Systèmes intélligents Les arbres de décision. Nadia Abchiche Laboratoire IBISC
|
|
- Sophie Grégoire
- il y a 7 ans
- Total affichages :
Transcription
1 Systèmes intélligents Les arbres de décision Nadia Abchiche Laboratoire IBISC
2 Définition Un arbre de décision est un outil d'aide à la décision qui représente une situation plus ou moins complexe à laquelle on doit faire face sous la forme d'un arbre de façon à faire apparaître l'extrémité de chaque branche les différents résultats possibles en fonction des décisions prises à chaque nœud
3 Exemple Tousse t c > 38 Classe Patient 1 oui oui malade Patient 2 oui non malade Patient 3 non non sain oui t c > 38 non Malade oui Tousse non oui Tousse non Malade Malade Malade Malade Construction à partir de données. La manière de le construire influe sur les performances. Un arbre parfait est un arbre de décision tel que tout les exemples de l ensemble d apprentissage soient bien classés.
4 Généralités Objectifs : Minimiser la taille de l arbre (facilitant la recherche) Établir un compromis entre le taux d erreurs de classification sur l ensemble d apprentissage (données utilisées pour la construction) et sur l ensemble de test (données utilisées pour valider la classification) afin de pouvoir de procéder à une généralisation. On intervient à 2 niveaux : 1. On sélectionne les attributs qui minimisent la taille de l arbre tout en classant correctement les exemples de l ensemble d apprentissage. 2. On élague certaines branches de manière à garder un pouvoir de généralisation (au prix de faire augmenter l erreur sur l ensemble d apprentissage) (pendant la construction ou bien après la construction de l arbre)
5 Utilisation des ArbDec Classification : données de toutes sortes Apprentissage Diagnostic : médical, de pannes, Supervision : réseau, matériel, applications, industrielles, Conception : produits, applications, territoriale, Prédiction : météo, trajectoire,
6 Utilisation des ArbDec Classification Les arbres de décision sont une représentation commode de fonctions de classification, moins puissants que les règles de production mais plus facile à utiliser. Un arbre de décision permet de classer un objet à l aide de questions : chaque nœud de l arbre représente une question, chaque lien est une réponse à la question, et chaque feuille est une classe.
7 Utilisation des ArbDec Classification Exemple 1: la ballade du chien Les attributs: Quel temps fait-il?{pluvieux, ensoleillé, couvert} Température extérieure : attribut numérique Voisin parti avec son chat : attribut booléen La décision à prendre : vais-je sortir mon chien? Temps? couvert pluvieux soleil Température? tv Voisin abs? >10 <=10 non oui ballade Tv tv ballade Cet arbre est équivalent à un système déductif. Lequel?
8 Avantage des arbres de décision 1. Faciles à comprendre et à utiliser. 2. Nombre de tests limité par le nombre d attributs (de questions). 3. Construction efficace (mais technique)
9 Construction d un arbre de décision À l aide d apprentissage par optimisation (pour obtenir un arbre petit et correct"). On dispose d un ensemble d exemples E=(x,c). Chaque exemple est constitué: 1. D un ensemble x de réponses aux questions (possibles) de l arbre. On appelle ces réponses (avec les questions qui y sont associé) des attributs. 2. De la classe c de l exemple, qui appartient à l ensemble des classes possibles C
10 Construction d un arbre de décision (suite) Principe Construction récursive, en découpant successivement l ensemble d exemples E. 1. Si tous les exemples sont dans une seule classe, on place une feuille de cette classe. 2. Sinon, on choisit une question (la plus discriminante possible), on découpe l ensemble d exemples suivant cette question. Pour chaque nouvel ensemble, on construit un sous-arbre de décision. Note : il est classique d élaguer l arbre ensuite à l aide d un ensemble d exemples supplémentaires.
11 Construction d un arbre de décision (suite) Algorithme (cas binaire) On suppose que toutes les questions ont comme réponse oui ou non. X un ensemble de données Procedure Construit_arbre(X) debut Si tous les points de X sont dans la même classe finsi Fin alors Créer une feuille de cette classe sinon choisir le meilleur sélecteur (la meilleure question) pour créer un noeud. Séparer X suivant ce sélecteur en Xd et Xg. Construit_arbre(Xd ) Construit_arbre(Xg )
12 Construction d un arbre de décision (suite) Exemple 2 Un écolier peut-il aller jouer dehors? Voilà ce qu il a observé : Devoir fini? Mère de bonne humeur? Fait beau? Goûter pris? oui non oui non oui non oui non oui oui oui oui oui non oui oui non oui oui oui Réponse non oui oui oui non non oui non non non oui non non oui non oui oui non non non
13 Construction d un arbre de décision (suite) Exemple 2 Choix de la question : On dispose de 4 questions (DF, MBH, FB, GP). Chaque question sépare les réponses positives (4 en tout) et négatives (4 en tout) en deux ensembles. Par exemple, avec la question «Devoirs finis?», on trouve trois réponses positives et deux réponses négatives pour OUI, et une réponse négative et deux réponses positives pour NON. L idée est de maximiser la séparation globale. Les formules utilisées dérivent de la théorie de l information : on cherche à maximiser le gain d information.
14 Construction d un arbre de décision (suite) Information : éléments techniques (1) Les calculs dérivent des probabilités. L entropie d une variable ω pouvant prendre les valeurs {ωi }i avec des probabilités p(ωi ) est définie comme : H(ω)= p(ωi) log(p(ωi )) L entropie note l incertitude sur la valeur de la variable. Par exemple, initialement l entropie de "Je peux aller jouer" est (en considérant le logarithme à base 2), H(c) = 1. Si on sait que les devoirs ne sont pas finis, elle devient H (c) = 0,8. La décroissance de l entropie note une diminution de l incertitude, donc un augmentation de l information.
15 Construction d un arbre de décision (suite) Information : éléments techniques (suite) Dans le cas de deux variables, ω pouvant prendre les valeurs {ωi }, et a pouvant prendre les valeurs {aj }, on définit l entropie de ω conditionnée par a comme : H(ω a)=-,j p(ωi aj ) log p(ωi aj ) (note : lorsque p(ωi aj ) = 0, p(ωi aj) = 0 donc le terme doit être considérée comme nul). Cette entropie représente une incertitude sur ω indépendamment de a. Elle est d autant plus faible que a permet de différencier les valeurs de ω. Ainsi pour a = ω, elle vaut 0 : connaître ω lève l incertitude sur ω.
16 Calcul des entropies conditionnées pour chaque question : 1. Pour DF H = -3/ 8 log 3/5-2/8 log 2/5-1/8 log 1/3-2/8 log 2/3=0, Pour FB H = -2 3/8 log 3/4 2 1/8 log 1/4 = 0, Pour MBH H = -2/8 log log log log 14 = 0, Pour GP H = 1. On choisit alors le test qui minimise l entropie, soit FB, et on recommence.
17 On obtient l arbre suivant Temps = beau? Faux Vrai Goûter pris? Devoirs finis? Non Maman de bonne humeur? Non Oui Oui Non
18 Adaptations possibles: Pour des attributs à plusieurs réponses (couleurs...), on peut soit traiter toutes les réponses à la fois, soit revenir à des questions oui/non. Pour les attributs continus (numériques), on peut tester d éventuels "seuils" dans les valeurs (exemple pour un poids : moins de 50 g, plus de 500 g, etc.). Peut être étendu pour traiter des données bruitées ou contradictoires. Inconvénient majeur : difficile à maintenir (modification)
19 Quelques références L. Breiman, J. H. Friedman, R. A. Olshen, and C. J. Stone. Classification and regression trees. Technical report, Wadsworth International, Monterey, CA, 1984 Algorithme de base (ID3) : J.R. Quinlan, "Discovering rules by induction from large collections of examples", D. Michie ed., Expert Systems in the Microelectronic age, pp , Algorithme amélioré (ID3-IV) - J.R. Quinlan, "Induction of Decision Trees", Machine Learning, vol. 1, pp , Ajouter article.
Arbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détail«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 détailMéthodes d apprentissage statistique «Machine Learning»
Méthodes d apprentissage statistique «Machine Learning» Fabrice TAILLIEU, Sébastien DELUCINGE, Rémi BELLINA Le marché de l assurance a rarement été marqué par un environnement aussi difficile qu au cours
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailLes arbres binaires de recherche
Institut Galilée Année 2010-2011 Algorithmique et arbres L2 TD 6 Les arbres binaires de recherche Type en C des arbres binaires (également utilisé pour les ABR) : typedef struct noeud_s { struct noeud_s
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailLes structures de données. Rajae El Ouazzani
Les structures de données Rajae El Ouazzani Les arbres 2 1- Définition de l arborescence Une arborescence est une collection de nœuds reliés entre eux par des arcs. La collection peut être vide, cad l
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
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 détailBIG DATA en Sciences et Industries de l Environnement
BIG DATA en Sciences et Industries de l Environnement François Royer www.datasio.com 21 mars 2012 FR Big Data Congress, Paris 2012 1/23 Transport terrestre Traçabilité Océanographie Transport aérien Télémétrie
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailDATA MINING SPATIAL UN PROBLEME DE DATA MINING MULTI-TABLES
DATA MINING SPATIAL UN PROBLEME DE DATA MINING MULTI-TABLES CHELGHOUM Nadjim *, ZEITOUNI * Karine * Institut Français de Recherche pour l Exploitation de la Mer (IFREMER) Laboratoire Environnement- Ressources
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailDATAMINING C4.5 - DBSCAN
14-16 rue Voltaire 94270 Kremlin Bicêtre Benjamin DEVÈZE Matthieu FOUQUIN PROMOTION 2005 SCIA DATAMINING C4.5 - DBSCAN Mai 2004 Responsable de spécialité SCIA : M. Akli Adjaoute Table des matières Table
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailSERVICES DE PLANIFICATION FINANCIÈRE ET SUCCESSORALE
SERVICES DE PLANIFICATION FINANCIÈRE ET SUCCESSORALE TRAVAILLER DE CONCERT POUR VOUS AIDER À ATTEINDRE LA SÉCURITÉ FINANCIÈRE À TOUTES LES ÉTAPES DE VOTRE VIE. La vie est plus radieuse sous le soleil Our
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailFig. 1 Le détecteur de LHCb. En bas à gauche : schématiquement ; En bas à droite: «Event Display» développé au LAL.
LHCb est l'une des expériences installées sur le LHC. Elle recherche la physique au-delà du Modèle standard en étudiant les mésons Beaux et Charmés. L accent est mis entre autres sur l étude de la violation
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailTP 2 Réseaux. Adresses IP, routage et sous-réseaux
TP 2 Réseaux Adresses IP, routage et sous-réseaux C. Pain-Barre INFO - IUT Aix-en-Provence version du 24/2/2 Adressage IP. Limites du nombre d adresses IP.. Adresses de réseaux valides Les adresses IP
Plus en détailFast and furious decision tree induction
Institut National des Sciences Appliquées de Rennes Rapport de pré-étude Encadrants : Nikolaos Parlavantzas - Christian Raymond Fast and furious decision tree induction Andra Blaj Nicolas Desfeux Emeline
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en 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 détailMaster d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien
Master d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien Denis Cousineau Sous la direction de Roberto di Cosmo Juin 2005 1 Table des matières 1 Présentation
Plus en détailTravaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation
Université de Savoie Module ETRS711 Travaux pratiques Compression en codage de Huffman 1. Organisation du projet 1.1. Objectifs Le but de ce projet est d'écrire un programme permettant de compresser des
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailArbres binaires de recherche
1 arbre des comparaisons 2 recherche dichotomique l'arbre est recalculé à chaque recherche 2 5 3 4 7 9 1 6 1 2 3 4 5 6 7 9 10 conserver la structure d'arbre au lieu de la reconstruire arbre binaire de
Plus en détailBases de données réparties: Fragmentation et allocation
Pourquoi une base de données distribuée? Bibliographie Patrick Valduriez, S. Ceri, Guiseppe Delagatti Bases de données réparties: Fragmentation et allocation 1 - Introduction inventés à la fin des années
Plus en détailLes cartes de fidélités... 2 Natures de pièces... 5 Impression des chèques cadeaux... 6 Statistiques fidélités... 8 Fiche client...
Sommaire Les cartes de fidélités... 2 Natures de pièces... 5 Impression des chèques cadeaux... 6 Statistiques fidélités... 8 Fiche client... 9 Copyright WaveSoft 1/9 La gestion des cartes de fidélités
Plus en détailApprentissage. Intelligence Artificielle NFP106 Année 2012-2013. Plan. Apprentissage. Apprentissage
Intelligence Artificielle NFP106 Année 2012-2013 Apprentissage! F.-Y. Villemin! Plan! Apprentissage! Induction! Règles d'inférence inductive! Apprentissage de concepts!! Arbres de décision! ID3! Analogie
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailHauts rendements, convivialité et une sécurité par excellence : Voici OptionWeb
Première plateforme d'options Binaires régulée d'europe, OptionWeb allie rendement et sécurité. Détenteur de la licence CySec, OptionWeb vous permettra de profiter pleinement de votre expérience de trading.
Plus en détailL obligation de négocier sur la pénibilité dans les entreprises. Premiers éléments de bilan. Direction générale du travail
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 21 novembre 2012 à 14 h 30 «Pénibilité. Transition emploi-retraite. Elaboration de cas-types pour les projections.» Document N 6 Document de travail,
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailDIPLOME D ETAT D AUXILIAIRE DE VIE SOCIALE LIVRET DE FORMATION
MINISTERE CHARGE DES AFFAIRES SOCIALES ETABLISSEMENT DE FORMATION : IFEN Pôle de Formations Aide à la Personne 34 bis, Rue Amiral COURBET - LE HAVRE DIPLOME D ETAT D AUXILIAIRE DE VIE SOCIALE LIVRET DE
Plus en détailUn laboratoire d auto-immunité paperless : mythe ou réalité? L.Lutteri Laboratoire d auto-immunité Service de Chimie Clinique CHU Liège
Un laboratoire d auto-immunité paperless : mythe ou réalité? L.Lutteri Laboratoire d auto-immunité Service de Chimie Clinique CHU Liège Immunofluorescence Dépistage Aspect Titre Cellules Hep 2: Connectivites
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailJeux sous forme extensive (Jeux dynamiques)
(Jeux dynamiques) Plan du chapitre ( juillet 008) / éfinitions, exemples et équivalences Arbres de jeux, information et mémoire tratégies et réduction en forme normale Équilibre de Nash parfait en sous-jeux
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 détailSystèmes décisionnels et programmation avancée
Systèmes décisionnels et programmation avancée M1 SIR Philippe Muller et Mustapha Mojahid, Matthieu Serrurier, Marie-Christine Scheix 2014-2015 Introduction structure du cours intervenants introduction
Plus en détailTD1 PROPAGATION DANS UN MILIEU PRESENTANT UN GRADIENT D'INDICE
TD1 PROPAGATION DANS UN MILIEU PRESENTANT UN GRADIENT D'INDICE Exercice en classe EXERCICE 1 : La fibre à gradient d indice On considère la propagation d une onde électromagnétique dans un milieu diélectrique
Plus en détailProtocoles pour le suivi des pontes de tortues marines dans le cadre de Protomac. Professeur Marc Girondot
Muséum National d'histoire Naturelle de Paris Département de Systématique et Evolution Laboratoire des Reptiles et Amphibiens 25 rue Cuvier 75005 Paris & Laboratoire Ecologie, Systématique et Evolution
Plus en détailCORRECTION TP Multimètres - Mesures de résistances - I. Mesure directe de résistors avec ohmmètre - comparaison de deux instruments de mesure
Introduction CORRECTION TP Multimètres - Mesures de résistances - La mesure d une résistance s effectue à l aide d un multimètre. Utilisé en mode ohmmètre, il permet une mesure directe de résistances hors
Plus en détailDurée : 4 heures Le sujet se présente sous la forme de deux dossiers indépendants
ÉPREUVE E5 : ANALYSE DE GESTION ET ORGANISATION DU SYSTÈME D INFORMATION Durée : 4 heures Le sujet se présente sous la forme de deux dossiers indépendants Page de garde... p 1 Présentation de l entreprise...
Plus en détailDe l automatisme à la domotique...
Domotique La Et si le futur était déja là D De l automatisme à la domotique... Simples ou complexes, les systèmes automatisés sont partout dans notre environnement quotidien. Les produits automatisés sont
Plus en détailRetrouvez votre Sourire! Les implants dentaires peuvent vous aider à retrouver un sourire naturel.
Retrouvez votre Sourire! Les implants dentaires peuvent vous aider à retrouver un sourire naturel. La Valeur d un Sourire Votre sourire, c est votre carte de visite personnelle que vous adressez à tous
Plus en détailORACLE 10G DISTRIBUTION ET REPLICATION. Distribution de données avec Oracle. G. Mopolo-Moké prof. Associé UNSA 2009/ 2010
ORACLE 10G DISTRIBUTION ET REPLICATION Distribution de données avec Oracle G. Mopolo-Moké prof. Associé UNSA 2009/ 2010 1 Plan 12. Distribution de données 12.1 Génération des architectures C/S et Oracle
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailÉtudes des principaux algorithmes de data mining
Études des principaux algorithmes de data mining Guillaume CALAS guillaume.calas@gmail.com Spécialisation Sciences Cognitives et Informatique Avancée 14-16 rue Voltaire, 94270 Le Kremlin-Bicêtre, France
Plus en détailVers une Optimisation de l Algorithme AntTreeStoch
Revue des Sciences et de la Technologie - RST- Volume 3 N 1 / janvier 2012 Vers une Optimisation de l Algorithme AntTreeStoch O. KADRI, H. MOUSS, A. ABDELHADI, R. MAHDAOUI Laboratoire d Automatique et
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailDiagrammes de Package, de déploiement et de composants UML
labsticc.univ-brest.fr/pages_perso/babau/ Diagrammes de Package, de déploiement et de composants UML Jean-Philippe Babau Département Informatique, UFR Sciences, Laboratoire Lab-STICC 2 1 Plan Description
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailLa gestion opérationnelle de la météosensibilité. La prévision météorologique et hydrologique au cœur de l Économie et de la Société
La gestion opérationnelle de la météosensibilité La prévision météorologique et hydrologique au cœur de l Économie et de la Société La société METNEXT METNEXT en bref Notre métier : L assistance aux entreprises
Plus en détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détailCOURS GESTION FINANCIERE A COURT TERME SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT
COURS GESTION FINANCIERE A COURT TERME SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT
Plus en détailVariations du modèle de base
1 Variations du modèle de base Dans ce chapitre nous allons utiliser le modèle de base du chapitre précédent pour illustrer certaines questions économiques simples. Ainsi, le modèle précédent nous permettra
Plus en détailFormats d images. 1 Introduction
Formats d images 1 Introduction Lorsque nous utilisons un ordinateur ou un smartphone l écran constitue un élément principal de l interaction avec la machine. Les images sont donc au cœur de l utilisation
Plus en détailFctsAffines.nb 1. Mathématiques, 1-ère année Edition 2007-2008. Fonctions affines
FctsAffines.nb 1 Mathématiques, 1-ère année Edition 2007-2008 Fonctions affines Supports de cours de mathématiques de degré secondaire II, lien hpertete vers la page mère http://www.deleze.name/marcel/sec2/inde.html
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailITIL V3. Transition des services : Principes et politiques
ITIL V3 Transition des services : Principes et politiques Création : janvier 2008 Mise à jour : août 2009 A propos A propos du document Ce document de référence sur le référentiel ITIL V3 a été réalisé
Plus en détailLegis. Votre protection juridique
Legis Votre protection juridique Legis, gamme d assurances de protection juridique mobilité, privée et médicale du Groupe Mutuel Assurances GMA SA, vous aide à défendre vos intérêts lorsque vous êtes confronté
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailDOSSIER DE PRESSE. Déploiement de la fibre optique sur le territoire : premiers travaux à Mées
DOSSIER DE PRESSE 19 mars 2014 Déploiement de la fibre optique sur le territoire : premiers travaux à Mées I. Pourquoi la fibre optique? II. Rappel du projet III. Calendrier de déploiement de la fibre
Plus en détailInstaller sa Bbox sensation ADSL et son décodeur TV
Créé par : PierreB Ce guide est reproductible en : 5 à 10 min et est d'un niveau : Débutant Découvrez en images comment installer votre Bbox sensation ADSL et votre décodeur TV. Plus besoin de mode d'emploi!
Plus en détailASR1 TD7 : Un microprocesseur RISC 16 bits
{Â Ö Ñ º ØÖ Ý,È ØÖ ºÄÓ Ù,Æ ÓÐ ºÎ ÝÖ Ø¹ ÖÚ ÐÐÓÒ} Ò ¹ÐÝÓÒº Ö ØØÔ»»Ô Ö Óº Ò ¹ÐÝÓÒº Ö» Ö Ñ º ØÖ Ý»¼ Ö½» ASR1 TD7 : Un microprocesseur RISC 16 bits 13, 20 et 27 novembre 2006 Présentation générale On choisit
Plus en détailProjet d informatique M1BI : Compression et décompression de texte. 1 Généralités sur la compression/décompression de texte
Projet d informatique M1BI : Compression et décompression de texte Le but de ce projet est de coder un programme réalisant de la compression et décompression de texte. On se proposera de coder deux algorithmes
Plus en détailÊTES-VOUS PRÊT POUR UP? MAINTENANT, COMMENÇONS
ÊTES-VOUS PRÊT POUR UP? MAINTENANT, COMMENÇONS 1 C EST VOUS, AVEC UN MODE DE VIE PLUS SAIN Bien sûr, nous savons qu'il est dans notre intérêt de manger plus sainement, de mieux dormir et de bouger davantage,
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailCE1 et CE2. Le journal des. Une nouvelle maîtresse. Actualité. Loisirs. Culture
Le journal des CE1 et CE2 Vendredi 13 mars 2003 Une nouvelle maîtresse Après les vacances de février (c est à dire depuis le lundi 24 février 2003), nous avons eu une nouvelle maîtresse qui s appelle Aurélie.
Plus en détailFICHE TECHNIQUE. Les obligations des entreprises en faveur de l emploi vis-à-vis des salariés âgés : plan senior/contrat de génération
FICHE TECHNIQUE Les obligations des entreprises en faveur de l emploi vis-à-vis des salariés âgés : plan senior/contrat de génération SOMMAIRE : I) LES ACCORDS ET PLANS D ACTION EN FAVEUR DES SALARIES
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailExprimer ce coefficient de proportionnalité sous forme de pourcentage : 3,5 %
23 CALCUL DE L INTÉRÊT Tau d intérêt Paul et Rémi ont reçu pour Noël, respectivement, 20 et 80. Ils placent cet argent dans une banque, au même tau. Au bout d une année, ce placement leur rapportera une
Plus en détailLe compte épargne temps
2010 N 10-06- 05 Mi à jour le 15 juin 2010 L e D o i e r d e l a D o c 1. Définition Sommaire 2. Modification iue du décret n 2010-531 3. Principe du compte épargne temp Bénéficiaire potentiel Alimentation
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailIdentité, sécurité et vie privée
Identité, sécurité et vie privée Yves Deswarte deswarte@laas.fr Toulouse, France Sécurité et respect de la vie privée!deux droits fondamentaux o Déclaration universelle des droits de l homme, ONU, 1948
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailELEC2753 Electrotechnique examen du 11/06/2012
ELEC2753 Electrotechnique examen du 11/06/2012 Pour faciliter la correction et la surveillance, merci de répondre aux 3 questions sur des feuilles différentes et d'écrire immédiatement votre nom sur toutes
Plus en détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détail«L avenir ne se prévoit pas, il se prépare. pare» Maurice Blondel Philosophe. Prospective stratégique et conduite du changement
Prospective stratégique et conduite du changement Il n y a pas de vent favorable pour celui qui ne sait où il va! ( Sénèque) «L avenir ne se prévoit pas, il se prépare pare» Maurice Blondel Philosophe
Plus en détail