Métabolomique TP2 Traitement et Analyse de données métabolomiques
|
|
- Simon Grégoire
- il y a 8 ans
- Total affichages :
Transcription
1 Métabolomique TP2 Traitement et Analyse de données métabolomiques Professeurs: Christian Baron & Christine des Rosiers 1
2 BCM2003-H15 Métabolomique Démonstratrice: Sarah Cherkaoui Questions: Par courriel: Disponibilités sur rdv (courriel) 2
3 Horaire Séance Contenu 19 Mars 26 Mars 2 Avril Bases de données métaboliques et voies métaboliques (pathways) Traitement et Analyse de données métabolomiques Analyse de données et de voies métaboliques 9 Avril Flux de travail et Mini Projet 3
4 Les approches: ciblé vs. non ciblé - Ciblée (targeted) : Nombre limité de métabolites (de plusieurs classes ou de la même classe de métabolites).précis et reproductible, mais nombre de métabolites limité. - Non-ciblée (non-targeted): très grand potentiel de découverte, mais plus complexe dans l analyse et traitement des données. Métabolites non identifiés. 4
5 Flux de travail global ( workflow ) Volet expérimental 1) Échantillons 2) Acquisition des données collecte extraction 3) Traitement des données Quantificatoin et validation 6) Interprétation biologique 5) Identification des métabolites, quantification et validation ((non-ciblée) Liste d entités MS/MS R1 R2 R3 R R 1 2 4) Analyse: Statistique et visualisation 5
6 Flux de travail global ( workflow ) Volet expérimental 1) Échantillons 2) Acquisition des données 3) Traitement des données collecte extraction Quantificatoin et validation 6) Interprétation biologique 5) Identification des métabolites, quantification et validation ((non-ciblée) Liste d entités MS/MS R1 R2 R3 R R 1 2 4) Analyse: Statistique et et visualisation 6
7 Traitement des données Étapes 1. Conversion des données 2. Détection des «feature» 3. Alignement 4. Mise à l échelle et normalisation 5. Identification Contrôle de qualité à chaque étape Figure 1. Un exemple de flux de traitement de données de MS (étapes varient selon design expérimental) 7
8 Traitement des données Données multidimensionnelles - ratio masse/charge (m/z) temps de rétention - intensité 8
9 TP: Visulatisation Matrice de profil - ratio masse/charge (m/z) temps de rétention intensité (couleur) S il y a un metabolite, Il y aura un «peak» (l inverse n est pas nécessairement vrai) Commandes R > ssh esilbac4 > /usr/local/r-3.2/bin/r > library(metabodemo) > ExProfMat() 9
10 Traitement des données 1. Conversion des données v Du format binaire à un format plus commun (mzml, mzxml, mzdata) v Permettre le traitement avec un système d exploitation et un logiciel indépendant v Problème de taille et de structure u Filtre (enlever pics de faible intensité) u Développer un format de fichier binaire qui permet l accès rapide aux chromatogrammes et aux spectres 10
11 Traitement des données 2. Détection des «feature» v v Conversion des données tridimensionnelles (temps de rétention, m/z et intensité) Données bidimensionnelles grâce à l extraction des ions (le long de l axe m/z) v v Réduction du bruit de fond et smoothing Réduire faux positifs v Identification des pics grâce au maximum local dʼ intensité et à la forme du pic 11
12 TP: Détection des «feature» Visualiser selon la masse EIT : Extracted Ion Traces Commandes R library(metabodemo) ExMF() Parametre: step (pas de masse) et sntresh (bruit de fond) 12
13 Traitement des données 3. Alignement u Réduire les décalages de temps entre les ensembles de données. Variance non linéaire Ø Correction du temps de rétention par des algorithmes (non linéaire) 13
14 TP: Alignement Correction du temps de rétention selon les acquisitions en utilisant des «hook» groupes 14 Alignement Commandes R library(metabodemo) ExRetcor() ExMissing() Groupement Commandes R ExGroup()
15 Traitement des données 4. Identification Indispensable pour fournir de l information métabolique Technique Comparer le spectre avec ceux de bases de données pour trouver un métabolite identifié Utilisation d outil permettant la fragmentation des composé (MS/MS ) Masse/temps de rétention «Feature» Recherche masse base de données (Metlin) MS/MS Annotation Identification 15
16 TP: Annotation Selon la masse Visualiser EIC : Extracted Ion Chromatogram Commandes R library(metabodemo) ExEit() Chercher les métabolites: u Acide Malique (133.08) u Catechin (289.2) u Votre métabolite préféré (HMDB) monoisomic mass -1 16
17 Traitement des données 5. Mise à l échelle (scaling) et normalisation Essentiel pour éliminer les biais systématiques (variation de concentration ou déviation dans l intensité du signal) et garder les différences biologiques Normalisation échantillons (selon ligne) : Par la somme ou total des pics (aires) Par un composé de référence Par un échantillon de référence Normalisation des entités feature (selon colonne) : Transformation Mise à l échelle Scaling 17
18 Traitement des données 6. Contrôle de qualité Permet d évaluer la qualité de chaque algorithme à chaque étape du traitement de données Vérifier l algorithme et ses différents paramètres Exemple de contrôle: Évaluation de la qualité de l annotation se fait grâce au taux de fausses découvertes (FDR) Taux de faux négatifs 18
19 Flux de travail global ( workflow ) Volet expérimental 1) Échantillons 2) Acquisition des données collecte extraction 3) Traitement des données Quantificatoin et validation 6) Interprétation biologique 5) Identification des métabolites, quantification et validation ((non-ciblée) Liste d entités MS/MS R1 R2 R3 R R 1 2 4) Analyse: Statistique et visualisation 19
20 Analyse des données Vue d ensemble: Matrice de données (produit des données brutes) Identifier les variations entre les groupes de données 2 phases d analyses : Ø Ø Exploration des données par analyse multivariée Evaluation des métabolites individuellement par analyse univariée 20
21 Structure des données univarié: une seule variable (1-Dimension) bivarié: deux variables (2-Dimensions) multivarié: 2 > variables (m-dimensions) Variables (métabolites) Types de données continues discrètes binaires échantillons Nom Composé Glucose comp2 comp3 comp4 comp5 Temps rétention PubChem CID c74678 c5435 c8944 c57489 x Patient Statut Intensités John Malade David Sain Julie Sain
22 Univarié vs. Multivarié univarié/bivarié controls Heart failure vs. multivarié Lactate Valeurs extrêmes/aberrantes? t[2] HF no HF t[1] R2X[1] = 0,236 R2X[2] = 0,105 Ellipse: Hotelling's T2 (95%) 22
23 Analyse de Données: Buts Ø Ø Exploration Classification Prédiction Y a-t-il des tendances dans mes données? Ø Sources analytiques Ø Metadonnées Méthodes Utiles Ø Principal Component Analysis (PCA) Ø Analyse de Cluster Ø Ø Différences/similarités entre groupes? Ø Changement significatif, classification Méthodes Utiles Ø Analysis of variance (ANOVA) Ø Partial least squares discriminant analysis (O-/PLS-DA) Ø Ce qui est relié ou prédit par ma variable(s) d intérêt? Ø Régression, corrélation Ø Méthodes Utiles Ø Corrélation Ø partial least squares (O-/PLS) 23
24 TP Workflow GC/LC-MS raw spectra MS / NMR peak lists MS / NMR spectra bins Metabolite concentrations Peak detection Retention time correction Baseline filtering Peak alignment Data integrity check Missing value imputation Data normaliza,on Row- wise normaliza0on Column- wise normaliza0on Enrichment analysis Over representa0on analysis Single sample profiling Quan0ta0ve enrichment analysis Pathway analysis Enrichment analysis Topology analysis Interac0ve visualiza0on Sta,s,cal analysis Univariate analysis Dimension reduc0on Feature selec0on Cluster analysis Classifica0on Time- series /two factor Clustering Two- way ANOVA ASCA Temporal Comparison 24
25 MetaboAnalyst GC/LC-MS raw spectra MS / NMR peak lists MS / NMR spectra bins Metabolite concentrations Peak detection Retention time correction Baseline filtering Peak alignment Data integrity check Missing value imputation Data normaliza,on Row- wise normaliza0on Column- wise normaliza0on Enrichment analysis Over representa0on analysis Single sample profiling Quan0ta0ve enrichment analysis Pathway analysis Enrichment analysis Topology analysis Interac0ve visualiza0on Sta,s,cal analysis Univariate analysis Dimension reduc0on Feature selec0on Cluster analysis Classifica0on Time- series /two factor Clustering Two- way ANOVA ASCA Temporal Comparison 25
26 TP: MetaboAnalyst Données : Chercher Humain-cancer sur le site : Variables (métabolites) Concentrations métabolites 78 échantillons d urine Patients atteints de cancer Répondant à un traitement Mesuré par NMR patients 26
27 TP: MetaboAnalyst Importer les données 27
28 TP: MetaboAnalyst Imputation des valeurs manquantes 28
29 TP: MetaboAnalyst Mise à l echelle et Normalisation 29
30 TP: MetaboAnalyst Mise à l échelle (scaling) et normalisation Essentiel pour éliminer les biais systématiques (variation de concentration ou déviation dans l intensité du signal) et garder les différences biologiques Normalisation échantillons (selon ligne) : Par la somme ou total des pics (aires) Par un composé de référence Par un échantillon de référence Normalisation des entités feature (selon colonne) : Transformation Mise à l échelle Scaling 30
31 TP: MetaboAnalyst Mise à l échelle (scaling) et normalisation 31
32 TP: MetaboAnalyst Exploration Question: Y a-t-il des tendances dans mes données? 32
33 TP: MetaboAnalyst Analyse par composantes principales (PCA) Convertit des données de grande dimension (beaucoup de variables corrélées) en données de dimension moindre (peu de variables décorrélées) afin de visualisées les données, tout en conservant leur variance. Les dimensions produites sont alors les composantes. Ø Méthode non-supervisé Ø Projection des données afin de maximiser la variance 33
34 TP: MetaboAnalyst Visualisation: Ø Ø Score Plot : variation entre les échantillons selon les composantes Loadind Plot : variation entre les métabolites selon les composantes Valeurs: eigenvalues = variance expliquée scores = nouvelles coordonnées des échantillons loadings = combinaison linéaire des variables 34
35 TP: MetaboAnalyst Analyse par composantes principales (PCA) 35
36 TP: MetaboAnalyst PCA Score Plot 36
37 TP: MetaboAnalyst PCA Loading Plot Composés responsables de la séparation 37
38 TP: MetaboAnalyst Analyse par composantes principales (PCA) Pour le TP: u Faire une PCA sur tous les échantillons Chercher composés discriminant les 2 groupes u Sur chacun des 2 groupes Quel est la tendance de vos données? Il y a t-il des valeurs aberrantes «outliers»? 38
39 TP: MetaboAnalyst Exploration Question: Y a-t-il des tendances dans mes données? 39
40 TP: MetaboAnalyst Visualisation par Heatmap 40
41 TP: MetaboAnalyst Visualisation par Heatmap 41
42 TP: MetaboAnalyst Inspection des données : Contrôle de qualité Valeurs aberrantes «outliers»? 42
43 TP: MetaboAnalyst Contrôle de qualité : Retirer les valeurs aberrantes «outlier» 43
44 Références Melamud, E., Vastag, L. & Rabinowitz, J. D. Metabolomic analysis and visualization engine for LC-MS data. Anal. Chem. 82, (2010). Broadhurst, D. I. & Kell, D. B. Statistical strategies for avoiding false discoveries in metabolomics and related experiments. Metabolomics 2, (2006). Sugimoto, M., Kawakami, M., Robert, M., Soga, T. & Tomita, M. Bioinformatics Tools for Mass Spectroscopy-Based Metabolomic Data Processing and Analysis. Curr. Bioinform. 7, (2012). Zhou, B., Xiao, J. F., Tuli, L. & Ressom, H. W. LC-MS-based metabolomics. Mol. Biosyst. 8, (2012). Johnson CH, Ivanisevic J, Benton HP, Siuzdak G. Bioinformatics: the next frontier of metabolomics. Anal Chem. 6;87(1): (2015) 44
Protéomique Séance 1 Introduction aux données de protéomique et aux outils de recherche
Protéomique Séance 1 Introduction aux données de protéomique et aux outils de recherche Mathieu Courcelles BCM2003 26 Mars 2009 BCM2003-H09 Protéomique Démonstrateur: Mathieu Courcelles Questions? Via
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 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 détailBASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
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 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 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 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 détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailLES MODELES DE SCORE
LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d
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 détailLa structure de la base de données et l utilisation de PAST. Musée Royal de l Afrique Centrale (MRAC Tervuren)
La structure de la base de données et l utilisation de PAST La structure de la base de données données originales SPÉCIMENS Code des spécimens: Identification des spécimens individuels. Dépend du but de
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
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 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 détailESIEA PARIS 2011-2012
ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire
Plus en détailMémo d utilisation de ADE-4
Mémo d utilisation de ADE-4 Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr 2003 ADE-4 est un logiciel d analyses des communautés écologiques créé par l équipe de biostatistiques de Lyon. Il propose
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 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 détailPRÉSENTATION PRODUIT. Plus qu un logiciel, la méthode plus efficace de réconcilier.
PRÉSENTATION PRODUIT Plus qu un logiciel, la méthode plus efficace de réconcilier. Automatiser les réconciliations permet d optimiser l utilisation des ressources et de générer plus de rentabilité dans
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 détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en 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 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 détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
Plus en détailAnnales du Contrôle National de Qualité des Analyses de Biologie Médicale
Annales du Contrôle National de Qualité des Analyses de Biologie Médicale Plombémie Plombémie 07PLO1 ; 07PLO2 ; 07PLO3 et 07PLO4 2007 Edition : décembre 2008 Afssaps -143/147, Bd Anatole France F-93285
Plus en détailLe signal GPS. Les horloges atomiques à bord des satellites GPS produisent une fréquence fondamentale f o = 10.23 Mhz
Le signal GPS Les horloges atomiques à bord des satellites GPS produisent une fréquence fondamentale f o = 10.23 Mhz Deux signaux en sont dérivés: L1 (fo x 154) = 1.57542 GHz, longueur d onde = 19.0 cm
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 détailAnnales du Contrôle National de Qualité des Analyses de Biologie Médicale
Annales du Contrôle National de Qualité des Analyses de Biologie Médicale ARN du virus de l hépatite C : ARN-VHC ARN-VHC 03VHC1 Novembre 2003 Edité : mars 2006 Annales ARN-VHC 03VHC1 1 / 8 ARN-VHC 03VHC1
Plus en détailComment reproduire les résultats de l article : POP-Java : Parallélisme et distribution orienté objet
Comment reproduire les résultats de l article : POP-Java : Parallélisme et distribution orienté objet Beat Wolf 1, Pierre Kuonen 1, Thomas Dandekar 2 1 icosys, Haute École Spécialisée de Suisse occidentale,
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
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 détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailIFT 6261: L Analytique Web. Fares Aldik, Consultant principal, Analytique Web et optimisation Bell Marchés Affaires services d expérience client
IFT 6261: L Analytique Web Fares Aldik, Consultant principal, Analytique Web et optimisation Bell Marchés Affaires services d expérience client 2012 01 04 Analytique Web : une pratique multidisciplinaire
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 détailPREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE
PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE Jean-Paul Valois, Claude Mouret & Nicolas Pariset Total, 64018 Pau Cédex MOTS CLEFS : Analyse spatiale, ACP, Lissage, Loess PROBLEMATIQUE En analyse multivariée,
Plus en détailBiochimie I. Extraction et quantification de l hexokinase dans Saccharomyces cerevisiae 1. Assistants : Tatjana Schwabe Marcy Taylor Gisèle Dewhurst
Biochimie I Extraction et quantification de l hexokinase dans Saccharomyces cerevisiae 1 Daniel Abegg Sarah Bayat Alexandra Belfanti Assistants : Tatjana Schwabe Marcy Taylor Gisèle Dewhurst Laboratoire
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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailBIRT (Business Intelligence and Reporting Tools)
BIRT (Business Intelligence and Reporting Tools) Introduction Cette publication a pour objectif de présenter l outil de reporting BIRT, dans le cadre de l unité de valeur «Data Warehouse et Outils Décisionnels»
Plus en détailPratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie»
Centre de recherche en démographie et sociétés UCL/IACCHOS/DEMO Pratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie» 1 2 3+ analyses univariées Type de variables
Plus en détail2D-Differential Differential Gel Electrophoresis & Applications en neurosciences
2D-Differential Differential Gel Electrophoresis & Applications en neurosciences Jean-Etienne Poirrier Centre de Neurobiologie Cellulaire et Moléculaire Centre de Recherches du Cyclotron Université de
Plus en détailAnalyse des correspondances avec colonne de référence
ADE-4 Analyse des correspondances avec colonne de référence Résumé Quand une table de contingence contient une colonne de poids très élevé, cette colonne peut servir de point de référence. La distribution
Plus en détailL analyse de la gestion de la clientèle
chapitre 1 - La connaissance du client * Techniques utilisées : observation, recherche documentaire, études de cas, études qualitatives (entretiens de groupes ou individuels, tests projectifs, analyses
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
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 détailLe Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailIntroduction aux outils BI de SQL Server 2014. Tutoriel sur SQL Server Integration Services (SSIS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Tutoriel sur SQL Server Integration Services (SSIS) Description générale Ce tutoriel a pour objectif
Plus en détailInformatique. epims : un LIMS pour la gestion des données de spectrométrie de masse TECHNOLOGIE APPLIQUÉE
Véronique DUPIERRIS 1, Damien BARTHE 2, Christophe BRULEY 2 epims : un LIMS pour la gestion des données de spectrométrie de masse Informatique RÉSUMÉ La protéomique constitue aujourd hui un outil de choix
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 détailInitiation à l analyse en composantes principales
Fiche TD avec le logiciel : tdr601 Initiation à l analyse en composantes principales A.B. Dufour & J.R. Lobry Une première approche très intuitive et interactive de l ACP. Centrage et réduction des données.
Plus en détailFilière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux
Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Objectifs Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Structure générale des études à l UTC Règlement
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 détailHIVER 2004 MÉTHODOLOGIE DE LA RECHERCHE EN MARKETING MRK - 65384
Professeur : Raoul Graf FSA-Université Laval Pavillon Palasis Prince Bureau 2413 Tél. : 418 656 2131 ext. 2688 Courriel : Raoul.Graf@mrk.ulaval.ca HIVER 2004 MÉTHODOLOGIE DE LA RECHERCHE EN MARKETING MRK
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en 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 détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailData Tier Application avec SQL Server 2008 R2
Data Tier Application avec SQL Server 2008 R2 Article par David BARBARIN (MVP SQL Server) David BARBARIN est actuellement consultant en bases de données pour une entreprise Suisse GOLD Partner Microsoft
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 détailGlossaire de termes relatifs à l assurance de la qualité et aux bonnes pratiques de laboratoire
Glossaire de termes relatifs à l assurance de la qualité et aux bonnes pratiques de laboratoire Notre engagement: la qualité et l amélioration continue Photos Couverture: en haut à gauche; istockphoto.com/yegor
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
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 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 détailEntreprise et Big Data
Entreprise et Big Data Christophe Favart Chef Architecte, SAP Advanced Development, Business Information Technology Public Juin 2013 Agenda SAP Données d Entreprise Big Data en entreprise Solutions SAP
Plus en détailBusiness-Insight Company Presentation
Brussel, March 1, 2013 Business-Insight Company Presentation The Business-Insight company creates the latest state-of-the-art softwares in the domain of predictive datamining. Predictive datamining techniques
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
Plus en détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
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 détailMass Spec/tacular. performance, productivité et fiabilité. Systèmes CPL/SM Agilent série 6000. Our measure is your success.
Systèmes CPL/SM Agilent série 6000 Mass Spec/tacular performance, productivité et fiabilité. Our measure is your success. products applications software services Une «spectacular» lignée CPL/SM Si vous
Plus en détail- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE
- MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base
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 détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détailGalaxy Training days. Liste des sessions disponibles : http://bioinfo.genotoul.fr. Les formateurs :
-- 1 -- Galaxy Training days Durée / Programme : 3 journées. Galaxy : First step. Galaxy : Reads alignment and SNP calling. Galaxy : RNAseq alignment and transcripts assemblies. Public : Personnes souhaitant
Plus en détailFiche 19 La couleur des haricots verts et cuisson
Fiche 19 La couleur des haricots verts et cuisson Objectif : Valider ou réfuter des «précisions culinaires»* permettant de "conserver une belle couleur verte" lors la cuisson des haricots verts frais (gousses
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 détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailRésonance Magnétique Nucléaire : RMN
21 Résonance Magnétique Nucléaire : RMN Salle de TP de Génie Analytique Ce document résume les principaux aspects de la RMN nécessaires à la réalisation des TP de Génie Analytique de 2ème année d IUT de
Plus en détailConception de Médicament
Conception de Médicament Approche classique HTS Chimie combinatoire Rational Drug Design Ligand based (QSAR) Structure based (ligand et ou macromolec.) 3DQSAR Docking Virtual screening Needle in a Haystack
Plus en détailExercice 3 du cours Management Bancaire : «Risque de crédit et scoring»
Exercice 3 du cours Management Bancaire : «Risque de crédit et scoring» Ce cas a pour objectif d étudier le risque de crédit d une entreprise à l aide de la méthode du scoring. Cette méthode statistique
Plus en détailAnticiper et prédire les sinistres avec une approche Big Data
Anticiper et prédire les sinistres avec une approche Big Data Julien Cabot Directeur Big Data Analytics OCTO jcabot@octo.com @julien_cabot OCTO 2013 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en 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 détail1: généralités; 2: l évaluation par l opérateur; 3: l analyse d image; 4: la densitométrie en absorbance et en fluorescence; 5: la conclusion.
L HPTLC est une méthode séquentielle, il est donc primordial de contrôler chaque étape. Cette session du 10 ème anniversaire va traiter de la dernière étape de la méthode qui justifie toutes les autres
Plus en détailUTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY
UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY Yvan Le Bras yvan.le_bras@irisa.fr Cyril Monjeaud, Mathieu Bahin, Claudia Hériveau, Olivier Quenez, Olivier Sallou, Aurélien Roult, Olivier
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailFORMATIONS OpenERP/Odoo ORIENTEES METIERS. THEME : COMMENT OpenERP/ODOO PEUT AMELIORER LES PERFORMANCES DE VOTRE ENTREPRISE
FORMATIONS OpenERP/Odoo ORIENTEES METIERS THEME : COMMENT OpenERP/ODOO PEUT AMELIORER LES PERFORMANCES DE VOTRE ENTREPRISE - Présenter les fonctionnalités d OpenERP/ODOO, le large périmètre métier couvert
Plus en détailWhy Software Projects Escalate: The Importance of Project Management Constructs
Why Software Projects Escalate: The Importance of Project Management Constructs Why Software Projects Escalate: The Importance of Project Management Constructs 1. Introduction 2. Concepts de la gestion
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 détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détail