuronaux TP R sur les réseaux neuronaux Emmanuel Rachelson and Matthieu Vignes 14 mars 2013, SupAero - ISAE 1 Un tutoriel simple: le calcul de la racine carrée Dans ce tutoriel, un réseau neuronal va être construit

Plus en détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

La 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? 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 détail

Support Vector Machines

Support Vector Machines Support Vector Machines Séparateurs à vaste marge Arnaud Revel revel.arnaud@gmail.com Plan 1 Introduction 2 Formalisation 3 Utilisation des noyaux 4 Cas multi-classes 5 Applications des SVM 6 Bibliographie

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

Plus en détail

Les variables indépendantes catégorielles

Les variables indépendantes catégorielles Les variables indépendantes catégorielles Jean-François Bickel Statistique II SP08 Jusqu à maintenant, nous avons considéré comme variables indépendantes uniquement des variables intervalles (âge) ou traitées

Plus en détail

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

Plus en détail

Analyse et modélisation de visages

Analyse et modélisation de visages Analyse et modélisation de visages Pascal Bourdon Laboratoire XLIM-SIC (UMR CNRS 7252) / Université de Poitiers pascal.bourdon@univ-poitiers.fr Analyse et modélisation de visages Plan Introduction Outils

Plus en détail

0DWKpPDWLTXHVGHO DUJHQW. édité par Mr. G.Moumoulidis (OTE)

0DWKpPDWLTXHVGHO DUJHQW. édité par Mr. G.Moumoulidis (OTE) 3/$,78'RF) 0DWKpPDWTXHVGHO DUJHQW HW OHVpWXGHVWHFKQTXHVpFRQRPTXHV édité par Mr. G.Moumoulidis (OTE) 8,2,7(5$7,2$/('(67(/(&2008,&$7,26,7(5$7,2$/7(/(&2008,&$7,28,2 8,2,7(5$&,2$/'(7(/(&208,&$&,2(6 - - 0DWKpPDWTXHVGHO

Plus en détail

Réseaux de neurones. 1 Introduction. Résumé. 1.1 Historique. 1.2 Réseaux de neurones. 1 Réseaux de neurones

Réseaux de neurones. 1 Introduction. Résumé. 1.1 Historique. 1.2 Réseaux de neurones. 1 Réseaux de neurones 1 Réseaux de neurones Résumé Réseaux de neurones Définition et caractéristiques des réseaux de neurones ou perceptrons multicouches spécifiques pour la régression et la discrimination ou classification

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

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

Plus en détail

MATHÉMATIQUES FINANCIÈRES I

MATHÉMATIQUES FINANCIÈRES I MATHÉMATIQUES FINANCIÈRES I Deuxième cours Rappel: Intérêt Rappel: Intérêt Fonction de capitalisation 1 Rappel: Intérêt Fonction de capitalisation Fonction d accumulation Rappel: Intérêt Fonction de capitalisation

Plus en détail

Les méthodes classiques des coûts complets et la méthode ABC

Les méthodes classiques des coûts complets et la méthode ABC PARTIE 1 Les méthodes classiques des coûts complets et la méthode ABC THÈME 2 Le traitement des charges : les charges directes et indirectes EXERCICE 2 Méthode des centres d analyse et méthode simplifiée

Plus en détail

Ressources pour le lycée technologique

Ressources pour le lycée technologique éduscol Enseignement de mathématiques Classe de première STMG Ressources pour le lycée technologique Dérivation : Approximation affine et applications aux évolutions successives Contexte pédagogique Objectifs

Plus en détail

Équations non linéaires

Équations non linéaires Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et

Plus en détail

VIII : Gestion des prévisions

VIII : Gestion des prévisions CHTIBI Chafik Une prévision est une prédiction des événements à venir qu'on utilise à des fins de planification. Les méthodes de prévision peuvent se fonder sur des modèles mathématiques utilisant les

Plus en détail

Modèles neuronaux pour la modélisation statistique de la langue

Modèles neuronaux pour la modélisation statistique de la langue Modèles neuronaux pour la modélisation statistique de la langue Introduction Les modèles de langage ont pour but de caractériser et d évaluer la qualité des énoncés en langue naturelle. Leur rôle est fondamentale

Plus en détail

Fabien DONIUS, Nicolas GRILL, Chérine KAMEL, Selim MILED - Ing1 Gr4 ANALYSE MATHEMATIQUE GOLAY (24,12,8) Les codes correcteurs d erreur

Fabien DONIUS, Nicolas GRILL, Chérine KAMEL, Selim MILED - Ing1 Gr4 ANALYSE MATHEMATIQUE GOLAY (24,12,8) Les codes correcteurs d erreur Fabien DONIUS, Nicolas GRILL, Chérine KAMEL, Selim MILED - Ing1 Gr4 ANALYSE MATHEMATIQUE GOLAY (24,12,8) Les codes correcteurs d erreur 2 I. Génération des matrices : Le code de Golay, comme le code de

Plus en détail

FONCTION DE DEMANDE : REVENU ET PRIX

FONCTION DE DEMANDE : REVENU ET PRIX FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie

Plus en détail

Correction Baccalauréat STMG Antilles Guyane 18 juin 2015

Correction Baccalauréat STMG Antilles Guyane 18 juin 2015 Durée : 3 heures Correction Baccalauréat STMG Antilles Guyane 18 juin 2015 EXECICE 1 4 points Cet exercice est un questionnaire à choix multiples (QCM). Le candidat recopiera sur sa copie le numéro de

Plus en détail

Comparaison de services de téléphonie cellulaire

Comparaison de services de téléphonie cellulaire Comparaison de services de téléphonie cellulaire Résultat d apprentissage Description Mathématiques 10C, Relations et Fonctions, n o 1 Interpréter et expliquer les relations parmi des données, des graphiques

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA 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 détail

Prévision de la demande

Prévision de la demande But : Pour prendre des décisions relatives à la structure et au fonctionnement opérationnel de tout système logistique; il faut s appuyer sur un système de prévision fiable. Concerne le long, moyen et

Plus en détail

Chapitre 6 Apprentissage des réseaux de neurones et régularisation

Chapitre 6 Apprentissage des réseaux de neurones et régularisation Chapitre 6 : Apprentissage des réseaux de neurones et régularisation 77 Chapitre 6 Apprentissage des réseaux de neurones et régularisation Après une introduction rapide aux réseaux de neurones et à la

Plus en détail

Méthodologie d'évaluation 1. Analyse et estimation de l'erreur. 10 Novembre 2009

Méthodologie d'évaluation 1. Analyse et estimation de l'erreur. 10 Novembre 2009 Méthodologie d'évaluation 1. Analyse et estimation de l'erreur 10 Novembre 2009 Datamining 1 2009-2010 Plan 1 Décomposition biais/variance de l'erreur 2 Techniques d'estimation de l'erreur Datamining 2

Plus en détail

Exercices théoriques

Exercices théoriques École normale supérieure 2008-2009 Département d informatique Algorithmique et Programmation TD n 9 : Programmation Linéaire Avec Solutions Exercices théoriques Rappel : Dual d un programme linéaire cf.

Plus en détail

Vous pouvez obtenir une extension nécessaire via des achats In-App dans Paramètres (bouton en haut à gauche) > Extensions.

Vous pouvez obtenir une extension nécessaire via des achats In-App dans Paramètres (bouton en haut à gauche) > Extensions. Important: La description correspond à la version de ALON Dictaphone qui comprend toutes les extensions construites. Les extensions construites sont: Partager des Notes Audio Pack Audio Avancé Sélection

Plus en détail

SUITES ET SÉRIES GÉOMÉTRIQUES

SUITES ET SÉRIES GÉOMÉTRIQUES SUITES ET SÉRIES GÉOMÉTRIQUES Sommaire 1. Suites géométriques... 2 2. Exercice... 6 3. Application des suites géométriques aux mathématiques financières... 7 4. Vocabulaire... 7 5. Exercices :... 8 6.

Plus en détail

F22 : LES INDICES. 2. Commentaires

F22 : LES INDICES. 2. Commentaires Fiche professeur F22 : LES INDICES TI-82 STATS TI-83 Plus TI-84 Plus Mots-clés : indices, droite de tendance, méthode de Mayer. 1. Objectifs Utiliser la calculatrice graphique pour mettre facilement en

Plus en détail

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur

Plus en détail

Introduction à la programmation en variables entières Cours 3

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

Plus en détail

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

GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 2013 École de technologie supérieure Département de génie de la production automatisée Responsable(s) du cours : Crédits : Richard Lepage, ing., Ph.D. GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE

Plus en détail

Arbres de décisions et forêts aléatoires.

Arbres de décisions et forêts aléatoires. Arbres de décisions et forêts aléatoires. Pierre Gaillard 7 janvier 2014 1 Plan 1 Arbre de décision 2 Les méthodes d ensembles et les forêts aléatoires 2 Introduction 3 Introduction Jeu de données (ex

Plus en détail

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

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

Plus en détail

Optimisation. 1 Petite taxinomie des problèmes d optimisation 2

Optimisation. 1 Petite taxinomie des problèmes d optimisation 2 Table des matières Optimisation 1 Petite taxinomie des problèmes d optimisation 2 2 Optimisation sans contraintes 3 2.1 Optimisation sans contrainte unidimensionnelle........ 3 2.1.1 Une approche sans

Plus en détail

Utiliser des fonctions complexes

Utiliser des fonctions complexes Chapitre 5 Utiliser des fonctions complexes Construire une formule conditionnelle avec la fonction SI Calculer un remboursement avec la fonction VPN Utiliser des fonctions mathématiques Utiliser la fonction

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage

Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage Configuration optimale d un réseau de neurones adapté à la surveillance en ligne de l usure des outils de tournage Idir Belaidi, Raouf Tahmi & Kamal Mohammedi Laboratoire LMMC, Groupe Modélisation Mécanique

Plus en détail

Solutions optimales multiples. 3D.1 Unicité de la solution optimale du modèle (FRB)

Solutions optimales multiples. 3D.1 Unicité de la solution optimale du modèle (FRB) 3D Solutions optimales multiples 3D.1 Unicité de la solution optimale du modèle (FRB) Le modèle (FRB) admet une solution optimale unique. En effet (voir page 182), l'algorithme du simplexe se termine par

Plus en détail

«Cours Statistique et logiciel R»

«Cours Statistique et logiciel R» «Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire

Plus en détail

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS

Formations 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 détail

L addition et la multiplication en binaire

L addition et la multiplication en binaire Objectifs : Leçon A1-1 : L addition et la multiplication en binaire OS 1 - Exécuter en binaire une opération arithmétique de base. OS 2 - Représenter un nombre entier relatif. OS 3 - Mettre en œuvre un

Plus en détail

DOCUMENT FONCTIONNEL Analyse de sensabilité Monte Carlo Niveau 2 R

DOCUMENT FONCTIONNEL Analyse de sensabilité Monte Carlo Niveau 2 R DANS CE DOCUMENT, IL S'AGIT DE : Comment l analyse Monte-Carlo fonctionne-t-elle dans? Comment interpréter les résultats de l analyse de sensibilité Monte-Carlo? L analyse de sensibilité Monte-Carlo est

Plus en détail

Les graphes d intervalles

Les graphes d intervalles Les graphes d intervalles Complément au chapitre 3 «Vol aux archives cantonales» Considérons un ensemble de tâches ayant chacune une heure de début et une heure de fin bien précises. Supposons qu on demande

Plus en détail

III- Raisonnement par récurrence

III- Raisonnement par récurrence III- Raisonnement par récurrence Les raisonnements en mathématiques se font en général par une suite de déductions, du style : si alors, ou mieux encore si c est possible, par une suite d équivalences,

Plus en détail

Tutoriel : avoir son EDT sur son application de calendrier favorite (mobile & pc)

Tutoriel : avoir son EDT sur son application de calendrier favorite (mobile & pc) Tutoriel : avoir son EDT sur son application de calendrier favorite (mobile & pc) Afin d avoir votre emploi du temps toujours dans votre poche, voici un petit tutoriel vous montrant la marche à suivre.

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Prévision de la demande pour la planification efficace des effectifs"

Prévision de la demande pour la planification efficace des effectifs Prévision de la demande pour la planification efficace des effectifs" Nicolas Chapados, Ph.D., CFA Directeur, modélisation statistique ApSTAT Technologies Inc." "Améliorer la satisfaction des employés"

Plus en détail

La pratique des décisions dans les affaires

La pratique des décisions dans les affaires Association Française Edwards Deming Une philosophie de l action pour le XXIème siècle Conférence annuelle, Paris, 8 juin 1999 Jean-Marie Gogue, Président de l AFED La pratique des décisions dans les affaires

Plus en détail

Chapitre 1 L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :

Chapitre 1 L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de : Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat 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 détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

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

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

Plus en détail

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES

L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES L ANALYSE DES DONNÉES CLIENTS AU SERVICE DE LA PRÉVISION D ACHAT DE VOYAGES SAS 3 DEC 2015 1 sur 9 TRANSAT Un voyagiste international solidement installé au Canada, en France et au Royaume-Uni, qui offre

Plus en détail

Un modèle de prévision de la demande de gaz naturel au Québec

Un modèle de prévision de la demande de gaz naturel au Québec Un modèle de prévision de la demande de gaz naturel au Québec Groupe de recherche en économie de l énergie, de l environnement et des ressources naturelles (GREEN) de l Université Laval 11 février 2011

Plus en détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Etude des propriétés empiriques du lasso par simulations

Etude des propriétés empiriques du lasso par simulations Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est

Plus en détail

Introduction Page 3 Accéder à Autochartist. L'Interface d'autochartist Page 4 Panneau de recherche

Introduction Page 3 Accéder à Autochartist. L'Interface d'autochartist Page 4 Panneau de recherche Manuel Utilisateur INdice Introduction Page 3 Accéder à Autochartist L'Interface d'autochartist Page 4 Panneau de recherche L'Interface d'autochartist (suite) Page 5 Panneau de résultats - Motifs Complets

Plus en détail