Journées d Eté Statistiques et Data Mining Le Croisic, du 29 juin au 03 juillet 2015
|
|
- Jean-Charles Chassé
- il y a 8 ans
- Total affichages :
Transcription
1 ournées d té tatistiques et Data ining Le roisic, du 29 juin au 03 juillet 2015 Nos 8 èmes ournées d té vous offrent la possibilité de construire votre programme personnalisé de formation en tatistiques et Data ining d une durée de 1 à 5 jours. ette année, les thématiques proposées sont : xplorer odéliser et révoir pprentissage supervisé 29 juin 30 juin 01 er juillet 02 juillet 03 juillet anorama des éthodes tatistiques d nalyse de Données (11) Découvrir un panorama complet des méthodes statistiques utilisées en analyse des données. avoir quelle méthode utiliser en fonction des données disponibles et des objectifs à atteindre. nalyse de Données Qualitatives et Quantitatives (21) Vue d ensemble des méthodes statistiques permettant de visualiser et d étudier les liens entre les variables d un jeu de données. avoir quelle méthode utiliser en fonction de la nature des variables. nalyse de Données ixtes (31) Une problématique courante : explorer un jeu de données comprenant des variables qualitatives et des variables quantitatives. nalyse simultanée des deux types de variables. ntroduction au Data ining : xtraire des connaissances des données, souvent disponibles en grande quantité mais peu exploitées (12) Découvrir le Data ining, les contextes d application ainsi que les enjeux. aire un tour d horizon des logiciels dédiés au Data ining. Découvrir une méthode phare au travers d une application. rbres de décision / rbres de régression grégation de modèles : forêts aléatoires, bagging, boosting (22) Découvrir les arbres de décision ou de régression ainsi que les méthodes d agrégation de modèles : les algorithmes de construction, l interprétation, les paramètres à régler ainsi que les avantages /inconvénients de ces méthodes. éthodes de régression Les méthodes L : our analyser des données multidimensionnelles lorsque le nombre de variables est très grand et les corrélations entre variables nombreuses (32) Découvrir les méthodes de régression multiples et leurs limites. éance plénière avec la participation de ichel enenhaus (nalyse de données multi-blocs ou multi-groupes), une présentation de la méthode du coring et les témoignages de professionnels (4) Visite de la ville de uérande. Dîner de ala telier nalyse ensorielle (51) omprendre et mettre en place la méthode du rofil lash : une méthode comparative où chaque sujet utilise ses propres descripteurs. achine Learning ou pprentissage automatique éseaux de neurones upports à Vastes arges (52) Découvrir deux méthodes d apprentissage automatique : les réseaux de neurones et les «upport Vector achines» ou «upport à Vaste arge» (V).
2 ournées d Été tatistiques et Data ining - 29 juin 2015 xplorer anorama des éthodes tatistiques d nalyse de Données (11) odéliser et révoir pprentissage supervisé ntroduction au Data ining (12) xtraire des connaissances des données, souvent disponibles en grande quantité mais peu exploitées. Découvrir un panorama complet des méthodes statistiques utilisées en analyse des données. avoir quelle méthode utiliser en fonction des données disponibles et des objectifs à atteindre. Découvrir le Data ining, les contextes d application ainsi que les enjeux. aire un tour d horizon des logiciels dédiés au Data ining. Découvrir une méthode phare au travers d une application. La logique du traitement statistique de l information «explorer pour comprendre» épondre à une question particulière omprendre un phénomène xtraire l information pertinente des données Quelles techniques utiliser et dans quels cas xplorer, décrire, synthétiser Les techniques unidimensionnelles, bidimensionnelles et multidimensionnelles Les statistiques exploratoires vs confirmatoires xemples concrets de mise en œuvre des méthodes d analyse des données statistiques. onstruction d un arbre : en fonction des données (nature, nombre et objectif), quelle est la méthode adaptée. ntroduction au Data ining Qu est ce que le datamining quoi sert le datamining Data ining et ig Data Domaines d utilisation Les méthodes du Datamining Le déroulement d une étude de datamining Les différentes méthodes de validation Les logiciels du Data ining résentation et discussion autour de quelques applications. Une application phare du Data ining : les règles d association rincipes et présentation au travers d une application
3 ournées d Été tatistiques et Data ining - 30 juin 2015 xplorer nalyse de Données Quantitatives et Qualitatives (21) Vue d ensemble des méthodes statistiques permettant de visualiser et d étudier les liens entre les variables d un jeu de données. avoir quelle méthode utiliser en fonction de la nature des variables. odéliser et révoir pprentissage supervisé rbres de décision/rbres de régression grégation de modèles : forêts aléatoires, bagging, boosting (22) Découvrir les arbres de décision ou de régression ainsi que les méthodes d agrégation de modèles : les algorithmes de construction, l interprétation, les paramètres à régler ainsi que les avantages / inconvénients de ces méthodes. ntroduction La préparation des données pour le traitement statistique ichier de saisie versus fichier de données pour l analyse statistique. La codification des données. rbres de décision/rbres de régression : lgorithme de construction hoix du paramétrage : profondeur de l arbre, nombre d individus par nœuds, complexité, lagage résentation d une application tude de données quantitatives nalyser un ensemble de variables quantitatives et en révéler les structures et les tendances. tude de la relation entre deux variables : corrélation et nuage de points xtension à plus de deux variables quantitatives : l nalyse en omposantes rincipales (...) réer des groupes d individus homogènes sur plusieurs variables quantitatives : La classification ascendante hiérarchique (H) tude de données qualitatives pprendre les méthodes statistiques permettant d étudier les liaisons entre plusieurs variables qualitatives. tude de la relation entre deux variables : tableau de contingence et test du H² xtension à plus de deux variables qualitatives : l nalyse factorielle des orrespondances ultiples (...) réer des groupes d individus homogènes sur plusieurs variables qualitatives : La classification ascendante hiérarchique (H) grégation de modèles : forêts aléatoires, bagging, boosting rincipes de construction Quand et pourquoi utiliser des modèles agrégés hoix du paramétrage résentation d une application nalyses basées sur des exemples détaillés d utilisations réelles pris dans divers domaines
4 ournées d Été tatistiques et Data ining - 01 er juillet 2015 xplorer nalyse de Données ixtes (31) Une problématique courante : explorer un jeu de données comprenant des variables qualitatives et des variables quantitatives. nalyse simultanée des deux types de variables. odéliser et révoir pprentissage supervisé éthodes de régression Les méthodes L (32) Découvrir les méthodes de régression multiples et leurs limites L D : nalyse actorielle des Données ixtes appel sur l : étude de variables uniquement quantitatives appel sur l : étude de variables uniquement qualitatives ller plus loin : prise en compte à la fois de variables quantitatives et qualitatives : l D rincipe de la méthode Les résultats : lecture et interprétation des graphiques et statistiques obtenues lassification des données à l issue d un D pprentissage basé sur des exemples concrets issus de différents milieux. éthodes de régression odéliser certains phénomènes afin d en prévoir les caractéristiques, de réaliser des prévisions ou d en prévoir l évolution au cours du temps. Lorsque la variable à expliquer est quantitative continue : on utilise des méthodes de régression simple ou multiple selon le nombre de variables explicatives. égression multiple avec sélection pas à pas des variables explicatives, égression sur composantes principales, régression L Les méthodes L : our analyser des données multidimensionnelles lorsque le nombre de variables est très grand et les corrélations entre variables nombreuses. Les contextes d utilisation des méthodes L rétraitement des données : les différents types de filtrage La régression L : echerche des composantes L égression de Y sur ces composantes xpression des coefficients de la régression en fonction des variables prédictives hoix des composantes significatives par validation croisée
5 ournées d Été tatistiques et Data ining - 02 juillet 2015 xplorer / odéliser et révoir éance plénière avec la participation de ichel enenhaus (nalyse de données multiblocs ou multi-groupes), une présentation de la éthode du coring et les témoignages de professionnels (4) Les tableaux de données individus x variables sont le plus souvent structurés en blocs de variables ou en groupes d individus. ette structuration est le plus souvent implicite, mais peut aussi être explicite.. enenhaus présentera dans son exposé différentes méthodes statistiques permettant de découvrir ces structures lorsqu elles ne sont pas connues a priori, ou d en tenir compte lorsqu elles sont connues. révoir la solvabilité d un client, la présence ou l absence d une tumeur, ou la défaillance d un composant à l aide d un score. nalyse de données multi-blocs ou multi-groupes Nous considérerons les situations suivantes pour des tableaux de données observés sur les mêmes individus : un tableau X : l analyse factorielle et la classification automatique permettent de détecter les blocs de variables et les groupes d individus un tableau de variables explicatives X + un tableau de variables dépendantes Y : les méthodes de segmentation permettent de construire des groupes homogènes d individus au niveau des X et des Y (en particulier les arbres L) un tableau structuré à priori en plusieurs blocs de variables : nous présenterons les méthodes d analyse de données multi-blocs (L-, onsensus, régression L hiérarchique) un tableau structuré a priori en plusieurs groupes d individus : nous présenterons les méthodes d analyse multi-groupes (imultaneous omponent nalysis) coring Les étapes de la méthode du coring : partir d un jeu de données qualitatives, l permet d obtenir des données quantitatives sur lesquelles une D pourra être appliquée pour construire un score. llustration avec le logiciel Uniwin. L Visite de la ville de uérande péritif et dîner de gala
6 ournées d Été tatistiques et Data ining - 03 juillet 2015 xplorer telier nalyse ensorielle (51) omprendre et mettre en place la méthode du rofil lash : une méthode comparative où chaque sujet utilise ses propres descripteurs. odéliser / révoir pprentissage supervisé achine Learning ou pprentissage utomatique éseaux de Neurones upports à Vastes arges (52) Découvrir deux méthodes d apprentissage automatique : les réseaux de neurones et les «upport Vector achines» ou «upport à Vaste arge» (V) Le rofil lash résentation et principe du rofil lash ise en pratique : Dégustation de caramels nalyse et interprétation des résultats de l atelier Discussion sur les avantages et inconvénients de cette méthode achine Learning ou pprentissage automatique énéralités, fonction de coût, algorithmes d optimisation, courbes d apprentissage éseaux de neurones rincipes : neurones et liaison entre neurones, fonction de transfert rchitecture d un réseau lgorithme d apprentissage résentation d une application ontextes d utilisation vantages / inconvénients upports à Vastes arges rincipes, aramètres de coût, noyaux résentation d une application ontextes d utilisation vantages / inconvénients
7 usqu au 29 mai, 25% de remise dès le 2 ème inscrit. rais d inscription aux ournées d té tatistiques et Data ining : 1 jour : 600 H 2 jours : H 3 jours : H 4 jours : H 5 jours : H ulletin d inscription «ournées d té tatistiques et Data ining» envoyer dûment rempli par mail, fax ou courrier à : LU - Les riades rue alilée L él. : ax : formation@sigmaplus.fr ociété / Établissement : dresse : él. : articipant(s) rénom - Nom : -mail : Nombre d inscrits : otal H : V (20%) : ssistera à : (+dîner) rénom - Nom : -mail : ssistera à : (+dîner) rénom - Nom : -mail : otal : Date : ignature, cachet : ssistera à : (+dîner) esponsable ormation ouhaitez vous recevoir une convention de formation? ui Non rénom - Nom : él. : acturation rénom - Nom : ociété / Établissement : etrouvez-nous sur le Web LU oulouse (siège) : Les riades 130 rue alilée Labège aris : 6 rue ollange Levallois-erret él. : ax : mail : formation@sigmaplus.fr ervice : dresse (si différente) : él. : ax : nformations pratiques Lieu et Dates Les ournées d té se dérouleront du 29 juin au 3 juillet de 9h00 à 17h00 à l Hôtel Les Vikings au roisic Éléments remis upports pédagogiques des formations suivies. omment s inscrire? n nous retournant ce formulaire d inscription dûment rempli. Une confirmation vous sera faite à réception. rganisation matérielle Nous vous invitons à amener votre ordinateur portable pour la mise en œuvre des applications Hébergement, restauration Les déjeuners sont inclus dans le coût d inscription. L hébergement et les repas du soir sont libres et restent à la charge des participants. L hôtel Les Vikings vous propose des chambres de 80 à 94 la nuit et un petit déjeuner à 10. enseignements au acturation La facture vous sera adressée accompagnée de la feuille de présence. nnulation u-delà du 31 mai 2015, les frais de participation seront intégralement dus ur demande, les participants pourront se faire remplacer
Introduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en 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 détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailFORUM NORMAND ENTREPRISES ETUDIANTS 12 NOVEMBRE 2015 10H00-17H00 PARC DES EXPOSITIONS DE ROUEN. En partenariat avec : Organisé par :
2 VB 2 H - 7H n partenariat avec : rganisé par : ÉL endez-vous incontournable de la région rouennaise, le orum ormand ntreprises tudiants est de retour pour une quatrième édition pleine de surprises. rganisé
Plus en détailLe 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 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 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 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 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 détailCycle de formation certifiante Sphinx
Cycle de formation certifiante Sphinx 28, 29, 30 Mai 2015 Initiation, Approfondissement et Maîtrise Etudes qualitatives / quantitatives Initiation, approfondissement et maîtrise des études qualitatives
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailAgenda de la présentation
Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
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 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 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 détailComplet Intuitif Efficace. Références
Logiciel de référence en Analyse de Données, Data Mining et Text Mining pour transformer vos données en connaissance Complet Intuitif Efficace Dans un environnement convivial et intuitif, disposez de toute
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailDébuter avec Easyweb B
Débuter avec Easyweb B Sommaire :. Vous êtes utilisateur.... Connexion à Easyweb B en tant que responsable :... 5. Vous êtes gestionnaire :... 6. Vous êtes formateur :... 7 3. Création de plusieurs bureaux...
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 détailFormulaire Inscription Jeunes
Formulaire Inscription Jeunes SAC ADOS Aquitaine L'objectif de ce document est de vous faciliter la saisie de votre inscription en ligne sur le site sacados.aquitaine.fr en la préparant, en amont et hors
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailIdentité, posture et «marque personnelle» : créer les conditions de votre Leadership!
Présentation et objectifs Le Leadership, par définition personnel et unique, n est pas pour autant «tombé du ciel». Si certains individus semblent disposer d atouts indéniables, il est toujours le résultat
Plus en détailCoheris est agréé organisme de formation, n d agrément 11 92 19507 92.
Formations 2015 Coheris est agréé organisme de formation, n d agrément 11 92 19507 92. Introduction La formation est une préoccupation constante de Coheris vis-à-vis de ses clients et de ses partenaires,
Plus en détailWorkflow/DataWarehouse/DataMining. 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1
Workflow/DataWarehouse/DataMining 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1 plan Workflow DataWarehouse Aide à la décision DataMinig Conclusion 14-09-98 LORIA
Plus en détailCycle de formation «au féminin» Marketing de Soi. Boostez votre développement professionnelle en augmentant votre potentiel personnelle
Cycle de formation «au féminin» Marketing de Soi Boostez votre développement professionnelle en augmentant votre potentiel personnelle Accordez-vous 1 journée de formation par mois pour booster votre carrière
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailOptimisation des ressources des produits automobile première
EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients
Plus en détailBasics Excel pour mise en place de reporting
«Vous devez être le changement que vous voulez voir dans le monde» Gandhi Basics Excel pour mise en place de reporting 2013 Ce module de 2 jours est destiné à tous les employés, ingénieurs, techniciens,
Plus en détailDes données à la connaissance client. A la découverte de la plateforme de connaissance client knowlbox
Des données à la connaissance client A la découverte de la plateforme de connaissance client knowlbox Livre blanc mai 2013 A l heure du Big Data, les entreprises s interrogent davantage sur leurs données.
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailPRXSENTATION D UN GESTIONNAIRE DE DONNEES NUMERIQUES HIERARCHISEES DESTINE AU DE- -POUILLEMENT D ENQUETES
97 PRXSENTATION D UN GESTIONNAIRE DE DONNEES NUMERIQUES HIERARCHISEES DESTINE AU DE- -POUILLEMENT D ENQUETES Jacques Vaugelade & Marie Piron (Demographie et Statistique) (UR 702) Centre ORSTOM de Ouagadougou
Plus en détailPLAN DE NUMEROTATION ET PORTABILITE DES NUMEROS
PLAN DE NUMEROTATION ET PORTABILITE DES NUMEROS FORMATION Durée : 4 jours du 23 au 26 septembre 2014 PARIS CLARITY, société de conseil en télécommunication, travaille principalement sur site en interne
Plus en détailLes critères de segmentation Critères Variables retenues Description Exemple Pays, région, ville, Chauffage,
SYNTHÈSE DU CHAPITRE 11 : LA SEGMENTATION DE LA DEMANDE. La segmentation. La segmentation de la demande consiste à définir des groupes de clients (des segments de clientèle) ayant des comportements homogènes
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
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 détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en 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 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 détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
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 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 détailE-mail marketing, scoring comportemental & analyse prédictive
E-mail marketing, scoring comportemental & analyse prédictive Formation Dolist - Score MD Les 25 & 26 juin 2013 Dolist.net - Tous droits réservés 26/04/2013 Formation E-mail Marketing, scoring & analyse
Plus en détail5. Apprentissage pour le filtrage collaboratif
686 PARTIE 5 : Au-delà de l apprentissage supervisé 5. Apprentissage pour le filtrage collaboratif Il semble que le nombre de choix qui nous sont ouverts augmente constamment. Films, livres, recettes,
Plus en détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailLes producteurs des végétaux d'ornement
67 è Congrès de la Fédération Nationale Les producteurs des végétaux d'ornement 23/24 juin 2011 Le VÉGÉT L en CAPIT LE Dossier congressiste en Île de France, à Paris à l'espace du Centenaire Paris C est
Plus en détailQue fait SAS Enterprise Miner?
Développez une connaissance plus précise avec un processus data mining plus productif La transformation de données brutes en informations utiles reste une problématique pour les entreprises. Pour apporter
Plus en détailFormation Actuaire Data Scientist. Programme au 24 octobre 2014
Formation Actuaire Data Scientist Programme au 24 octobre 2014 A. Eléments logiciels et programmation Python 24h Objectif : Introduction au langage Python et sensibilisation aux grandeurs informatiques
Plus en détailCALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de
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 détailCollège des Hautes Etudes de l Environnement. du Développement Durable. w w w. c h e e d d. n e t
Collège des Hautes Etudes de l Environnement et du Développement Durable P r é pa r e r l e s d i r i g e a n t s au x e n j e u x du Développement Durable w w w. c h e e d d. n e t Une approche transversale,
Plus en détailLes participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.
Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision
Plus en détailCertificat de Qualification Professionnelle
Certificat de Qualification Professionnelle Photographie A agrafer Ou à coller Dossier de candidature Formation CQP zone nord Date : du lundi 2 mars au samedi 7 mars 2015 Lieu : CDFAS 64, rue des Bouquinvilles
Plus en détaildes Anciens de la Cité
28-29 août 2010 Formulaire d inscription 2010 Nom : Prénom : Nom de jeune fille (porté lors du séjour à la Cité internationale) : Nationalité : Date de Naissance : Dates de résidence à la cité internationale
Plus en détailSolutions Décisionnelles SPAD. La maîtrise des données, l'art de la décision
Solutions Décisionnelles SPAD La maîtrise des données, l'art de la décision SPAD, la référence en Analyse de Données et Data Mining La solution logicielle SPAD permet de tirer le meilleur parti de tous
Plus en détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
Plus en détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailMasters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance»
Masters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance» Introduction au Data Mining K. EL HIMDI elhimdi@menara.ma 1 Sommaire du MODULE Partie 1 : Introduction au Data Mining Partie 2 :
Plus en détailProjet de Classe de 5 G. Séjour du 12 au 14 février 2009
Projet de Classe de 5 G Séjour du 12 au 14 février 2009 Jeudi 12 février départ du collège après les cours du matin - RV à la gare à 12h20 (départ à 12h44). Repas tiré du sac - Arrivée à Paris à 17h14.
Plus en détailDOSSIER DE PRESENTATION
DOSSIER D INSCRIPTION & DE PRESENTATION La Rencontre annuelle des Décideurs en Ressources Humaines 26 ème édition 27 et 28 novembre 2013 Hôtel Royal ***** (Groupe Lucien Barrière), Deauville DOSSIER DE
Plus en détailDOSSIER D INSCRIPTION SESSION
DOSSIER D INSCRIPTION SESSION 2015 CERCLE DES NOUVEAUX DIRIGEANTS D Epl Le mardi 1 er et le mercredi 2 décembre 2015 Ecole de Management des Dirigeants d Epl PROGRAMME CERCLE DES NOUVEAUX DIRIGEANTS D
Plus en détailArbres 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 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 détailGuide de l enseignant Se former à Moodle
Guide de l enseignant Se former à Moodle Moodle est la plateforme de gestion des apprentissages privilégiée par le projet de formation à distance interordres du Bas-St-Laurent, de la Gaspésie et des Îles
Plus en détailChoisir l enseignement supérieur français après le bac
pécial élèves du réseau hoisir l enseignement supérieur français après le bac pour la rentrée 03 upport de présentation pour les informations collectives à destination des élèves et des familles des établissements
Plus en détailQuel niveau RAID est le mieux adapté à mes besoins?
SOUTOS STO VR Quel niveau R est le mieux adapté à mes besoins? Table des matières ntroduction...1 escription des niveaux R...1 R 0 (entrelacement)...1 R 1 (écriture miroir)...2 R 1 (écriture miroir entrelacée)...2
Plus en détailMINI-GUIDE DE DECOUVERTE PREMIERS PAS AVEC ZOHO CRM POUR LE SPECTACLE. Le Cycle de la Diffusion
MINI-GUIDE DE DECOUVERTE PREMIERS PAS AVEC ZOHO CRM POUR LE SPECTACLE Le Cycle de la Diffusion Opportunité Suivi des propositions, des contrats et de la production Historique de toutes les négociations,
Plus en détailProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection
ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection Nicolas HEULOT (CEA LIST) Michaël AUPETIT (CEA LIST) Jean-Daniel FEKETE (INRIA Saclay) Journées Big Data
Plus en détail" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! "##$ % &!
"# $ %%& ' ( )*+, '()*+,'+''-++.+/0112134+1.50*406 "##$ %& 8CC "#$%& ' ( )* +,-./ 0 123 456+7 3 7-55-89.*/ 0 +3 *+:3 ;< =3 3-3 8 0 23 >-8-3 >5? //*/*0;* @A: *53,,3 / * $/ >B+? - 5, 2 34*56 7 /+#** //8
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailComment être présent facilement et efficacement sur Internet?
FORMATION E TOURISME Comment être présent facilement et efficacement sur Internet? Soyez acteur sur internet. Définissez les points clés de votre présence sur internet sur la base de vos objectifs marketing,
Plus en détailSharePoint (Toute la Gamme)... 1 Office 2010 (Toute la Gamme)... 2 OLAP (Toute la Gamme)... 2 STATISTICA Connecteur PI (Produit Complémentaire)...
SharePoint (Toute la Gamme)... 1 Office 2010 (Toute la Gamme)... 2 OLAP (Toute la Gamme)... 2 STATISTICA Connecteur PI (Produit Complémentaire)... 3 Introduction... 3 Échelle Interactive... 4 Navigation
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 27/01/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Présentation de l auteur En charge de la statistique et du data mining dans un grand groupe bancaire Enseigne le data mining en Master 2 à l Université
Plus en détailPROGRAMME. Les 28, 29 et 30 mars 2012. Hôtel PUR - Québec
PROGRAMME Les 28, 29 et 30 mars 2012 Hôtel PUR - Québec MOT DE BIENVENUE Chères collègues, Chers collègues, Les membres du conseil de la Commission professionnelle des technologies de l information sont
Plus en détailOPERATION SOLIDARITE INOVALLEE 2013
APPEL A CANDIDATURE OPERATION SOLIDARITE INOVALLEE 2013 Inovallée est la structure pilote du parc technologique situé sur les communes de Meylan et Montbonnot regroupant plus de 340 entreprises et 10 000
Plus en détailColloque scientifique
Centre technique Froid et Génie Climatique Colloque scientifique Froid industriel et commercial Bâtiment économe en énergie 6 et 7 octobre 2011 LES RENDEZ-VOUS DU PÔLE CRISTAL Sommaire Mot du Président
Plus en détailManageEngine Netflow Analyser
Supervision des flux Netflow Eléments à surveiller : flux provenant de la carte NAM, CISCO Routeur, Enterasys Il est souhaitable de paramétrer les équipements réseaux pour renvoyer les flux Netflow sur
Plus en détailPentaho Business Analytics Intégrer > Explorer > Prévoir
Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho lie étroitement intégration de données et analytique. En effet, les services informatiques et les utilisateurs métiers peuvent accéder aux
Plus en détailLaboratoire Départemental d Analyses Premier semestre 2015 I T. mon Département, Ain
Laboratoire Départemental d Analyses Premier semestre 2015 O N I T A R RESTAU E V I T C COLLE FORMATIONS Ain mon Département, Introduction La réglementation européenne impose à tout personnel travaillant
Plus en détailSpécifications, Développement et Promotion. Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC
Spécifications, Développement et Promotion Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC Ricco? Enseignant chercheur (CNU.27) En poste à l Université Lyon 2 Faculté de Sciences Eco. Recherche
Plus en détailBaccalauréat professionnel GESTION ADMINISTRATION
Baccalauréat professionnel GESTION ADMINISTRATION 1 Ouvrir un compte Google Appuyer sur le bouton connexion de la page d accueil de Google. Appuyer ensuite sur le bouton. Remplir le formulaire d inscription.
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailANNEXE 4. Réaliser un diagnostic de sécurité Principales méthodes de collecte d information. (Module 3, partie I, section 2.5)
ANNEXE 4 Réaliser un diagnostic de sécurité Principales méthodes de collecte d information (Module 3, partie I, section 2.5) Dans les pages qui suivent, nous présentons neuf méthodes de collecte d information.
Plus en détailSupervision sécurité. Création d une demande de descente. 13/03/2014 Supervision sécurité Création d'une demande
Supervision sécurité Création d une demande de descente 1 Sommaire I. Connexion II. Création d une demande a. Informations générales b. Localisation c. Formulaire d. Suivi III. Validation 2 I. Connexion
Plus en détailChaque équipe est dirigée par un responsable qui dispose d une autonomie pour l utilisation de son budget de fonctionnement et d investissement.
L institut de recherche IRIASA spécialisé dans le domaine des STIC est organisé en 6 centres de recherche et un siège localisés en France métropolitaine. L activité de recherche est réalisée par des équipes
Plus en détailL excellence Au travers de votre Relation Client
L excellence u travers de votre elation Client os partenaires : L G e s t u n t i e r s d e confiance, partenaire des éditeurs de logiciels et des utilis a t e u r s p o u r l a c o n c e p t i o n, l
Plus en détailQuelques éléments de statistique multidimensionnelle
ANNEXE 1 Quelques éléments de statistique multidimensionnelle Les méthodes d analyse statistique exploratoire utilisées au cours des chapitres précédents visent à mettre en forme de vastes ensembles de
Plus en détailMANUEL DU BLENDED LEARNING
MANUEL DU BLENDED LEARNING ÉDITION 2014 www.360learning.com SOMMAIRE Définition... 4 Pourquoi proposer du Blended Learning à ses clients... 5 Les phases du Blended Learning... 7 9 arguments pour vendre
Plus en détailMises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger.
Cet ouvrage est fondé sur les notes d un cours dispensé pendant quelques années à l Institut universitaire de technologie de Grenoble 2, au sein du Département statistique et informatique décisionnelle
Plus en détailBienvenue au. Vue sur l entrée. Le patio
Une bulle d oxygène dans un écrin de verdure... Bienvenue au Situé à 40 km au sud de Paris, à l orée de la forêt de Fontainebleau, le Bois du Lys accueille toutes les réunions, dans un cadre naturel et
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailOFFRE DE FORMATION. 1er semestre 2015. Formez vos salariés, vos dirigeants, vos bénévoles et vos licenciés.
COMITÉ DÉPARTEMENTAL OLYMPIQUE ET SPORTIF DE L ORNE OFFRE DE FORMATION 1er semestre 2015 Formez vos salariés, vos dirigeants, vos bénévoles et vos licenciés. A qui s adresse les formations? Les formations
Plus en détailLa transformation du travail au quotidien suite à l implantation d un nouveau logiciel de gestion
La transformation du travail au quotidien suite à l implantation d un nouveau logiciel de gestion Pierre-Sébastien Fournier Sylvie Montreuil Maude Villeneuve Jean-Pierre Brun Un facteur de risque Intensification
Plus en détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
Plus en détailDirection des affaires financières DAF 3
Direction des affaires financières DF 3 GUD D SS DS DÉLMTS DS SLS XÇT DS LUSUS ÉTBLSSMTS SMM nformations générales, se connecter à HUS DT 2 QU ST SV TG 2 DÉMHS DS SLS XÇT SVS 2 à 10 TGÉS vant toute 1 ère
Plus en détailAide à l Utilisation du site «Mon Monitoring»
Aide à l Utilisation du site «Mon Monitoring» Mise à jour Aout 2013 Identifiant :... Mot de passe :.. Lorsque vous mettez les colliers aux animaux prenez garde à la petite flèche gravée (colorée en noir
Plus en détailLes nouveautés de La construction modulaire
Les nouveautés de La construction modulaire (NIVEAU 1) 24 rue de la Libération 38300 BOURGOIN / TÉL : 04.74.19.24.09 / FAX : 04.82.53.00.48 contact@atelier du modulaire.fr Organisme de formation enregistrée
Plus en détail