Statistiques pour la linguistique
|
|
- Marc-Antoine St-Hilaire
- il y a 7 ans
- Total affichages :
Transcription
1 Statistiques pour la linguistique Damien Nouvel Damien Nouvel (Inalco) Prétraitements de corpus 1 / 18
2 Prétraitements Plan 1. Prétraitements 2. Statistiques textuelles 3. Annotation morpho-syntaxique Damien Nouvel (Inalco) Prétraitements de corpus 2 / 18
3 Prétraitements Données du corpus Corpus comme ensemble de documents (ou parties) Deux éléments Le contenu (diverses structures) Les métadonnées : Auteur Date de création Mots-clés... ñ Le titre, le résumé sont-ils du contenu ou des métadonnées? Focale sur le contenu comme texte brut : Suite de caractères UTF-8 segmentés en mots Peu de prise en compte de la mise en page ñ Un document, un fichier doc1.txt ñ Prétraitements pour accéder à la linguistique ñ Suite/ensemble de tokens porteurs de sens Damien Nouvel (Inalco) Prétraitements de corpus 3 / 18
4 Prétraitements Segmentation Séparer un texte (en phrases puis) en mots, les tokens Difficultés pour le français : Clitiques, composition semi-soudées Expressions multi-mots/composées ñ Utilisation d automates ñ Utilisation répandue de TreeTagger ñ En python, plusieurs tokenizers, dont la fonction word_tokenize nltk.word_tokenize("bonjour, le monde!") Damien Nouvel (Inalco) Prétraitements de corpus 4 / 18
5 Prétraitements Représentation séquentielle Notations Séquence : xc 1, c 2... c n y Item : c 1 élément de la séquence ñ Suite de lettres, de mots, de caractères Exemple Il m a parlé du porte-avions Charles de Gaulle Il m a parlé du porte- avions Charles de Gaulle Il m a parlé du porte- avions Charles de Gaulle Il m a parlé du porte-avions Charles de Gaulle Damien Nouvel (Inalco) Prétraitements de corpus 5 / 18
6 Prétraitements Ambiguïtés et graphes Formalisme pour les ambiguïtés : Nœud : mot ou suite de mots Arc (flèche) : choix d un chemin ñ Chemin est une analyse possible ñ Combinatoire des analyses Exemple Il m a parlé du porte-avions Charles de Gaulle m a porte- avions Charles de Gaulle Il parlé du m a porte-avions Charles de Gaulle Damien Nouvel (Inalco) Prétraitements de corpus 6 / 18
7 Prétraitements Autres représentations De nombreuses autres représentations possibles : Arbres syntaxiques Graphes de dépendances Sacs de mots Chaînes de coréférence Cadres sémantiques (frames)... ñ Et pour chacune, N possibilités pour faire des statistiques Damien Nouvel (Inalco) Prétraitements de corpus 7 / 18
8 Statistiques textuelles Plan 1. Prétraitements 2. Statistiques textuelles 3. Annotation morpho-syntaxique Damien Nouvel (Inalco) Prétraitements de corpus 8 / 18
9 Statistiques textuelles Hypothèses Corpus séparé en documents ou parties Textes déjà segmenté (tokenisé) Corpus comme matrice termes / documents (sacs de mots) ñ Fréquences des termes dans les documents t 1 t 2 t 3 d 1 f 11 f 12 f 13 d 2 f 21 f 22 f 23 d 3 f 31 f 32 f 33 Calculs statistiques facilités Taille moyenne des documents Fréquence moyenne d un terme par document Coocurrences de termes Damien Nouvel (Inalco) Prétraitements de corpus 9 / 18 Représentation matricielle
10 Statistiques textuelles Loi normale Principes généraux Aucun apriori sur la répartition des données Paramètres : moyenne, écart-type ñ Peu adaptée aux fréquences de termes 1 ( (x Formule : P(X = x) =? exp µ ) x) 2 σ x 2π 2σx 2 Courbe (µ x = 5, σ x = 2) : 0.4 P(X) X Damien Nouvel (Inalco) Prétraitements de corpus 10 / 18
11 Statistiques textuelles Loi binomiale Principes généraux Répétition d une épreuve n fois avec remise Combien de «succès»? ñ Entre 0 et n, selon la probabilité Paramètres : probabilité p, répétition n Formule : P(X = k) = ( ) n p k (1 p) n k Courbe (p = 0, 3, n = 10) : k 0.4 P(X) X Damien Nouvel (Inalco) Prétraitements de corpus 11 / 18
12 Statistiques textuelles Loi hypergéométrique Principes généraux Répétition d une épreuve n fois sans remise Combien de «succès»? ñ Entre 0 et n, avec une probabilité décroissante Paramètres : probabilité p, répétition n, nombre total N Formule : P(X = k) = ( ) ( pn (1 p)n ) ( / N n) k n k Courbe (p = 0, 3, n = 10, N = 20) : 0.4 P(X) X Damien Nouvel (Inalco) Prétraitements de corpus 12 / 18
13 Statistiques textuelles Calcul des spécificités Statistique sur les fréquences des termes dans les parties Formule sur la matrice termes / documents (parties) f ij (fréquence dans une partie i d un terme j) T = ř ij fij (taille totale du corpus) d i = ř j f ij (taille d une partie i) t j = ř i f ij (nombre total d occurence du terme j ) ( T tj ) ñ P(f ij = k) = ( tj k ( T d i ) d i k Spécificités pour la partie au regard du corpus Probabilité faible (fréquence inattendue) selon un seuil (0,05) Spécificités positives : fréquence forte, sur-représentation Spécificités négatives : fréquence faible, sous-représentation ñ Permet de caractériser la sous-partie du corpus On peut travailler sur plusieurs partitions du corpus Damien Nouvel (Inalco) Prétraitements de corpus 13 / 18
14 Annotation morpho-syntaxique Plan 1. Prétraitements 2. Statistiques textuelles 3. Annotation morpho-syntaxique Damien Nouvel (Inalco) Prétraitements de corpus 14 / 18
15 Annotation morpho-syntaxique La catégorisation morpho-syntaxique Affecter des catégories morpho-syntaxiques aux tokens Un choix toujours ambigü Selon le lexique Selon le corpus d entraînement Selon l approche utilisée (vote, HMM, N-grammes, CRF) ñ Prise de décision selon les mots et le contexte ñ Pour une phrase de n tokens ă m 1... m n ą, déterminer les étiquettes associées ă e 1... e n ą qui sont les plus vraisemblables ñ max ăe1...e nąp(ă e 1... e n ą ă m 1... m n ą) Corpus étiqueté (TreeTagger) au format Brown corpus : Passepartout/NAM demeura/ver seul/adj dans/prp la/det maison/nom de/prp Saville-row/NAM./SENT Damien Nouvel (Inalco) Prétraitements de corpus 15 / 18
16 Annotation morpho-syntaxique Etiquetage par classes majoritaires Hypothèse d indépendance sur les mots et les étiquettes : ñ P(ă e 1... e n ą ă m 1... m n ą) = ś i P(e i m i ) Statistiques simples : Fréquences des mots F(m) Fréquences des étiquettes F(e) Fréquence des associations mots-étiquettes F(m, e) Étiquette qui maximise la probabilité sachant le mot : Pour un mot donné, P(e m) = P(e,m) P(m) Or (corpus de taille N), P(e, m) = F(m,e) N et P(m) = F(m) N Comparaisons pour un m donné : F(m) n a pas d influence ñ Pour un mot donné, étiquette majoritaire : max e F(m, e) me = {'avoir': {'VER': 30, 'NOM': 5}, 'auras': {'VER': 17}} etiquette = sorted(me['avoir'].items(), key=lambda x: x[1])[-1][0] Damien Nouvel (Inalco) Prétraitements de corpus 16 / 18
17 Annotation morpho-syntaxique Modèle de Markov Caché ñ Quelle suite d états a pu générer la phrase mot à mot? Décomposition de la probabilité : Approche bayésienne : ñ P(xe 1... e n y xm 1... m n y) = P(x(e 1, m 1 )... (e n, m n )y) P(xm 1... m n y) Hypothèse markovienne de contexte limité : ñ P(ă (e 1, m 1 )... (e n, m n ) ą= P(e 1, m 1 ) śi P(e i, m i e i 1 ) Vraisemblance selon les générations et transitions : ñ P(e i, m i e i 1 ) P(e i e i 1 ) P(m i e i ) Ajout des statistiques : D émission des mots : P(m e) = F(m,e) F(e) De transition d étiquettes (bigrammes : P(e 1 e 2 ) = F(e 1,e 2 ) F(e 2 ) Suite d étiquettes qui maximise la probabilité de génération : ñ max ăe1...e n ąp(m 1 e 1 ) śi=1...n P(e i e i 1 ) P(m i e i ) Damien Nouvel (Inalco) Prétraitements de corpus 17 / 18
18 Annotation morpho-syntaxique Objectifs multiples : Catégoriser les mots (morphologie, syntaxe, etc.) Affecter des classes sémantiques aux tokens Constituer ou utiliser une terminologie Normalisation de termes ou d entités spécifiques ñ Inventaire de mots ou d expressions et de propriétés ñ Reconnaissance par automates déterministes Exemple de difficultés rencontrées avec les lexiques : Synonymie : plusieurs mots peuvent avoir la même sémantique ñ Agrandit la taille du lexique Homonymie : un même mot (typographique ou phonétique) peut avoir de multiple sens ñ Ambiguïté du mot Métonymie : la sémantique d un mot peut changer en Damien Nouvel contexte (Inalco) Prétraitements de corpus 18 / 18 Utilisation des lexiques
Apprentissage 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 détailLIVRE BLANC Décembre 2014
PARSING MATCHING EQUALITY SEARCH LIVRE BLANC Décembre 2014 Introduction L analyse des tendances du marché de l emploi correspond à l évidence à une nécessité, surtout en période de tension comme depuis
Plus en détailAnnotations manuelles et automatiques de corpus
Annotations manuelles et automatiques de corpus Cyril Grouin cyril.grouin@limsi.fr 1 Définitions Base de données : ensemble structuré de données (feuille Excel). Id Ville Pays 01 Paris France 02 Dublin
Plus en détail! Text Encoding Initiative
Format XML: suite! le contenu d un élément est la concaténation de! texte! et d éléments (imbrication)! => structure arborescente! pas de chevauchement de balises! => exemple : une analyse syntagmatique
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 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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailDe la modélisation linguistique aux applications logicielles: le rôle des Entités Nommées en Traitement Automatique des Langues
De la modélisation linguistique aux applications logicielles: le rôle des Entités Nommées en Traitement Automatique des Langues Maud Ehrmann Joint Research Centre Ispra, Italie. Guillaume Jacquet Xerox
Plus en détailModèles 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 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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailUML (Paquetage) Unified Modeling Language
UML (Paquetage) Unified Modeling Language Sommaire Introduction Objectifs Paquetage Espace de nommage d un paquetage Dépendances entre paquetages 2 Notion introduite véritablement par UML car superficiellement
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 détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailUn dictionnaire électronique pour apprenant de l'arabe (langue seconde) basé sur corpus
JEP-TALN 2004, Traitement Automatique de l Arabe, Fès, 20 avril 2004 Un dictionnaire électronique pour apprenant de l'arabe (langue seconde) basé sur corpus ZAAFRANI Riadh Faculté des Sciences Juridiques,
Plus en détailN 334 - SIMON Anne-Catherine
N 334 - SIMON Anne-Catherine RÉALISATION D UN CDROM/DVD CONTENANT DES DONNÉES DU LANGAGE ORAL ORGANISÉES EN PARCOURS DIDACTIQUES D INITIATION LINGUISTIQUE A PARTIR DES BASES DE DONNÉES VALIBEL Introduction
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailApprentissage statistique dans les graphes et les réseaux sociaux
Apprentissage statistique dans les graphes et les réseaux sociaux Patrick Gallinari Collaboration : L. Denoyer, S. Peters Université Pierre et Marie Curie AAFD 2010 1 Plan Motivations et Problématique
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailThèmes et situations : Personnel et législation sociale dans l entreprise. Fiche pédagogique
Ressources pour les enseignants et les formateurs en français des affaires Activité pour la classe : DFA1 Crédit : Joelle Bonenfant, Jean Lacroix Thèmes et situations : Personnel et législation sociale
Plus en détailModélisation des données
Modélisation des données Le modèle Entité/Association Le MCD ou modèle Entité/Association est un modèle chargé de représenter sous forme graphique les informations manipulées par le système (l entreprise)
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 détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
Plus en détailConférence Fanny de la Haye Maître de Conférence UBO/Professeure IUFM site de St Brieuc. Les difficultés de compréhension en lecture
Conférence Fanny de la Haye Maître de Conférence UBO/Professeure IUFM site de St Brieuc Les difficultés de compréhension en lecture 3 octobre 2012/ UBO Brest (amphi A) Introduction Bibliographie de référence
Plus en détailhttp://mondomaine.com/dossier : seul le dossier dossier sera cherché, tous les sousdomaines
Principales fonctionnalités de l outil Le coeur du service suivre les variations de position d un mot-clé associé à une URL sur un moteur de recherche (Google - Bing - Yahoo) dans une locale (association
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
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 détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailà moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq
e élevé Risque faible Risq à moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq L e s I n d i c e s F u n d a t a é Risque Les Indices de faible risque
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de Formation en Informatique (I.N.I) Oued Smar Alger Direction de la Post Graduation et de la Recherche Thème : Inférence
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailCycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language
Unified Modeling Language UML Salima Hassas Version Cycle de vie du logiciel Client Besoins Déploiement Analyse Test Conception Cours sur la base des transparents de : Gioavanna Di Marzo Serugendo et Frédéric
Plus en détailAlarme domestique- Présentation
STI2D PROJET SIN Alarme domestique- Présentation Document réponses Séquence découverte Le fonctionnement du système d alarme domestique: (Démarche d investigation) Après avoir fait une présentation de
Plus en détailUne approche de désambiguïsation morpho_lexicale évaluée sur l analyseur morphologique Alkhalil*
Une approche de désambiguïsation morpho_lexicale évaluée sur l analyseur morphologique Alkhalil* K.Z Bousmaha 1,2, S. Charef_Abdoun 1, L. Hadrich_Belguith 2, M.K Rahmouni 1 1Université d Oran, Faculté
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailTutoriel Mathematica Les graphiques
Tutoriel Mathematica Les graphiques Adaptation du tutoriel gratuit sur le Web par Éric Gaul, Dominic Boire et Issa Lizon (voir Médiagraphie). Modifié pour Mathematica 7 par Jean-Philippe Samson. Maintenant
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailFormation Pédagogique 3h
Formation Pédagogique 3h Carole MOULIN Conseillère Pédagogique généraliste Bourgoin 2 20 mars 2013 Ecrire c est: Copier Ecrire sans erreurs sous la dictée Concevoir et écrire une phrase, des phrases, un
Plus en détailRecherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA
RÉCITAL 2005, Dourdan, 6-10 juin 2005 Recherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA Siham Boulaknadel (1,2), Fadoua Ataa-Allah (2) (1) LINA FRE
Plus en détailNom de l application
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Direction Générale des Etudes Technologiques Institut Supérieur des Etudes Technologiques de Gafsa Département Technologies de l Informatique
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailAbdenour Hacine-Gharbi. Sélection de paramètres acoustiques pertinents pour la reconnaissance de la parole
ÉCOLE DOCTORALE SCIENCES ET TECHNOLOGIES (ORLEANS) FACULTÉ de TECHNOLOGIE (Sétif) Laboratoire PRISME THÈSE EN COTUTELLE INTERNATIONALE présentée par : Abdenour Hacine-Gharbi soutenue le : 09 décembre 2012
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailWWW.ELCON.SE Multichronomètre SA10 Présentation générale
WWW.ELCON.SE Multichronomètre SA10 Présentation générale Le SA10 est un appareil portable destiné au test des disjoncteurs moyenne tension et haute tension. Quoiqu il soit conçu pour fonctionner couplé
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailApplication d un algorithme de traduction statistique à la normalisation de textos
Application d un algorithme de traduction statistique à la normalisation de textos Gabriel Bernier-Colborne 1 (1) Observatoire de linguistique Sens-Texte Université de Montréal gabriel.bernier-colborne@umontreal.ca
Plus en détailADAPT: un modèle de transcodage des nombres. Une application des systèmes de production au développement
ADAPT: un modèle de transcodage des nombres Une application des systèmes de production au développement Référence Barrouillet, P., Camos, V., Perruchet, P., & Seron, X. (2004). A Developmental Asemantic
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailPlan de la présentation
Plan de la présentation 1) Intro Problématique, réussites globales, chronologie 2) «Face aux données» (aperçu de la base) L'objet documentaire, les PDFs, les facettes 3) Explication de la méthodologie
Plus en détailTEXT MINING Tour d Horizon
TEXT MINING Tour d Horizon Media Campus WAN IFRA "Structurer, optimiser et valoriser son contenu éditorial : les outils de text mining" 24 novembre 2009, PARIS Philippe BONNY Cabinet de Conseil et d Etudes
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailMesure de la surface spécifique
Mesure de la surface spécifique Introducing the Acorn Area TM Acorn Area est un instrument révolutionnaire conçu pour mesurer la surface spécifique des nanoparticules en suspension dans un liquide. Utilisant
Plus en détailCH.6 Propriétés des langages non contextuels
CH.6 Propriétés des langages non contetuels 6.1 Le lemme de pompage 6.2 Les propriétés de fermeture 6.3 Les problèmes de décidabilité 6.4 Les langages non contetuels déterministes utomates ch6 1 6.1 Le
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 25/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
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 détailConception de circuits numériques et architecture des ordinateurs
Conception de circuits numériques et architecture des ordinateurs Frédéric Pétrot Année universitaire 2014-2015 Structure du cours C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 Codage des nombres en base 2, logique
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 détailCHAPITRE 1 STRUCTURE DU NIVEAU B2 POUR LE FRANÇAIS
chapitre_1_2_3.qxd 29/06/04 10:46 Page 15 CHAPITRE 1 STRUCTURE DU NIVEAU B2 POUR LE FRANÇAIS Les référentiels par langue élaborés dans le cadre du Conseil de l Europe sont avant tout, comme Un niveau-seuil
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailÀ propos de Phenix Systems
À propos de Phenix Systems L innovation, les délais de mise au point et de fabrication, la recherche d économies d énergie, de matières et de coûts, la qualité et la flexibilité constituent aujourd hui
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailQUANTIFICATION DU RISQUE
QUANTIFICATION DU RISQUE Journées d études de Deauville, le 16 septembre 2011 OPÉRATIONNEL 1.Solvabilité 2 et le Risque Opérationnel 2.La gestion du Risque Opérationnel 3.Les méthodes de quantification
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 détailContenu du programme Gestion Commerciale
BTS : Brevet de Technicien Supérieur Contenu du programme Gestion Commerciale 1 Sommaire MATIERES D ENSEIGNEMENT PROFESSIONNEL... 3 ETUDE DE CAS... 4 PROGRAMME DE FONDEMENTS ET CONCEPTS ETUDE DE MARCHE...
Plus en détailVI- Exemples de fiches pédagogiques en 3 ème année primaires
21 VI- Exemples de fiches pédagogiques en 3 ème année primaires 22 PROJET I : Séquence 3 ORAL (Réception) Compréhension orale : Activité d écoute : 1 ère fiche pédagogique L objectif de cette séance est
Plus en détailFondements de l informatique Logique, modèles, et calculs
Fondements de l informatique Logique, modèles, et calculs Cours INF423 de l Ecole Polytechnique Olivier Bournez Version du 20 septembre 2013 2 Table des matières 1 Introduction 9 1.1 Concepts mathématiques........................
Plus en détailMEGA Application Portfolio Management. Guide d utilisation
MEGA Application Portfolio Management Guide d utilisation MEGA 2009 SP5 R7 2ème édition (novembre 2012) Les informations contenues dans ce document pourront faire l objet de modifications sans préavis
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailRDV E-commerce 2013 Mercredi 6 Mars, Technopark
RDV E-mm 2013 Md 6 M, Thpk Smm 1 P q E 2 Q x p? 3 Q v? 4 d é d 2 0 1 5 p 2 0 1 3 6 h g 7 d f é 1 Pq E-mm? Pq S E-Cmm? D d d Md IT XCOM gé dp 2009 phé E-mm.m F à mhé p, XCOM h d déd E-mm, Pm éq, E-Mkg Chff
Plus en détailLa fonction d audit interne garantit la correcte application des procédures en vigueur et la fiabilité des informations remontées par les filiales.
Chapitre 11 LA FONCTION CONTRÔLE DE GESTION REPORTING AUDIT INTERNE Un système de reporting homogène dans toutes les filiales permet un contrôle de gestion efficace et la production d un tableau de bord
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailNormes graphiques / Sigma Assistel / Site Internet version 1.0 / 12.11.03
version 1.0 / 12.11.03 CHOIX DE LANGUE / MESURES & GABARIT NORMES GRAPHIQUES & TYPOGRAPHIQUES 131 pixels La largeur totale du gabarit est de, 2 A ENTÊTE ET MENUS / MESURES & GABARIT NORMES GRAPHIQUES &
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailCours d introduction à l informatique. Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions
Cours d introduction à l informatique Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions Qu est-ce qu un Une recette de cuisine algorithme? Protocole expérimental
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
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 détailTiLT : plate-forme pour le traitement automatique des langues naturelles
TiLT : plate-forme pour le traitement automatique des langues naturelles Johannes Heinecke * Grégory Smits ** Christine Chardenon * Emilie Guimier De Neef * Estelle Maillebuau * Malek Boualem * * Orange
Plus en détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailDocument d aide au suivi scolaire
Document d aide au suivi scolaire Ecoles Famille Le lien Enfant D une école à l autre «Enfants du voyage et de familles non sédentaires» Nom :... Prénom(s) :... Date de naissance :... Ce document garde
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détail