Apprentissage Automatique, Big Data et Data Science
|
|
- Eric Langevin
- il y a 7 ans
- Total affichages :
Transcription
1 Apprentissage Automatique, Big Data et Data Science Thierry Artières
2 Le machine learning : un paradigme de programmation Quel algorithme?
3 L Apprentissage Automatique: un paradigme de programmation Quel algorithme? [Farabet et al., IEEE PAMI, 2012]
4 L Apprentissage Automatique: un paradigme de programmation Quel algorithme? Epilepsie / Pas d épilepsie
5 Le cas Jeopardy : Jeu télévisé On nous donne une réponse, on doit trouver la question Exemple de réponse : Stendhal Question à trouver : Qui a écrit le Rouge et le Noir? IBM DeepQA program (QA = Question Answering) A gagné à Jeopardy (2011) Peut être étendu à d autres domaines Domaine médical, juridique etc
6 L Apprentissage Automatique Adapté pour tout type de tâches de décision, de prédiction Pour lesquelles on ne connait pas d algorithme Pour lesquelles on ne veut pas passer par une étape de formalisation Champs d applications Réflexion : Intelligence Artificielle et jeux Interprétation textuelle : Recherche d information, résumé automatique, traduction automatique, analyse de sentiment, analyse de réputation Robotique et systèmes autonomes Taches perceptives : images, vidéos, parole, musique, gestes Recommandation et personnalisation Inférence sur des données relationnelles (sociales) et graphes, web advertising
7 Contexte de la société de l information Les Vs La data-isation Et puis?
8 Contexte de la société de l information Les Vs La data-isation L or noir n est qu un produit brut Et puis?
9 Contexte de la société de l information Les Vs La data-isation Et puis? L or noir n est qu un produit brut Bienvenue dans la data science!
10 L Apprentissage Automatique et la science des données Informatique Programmation Complexité Bases de données Apprentissage Automatique Fondamental Mathématiques Statistiques
11 L Apprentissage Automatique et la science des données Informatique Programmation Complexité Bases de données Fondamental Mathématiques Statistiques Data science Hacking Ingénierie des données Calcul GPU et // Web Applicatif Expertise de domaine
12 L Apprentissage Automatique et la science des données Informatique Programmation Complexité Bases de données Fondamental Mathématiques Statistiques Hacking Data science Raffiner l or noir Applicatif Ingénierie des données Calcul GPU et // Web Expertise de domaine
13 Kaggle Site de rencontre entre entreprises et datascientists Gros succès en termes de participation Hétérogénéité des participants Rendu possible par l apparition de nombreux toolkits de ML gratuits (Weka, Scikit-learn) et payants Matthieu S. (UPMC 2013) 127th /219,547
14 Ce que le big data change (en AA) Nombreux problèmes «tous les jours» Nouvelles tâches à inventer Changement profond dans la manière de résoudre une tâche N=All Qualité variable et amoindrie des données
15 Ce que le big data change Approche traditionnelle Approche «Big Data» Problème clairement identifié Besoins multiples Sélection limitée de données représentatives Examen rendu aisé par la taille limitée Collection la plus large de données Utilisation de méthodes statistiques Estimation d un modèle
16 L exemple des réseaux de neurones : Vague des RNs Irrigue tous les domaines de la Reconnaissance Des Formes 2005-Aujourd hui : Renouveau / Apprentissage profond Algorithmes (modérément) nouveaux Usage massif de données d entrainement Avancées majeures sur divers problèmes réels durs (Vision, Parole, Texte)
17 L exemple de la Traduction Automatique 1990 IBM fait une avancée majeure La traduction vue comme un TRES gros problème statistique Espace Phrases en Anglais -> Phrases en Français Ressources importantes (transcriptions parlement canadien Fr/En) mais limitées : Millions de documents 2000 Google Énorme corpus Milliards de documents diverses qualités plus ou moins alignés Cela fonctionne beaucoup mieux
Spécialité IAD. Master de Sciences et technologie de l UPMC. Mention informatique. Partenaires : ENST, ENSTA. Responsables : T. Artières, C.
Master de Sciences et technologie de l UPMC Mention informatique Spécialité IAD Partenaires : ENST, ENSTA Responsables : T. Artières, C. Gonzales Secrétariat : N. Nardy LES THÉMATIQUES ABORDÉES Les thématiques
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 détailRecommandation prédictive
Recommandation prédictive La promesse originelle du web : la relation one to one Le futur du web : la recommandation prédictive La data : Le pétrole brut des éditeurs et des marques Mais Au mieux
Plus en détailLes apports de l informatique. Aux autres disciplines
Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il
Plus en détailFORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis
FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités
Plus en détailDossier justificatif des travaux de R&D déclarés au titre du CIR
Dossier justificatif des travaux de R&D déclarés au titre du CIR I PRÉSENTATION DE LA SOCIETE Présenter l activité de la société en quelques lignes ou au moyen d une plaquette publicitaire et replacer
Plus en détailRedevance pour la mise à disposition de settop-boxes avec mémoire et de vpvr
ProLitteris Société suisse de droits d auteur pour l art littéraire et plastique, coopérative SSA Société Suisse des Auteurs, Société coopérative SUISA Coopérative des auteurs et éditeurs de musique SUISSIMAGE
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 détailLe BIG DATA????? Big Buzz? Big Bang? Big Opportunity? Big hype? Big Business? Big Challenge? Big Hacking? Gérard Peliks planche 2
Le BIG DATA????? Big Bang? Big hype? Big Challenge? Big Buzz? Big Opportunity? Big Business? Big Hacking? Gérard Peliks planche 2 Les quatre paradigmes de la science en marche Paradigme 1 : L empirisme
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 détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Plus en détailEcran : Processeur : OS : Caméra : Communication : Mémoire : Connectique : Audio : Batterie : Autonomie : Dimensions : Poids : DAS :
SMARTPHONE - DUAL-CORE - NOIR 3483072425242 SMARTPHONE - DUAL-CORE - BLEU XXXX SMARTPHONE - DUAL-CORE - BLANC 3483072485246 SMARTPHONE - DUAL-CORE - ROSE 3483073704131 SMARTPHONE - DUAL-CORE - ROUGE XXXX
Plus en détailLOIS SUR LES INVESTISSEMENTS ÉTRANGERS
Lois sur les investissements étrangers 13 LOIS SUR LES INVESTISSEMENTS ÉTRANGERS La Loi sur Investissement Canada (LIC) est la seule loi fédérale sur les investissements étrangers d application générale.
Plus en détailTraitement numérique de l'image. Raphaël Isdant - 2009
Traitement numérique de l'image 1/ L'IMAGE NUMÉRIQUE : COMPOSITION ET CARACTÉRISTIQUES 1.1 - Le pixel: Une image numérique est constituée d'un ensemble de points appelés pixels (abréviation de PICture
Plus en détailÉvaluation et implémentation des langages
Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation
Plus en détailOPTION SCIENCES BELLE-ISLE-EN-TERRE
Serge Combet Professeur Mathématiques Collège de Belle-Isle-En-Terre OPTION SCIENCES BELLE-ISLE-EN-TERRE 2011-2012 Mathématiques & Informatique Sommaire I. Introduction... 5 II. Choix des logiciels...
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailGT Big Data. Saison 2014-2015. Bruno Prévost (Safran), Marc Demerlé (GDF SUEZ) CRiP Thématique Mise en œuvre du Big Data 16/12/14
GT Big Data Saison 2014-2015 Bruno Prévost (Safran), Marc Demerlé (GDF SUEZ) Sommaire GT Big Data : roadmap 2014-15 Revue de presse Business Education / Promotion Emploi Sécurité / Compliance Cuisine:
Plus en détailPrésentation du Laboratoire en médias socionumériques et ludification. Maude Bonenfant Département de communication sociale et publique
Présentation du Laboratoire en médias socionumériques et ludification Maude Bonenfant Département de communication sociale et publique André Mondoux École des médias Le contexte - Groupe de recherche sur
Plus en détailPanorama des études à travers les filières. FEEL du 23 octobre 2014
Panorama des études à travers les filières FEEL du 23 octobre 2014 Plan Structure générale des études à l'ensimag 1A : le tronc commun 2A/3A : entrée dans les filières et spécialisation Modalités du choix
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 détailA - «Le nombre dans l art» (L œuvre d art et sa composition)
1 A - «Le nombre dans l art» (L œuvre d art et sa composition) 1) Ma fin est mon commencement, (v.1370) de Guillaume de Machaut Cette pièce, "Ma fin est mon commencement", est devenue spécialement célèbre
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 détailINFO 2 : Traitement des images
INFO 2 : Traitement des images Objectifs : Comprendre la différence entre image vectorielle et bipmap. Comprendre les caractéristiques d'une image : résolution, définition, nombre de couleurs, poids Etre
Plus en détailBig Data et Statistique Publique
Big Data et Statistique Publique Miracle ou mirage? Matthieu Cornec Mission Innovation Sommaire 1. Constat : Explosion des données 1. Constat 2. Exemples 2. Big Data : nouvelle révolution économique? 1.
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 détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
Plus en détailLes Ressources Humaines à l heure du Big Data : progrès, perspectives et limites CORNERSTONE WHITEPAPER
Les Ressources Humaines à l heure du Big Data : progrès, perspectives et limites CORNERSTONE WHITEPAPER INTRODUCTION L avènement du Big Data et du Cloud Computing laisse entrevoir un monde de plus en plus
Plus en détailBienvenue. Jeudi 26 avril 2012 Comment vendre face à une concurrence ouverte et les réseaux sociaux?
Bienvenue Jeudi 26 avril 2012 Comment vendre face à une concurrence ouverte et les réseaux sociaux? Plan Objectif du Forum Approche et expériences des intervenants Présentation des livres Fil rouge autour
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailObservatoire des loisirs des Français
Observatoire des loisirs des Français 8 e édition Rapport d étude TNS 2014 Sommaire 1 Présentation de l étude 3 2 Principaux enseignements 5 3 Résultats 8 TNS 2014 2 1 Présentation de l étude TNS 2014
Plus en détailFujitsu World Tour 2015
Fujitsu World Tour 2015 Human Centric Retail Human Centric Innovation 0 David Concordel Vice President, Head of Retail Solutions 1 Fujitsu dans le Retail Solutions Années Pays PoS Omni-channel Analytics
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailIntelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
Plus en détailNOM : Prénom : Date de naissance : Ecole : CM2 Palier 2
NOM : Prénom : Date de naissance : Ecole : CM2 Palier 2 Résultats aux évaluations nationales CM2 Annexe 1 Résultats de l élève Compétence validée Lire / Ecrire / Vocabulaire / Grammaire / Orthographe /
Plus en détailData 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares
Plus en détailSOMMAIRE. Portraits des intervenants Portraits des animateurs Conférence, Débat et Échanges #$%&'(!)(*+,!-$*./)(*-(!"0!1,2*!34"0!5!!
Compte-rendu Tout savoir sur le Big Data pour comprendre qui sont mes clients L'avènement des NTIC et des outils digitaux transforme nos métiers en profondeur. La révolution digitale a donné du pouvoir
Plus en détailUne dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU
Une dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU Gabriel Antoine Louis Paillard Ce travail a eu le soutien de la CAPES, agence brésilienne pour
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailA la découverte du Traitement. des signaux audio METISS. Inria Rennes - Bretagne Atlantique
A la découverte du Traitement des signaux audio METISS Inria Rennes - Bretagne Atlantique Les conférences scientifiques au Lycée Descartes Imagerie médicale et neuronavigation par Pierre Hellier Le respect
Plus en détailAttestation de maîtrise des connaissances et compétences au cours moyen deuxième année
Attestation de maîtrise des connaissances et compétences au cours moyen deuxième année PALIER 2 CM2 La maîtrise de la langue française DIRE S'exprimer à l'oral comme à l'écrit dans un vocabulaire approprié
Plus en détailConception systematique d'algorithmes de detection de pannes dans les systemes dynamiques Michele Basseville, Irisa/Cnrs, Campus de Beaulieu, 35042 Rennes Cedex, bassevilleirisa.fr. 1 Publications. Exemples
Plus en détailENOVIA 3DLive. IBM PLM Solutions 1 er Octobre 2007. Philippe Georgelin Sébastien Veret
ENOVIA 3DLive IBM PLM Solutions 1 er Octobre 2007 Philippe Georgelin Sébastien Veret La définition : Le Product Lifecycle Management est un ensemble de solutions qui permettent à une entreprise manufacturière
Plus en détailCONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE. Information importante : Ces conseils ne sont pas exhaustifs!
CONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE Information importante : Ces conseils ne sont pas exhaustifs! Conseils généraux : Entre 25 et 60 pages (hormis références, annexes, résumé) Format d un
Plus en détailDÉLÉGATION DES COMPÉTITIONS EN INFORMATIQUE DE L ÉTS PLAN DE PARTENARIAT
DÉLÉGATION DES COMPÉTITIONS EN INFORMATIQUE DE L ÉTS PLAN DE PARTENARIAT 2015 LA DÉLÉGATION DES COMPÉTITIONS EN INFORMATIQUE La délégation des compétitions en informatique regroupe, chaque année, les étudiants
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détailBIG DATA : GESTION ET ANALYSE DES DONNÉES MASSIVES (BGD) Mastère Spécialisé. Appréhendez les challenges économiques et juridiques du Big Data
Mastère Spécialisé BIG DATA : GESTION ET ANALYSE DES DONNÉES MASSIVES (BGD) Rejoignez le secteur le plus stratégique de l économie numérique Appréhendez les challenges économiques et juridiques du Mesurez
Plus en détailAUX ÉTUDIANTS INTERNATIONAUX
BIENVENUE AUX ÉTUDIANTS INTERNATIONAUX cegepat.qc.ca Photos : Hugo Lacroix,, Mathieu Dupuis, Fanny Chapelle, Cégep AT. NOS PROGRAMMES TECHNIQUES Technologie forestière Technologie du génie civil Technologie
Plus en détailM06/5/COMSC/SP1/FRE/TZ0/XX INFORMATIQUE NIVEAU MOYEN ÉPREUVE 1. Mardi 2 mai 2006 (après-midi) 1 heure 30 minutes INSTRUCTIONS DESTINÉES AUX CANDIDATS
IB INFORMATIQUE NIVEAU MOYEN ÉPREUVE 1 DIPLOMA PROGRAMME PROGRAMME DU DIPLÔME DU BI PROGRAMA DEL DIPLOMA DEL BI M06/5/COMSC/SP1/FRE/TZ0/XX 22067017 Mardi 2 mai 2006 (après-midi) 1 heure 30 minutes INSTRUCTIONS
Plus en détailJuly 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15
Mastère Spécialisé Big Data Stéphan Clémençon Télécom ParisTech July 1, 2013 Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15 Agenda Contexte et Opportunité Les grandes lignes
Plus en détailLA CONFIANCE CrytalSanté 0627478215 crystalsante@live.fr http://www.happy-newjob.com
LA CONFIANCE C est un sujet sur lequel nous ne pouvons pas passer à côté. Je dirai même c est une Étape Clef à votre Réussite. Réussite dans votre vie en général perso comme pro! Il est encore beaucoup
Plus en détailindustrielle Institut national de la propriété Protections des innovations de logiciels Stéphanie LEPARMENTIER
Institut national de la propriété Protections des innovations de logiciels Stéphanie LEPARMENTIER INPI, Département des Brevets, service Electronique Appliquée - Informatique industrielle SOMMAIRE 1. Introduction
Plus en détailDUNSKY EXPERTISE EN ÉNERGIE
DUNSKY EXPERTISE EN ÉNERGIE «UNE ÉNERGIE POUR L AVENIR» Janvier 2014 www.dunsky.ca (514) (514) 504-9030 info@dunsky.ca www.dunsky.ca SURVOL DUNSKY CLIENTÈLE (exemples parmi >100) EXPERTISE Efficacité énergétique
Plus en détailInformatique et sciences du numérique
Informatique et sciences du numérique Philippe Marquet Colloque IREM, Lyon 25 mai 2013 Informatique et sciences du numérique Septembre 2012 : ISN, spécialité en classe de terminale S Pourquoi introduire
Plus en détailBenchmark Accès Internet
Benchmark Accès Internet Préambule La qualité mesurée des performances des fournisseurs d'accès haut débit réalisée par Witbe ne vaut naturellement que pour la période de temps concernée et ne présage
Plus en détailBig data et données géospatiales : Enjeux et défis pour la géomatique. Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique
Big data et données géospatiales : Enjeux et défis pour la géomatique Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique Événement 25e anniversaire du CRG Université Laval, Qc, Canada 08 mai
Plus en détailBigdata et Web sémantique. les données + l intelligence= la solution
Bigdata et Web sémantique les données + l intelligence= la solution 131214 1 big data et Web sémantique deux notions bien différentes et pourtant... (sable et silicium). «bigdata» ce n est pas que des
Plus en détailEnregistrement et transformation du son. S. Natkin Novembre 2001
Enregistrement et transformation du son S. Natkin Novembre 2001 1 Éléments d acoustique 2 Dynamique de la puissance sonore 3 Acoustique géométrique: effets de diffusion et de diffraction des ondes sonores
Plus en détailSEO On-page. Avez-vous mis toutes les chances de votre côté pour le référencement de votre site?
SEO On-page Avez-vous mis toutes les chances de votre côté pour le référencement de votre site? I. Introduction... p.2 II. Optimisation on-page vs off-page... p.3 III. Les éléments importants de vos pages...
Plus en détailDailymotion: La performance dans le cloud
Dailymotion: La performance dans le cloud CRiP Thématique Services IT dans le Cloud 06/11/14 Dailymotion en quelques chiffres? 130 millions visiteurs uniques par mois 3 milliards de vidéos vues par mois
Plus en détailMinistère des Affaires étrangères et européennes
Ministère des Affaires étrangères et européennes Direction de la coopération culturelle et du français Regards VI, DVD 1 Culture Réalisation Isabelle Barrière, Thomas Sorin (CAVILAM) Rédaction Thomas Sorin
Plus en détail5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com
Application des réseaux de neurones au plan de répartition des risques 5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Copyright c
Plus en détailProgressons vers l internet de demain
Progreon ver l internet de demain COMPRENDRE LA NOTION DE DÉBIT La plupart de opérateur ADSL communiquent ur le débit de leur offre : "512 Kb/", "1 Méga", "2 Méga", "8 Méga". À quoi ce chiffre correpondent-il?
Plus en détailGREENTIC. Multimédia et TIC au service du développement durable
GREENTIC Multimédia et TIC au service du développement durable 1 GREENTIC: Synthèse L appel à propositions vise à cofinancer, dans le domaine des TIC et du Multimédia au service du développement durable,
Plus en détailTout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce
Tout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce «profil» S orienter (éventuellement se réorienter) dans
Plus en détailDéfi SSQ Groupe financier
Défi SSQ Groupe financier 16 janvier 2015 Gestion actif-passif : optimisation d une position d appariement Table des matières Présentation SSQ Groupe financier Vice-présidence Placements Problématique
Plus en détailDocumentation utilisateur. [EIP] TransLSF
Documentation utilisateur [EIP] TransLSF Henri HARDILLIER - Thomas MOREL - Florian JOUSSEAU Alexis MONNIER - Keo KHEMARA - Leo MARTIN Stéphane RICARDO Résumé Ce document présente la documentation destinée
Plus en détailGUIDE Excel (version débutante) Version 2013
Table des matières GUIDE Excel (version débutante) Version 2013 1. Créer un nouveau document Excel... 3 2. Modifier un document Excel... 3 3. La fenêtre Excel... 4 4. Les rubans... 4 5. Saisir du texte
Plus en détailCopyright / 2014 Éditions Stratégies et développement Siège Social 20 Rue du Béguinage 59154 Crespin
A Lire : Très Important Cet E-book ne peut être utilisé que pour un usage privé uniquement. Vous n avez pas le droit de l offrir ni de le revendre sans accord de l auteur. Toutes reproductions, partielles
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 détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
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 détailGuide de configuration d'une classe
Guide de configuration d'une clae Viion ME Guide de configuration d'une clae Contenu 1. Introduction...2 2. Ajouter de cour...4 3. Ajouter de reource à une leçon...5 4. Meilleure pratique...7 4.1. Organier
Plus en détailFouillez facilement dans votre système Big Data. Olivier TAVARD
Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche
Plus en détailTABLE DES MATIERES MENTIONS LEGALES INTRODUCTION CHAPITRE 1 : INSTALLATION DE L ALGORITHME CHAPITRE 2 : EXECUTION & OPTIMISATION DU BACKTEST
TABLE DES MATIERES MENTIONS LEGALES INTRODUCTION CHAPITRE 1 : INSTALLATION DE L ALGORITHME CHAPITRE 2 : EXECUTION & OPTIMISATION DU BACKTEST CHAPITRE 3 : UTILISATION DE L ALGORITHME CONCLUSION MENTIONS
Plus en détailIntroduction à MapReduce/Hadoop et Spark
1 / 36 Introduction à MapReduce/Hadoop et Spark Certificat Big Data Ludovic Denoyer et Sylvain Lamprier UPMC Plan 2 / 36 Contexte 3 / 36 Contexte 4 / 36 Data driven science: le 4e paradigme (Jim Gray -
Plus en détailLE MARKETING DIRECT, SUPPORT DU MARKETING CLIENT
11 CHAPITRE PREMIER LE MARKETING DIRECT, SUPPORT DU MARKETING CLIENT En moins d un siècle, le marketing direct a profondément évolué. Passant de la commande traditionnelle par courrier à la multiplication
Plus en détailSFR utilise la version JBoss EAP de Red Hat
SFR utilise la version JBoss EAP de Red Hat Mercredi 30 Septembre 2011 Karim Ben Mustapha SFR Atelier BNP Paribas Présentation de SFR Contexte et objectifs Pourquoi avoir choisi JBoss EAP? Pour quels gains
Plus en détailA1 Parler avec quelqu un Je peux dire qui je suis, où je suis né(e), où j habite et demander le même type d informations à quelqu un. Je peux dire ce que je fais, comment je vais et demander à quelqu un
Plus en détailUne Démarche pour la sélection d outils de cartographie des processus métiers
Une Démarche pour la sélection d outils de cartographie des processus métiers Résumé El Haddadi Anass, Atahran Ahmed, Ebobissé Yves, B. Bounabat anass.elhaddadi@gmail.com, atahran.ahmed@gmail.com, ebobisseyves@yahoo.fr,
Plus en détailCours de Licence 2 - ICL 2A 01 c : Notions de base en sciences de l'information et de la communication adaptées au contexte interculturel
Cours de Licence 2 - ICL 2A 01 c : Notions de base en sciences de l'information et de la communication adaptées au contexte interculturel Dossier de travail Auteurs : Jennifer Houriez Carolanne Saunier
Plus en détailTENDANCES CLÉS DU MARCHÉ JURIDIQUE
PERSPECTIVE COMPLÉMENTAIRE TENDANCES CLÉS DU MARCHÉ JURIDIQUE Professeur Richard Susskind OBE Septembre 2012 Richard Susskind, 2012 L Association du Barreau canadien 865, avenue Carling, bureau 500 Ottawa
Plus en détailIndications pour une progression au CM1 et au CM2
Indications pour une progression au CM1 et au CM2 Objectif 1 Construire et utiliser de nouveaux nombres, plus précis que les entiers naturels pour mesurer les grandeurs continues. Introduction : Découvrir
Plus en détailIntelligence précoce
Les données de procédé constituent une mine d informations très utiles pour l entreprise Geoff Artley Le secteur du raffinage est aujourd hui soumis à forte pression financière : amputation des marges,
Plus en détailCours d électricité. Circuits électriques en courant constant. Mathieu Bardoux. 1 re année
Cours d électricité Circuits électriques en courant constant Mathieu Bardoux mathieu.bardoux@univ-littoral.fr IUT Saint-Omer / Dunkerque Département Génie Thermique et Énergie 1 re année Objectifs du chapitre
Plus en détailWIPO Training of trainers Program on Effective Intellectual Property Asset Management by Small and Medium-Sized Enterprises (SMEs)
Creative Expression Benefiting From Your Copyright and Using the Copyright Works of Others in Your Business Edouard Treppoz, Professeur à l Université Jean Moulin Lyon 3 WIPO Training of trainers Program
Plus en détailDavid BEDOUET, WebSchool Orleans. Cosmina TRIFAN, WebSchool Orleans
David BEDOUET, WebSchool Orleans Cosmina TRIFAN, WebSchool Orleans INTRODUCTION LE REFERENCEMENT NATUREL (SEO) La stratégie du referencement naturel L optimisation On page L optimisation Off Page LE REFERENCEMENT
Plus en détailFormation tableur niveau 1 (Excel 2013)
Formation tableur niveau 1 (Excel 2013) L objectif général de cette formation est de repérer les différents éléments de la fenêtre Excel, de réaliser et de mettre en forme un tableau simple en utilisant
Plus en détailVision prospective et obstacles à surmonter pour les assureurs
smart solutions for smart leaders Le «Big Data» assurément Rédigé par Pascal STERN Architecte d Entreprise Vision prospective et obstacles à surmonter pour les assureurs Un avis rendu par la cour de justice
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailQuestionnaire pour connaître ton profil de perception sensorielle Visuelle / Auditive / Kinesthésique
Questionnaire pour connaître ton profil de perception sensorielle Visuelle / Auditive / Kinesthésique BUT : Découvrir ton profil préférentiel «Visuel / Auditif / Kinesthésique» et tu trouveras des trucs
Plus en détailRecherche d information textuelle
Recherche d information textuelle Recherche Web B. Piwowarski CNRS / LIP6 Université Paris 6 benjamin@bpiwowar.net http://www.bpiwowar.net Master IP - 2014-15 Cours et travaux pratiques basés sur les documents
Plus en détailDocForum 18 Juin 2015. Réussites d un projet Big Data Les incontournables
DocForum 18 Juin 2015 Réussites d un projet Big Data Les incontournables Vos interlocuteurs Mick LEVY Directeur Innovation Business mick.levy@businessdecision.com 06.50.87.13.26 @mick_levy 2 Business &
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 détailBIG DATA ET MARKETING
BIG DATA ET MARKETING SPIKLY / LA NOUVELLE REPUBLIQUE Agence Conseil en stratégie digitale 20/06/2013 1 1. PRÉSENTATION 20/06/2013 2 Keyrus - All rights reserved PRÉSENTATION DE KEYRUS Présentation générale
Plus en détailLe logiciel EduAnatomist.
Le logiciel EduAnatomist. Les travaux de l équipe ACCES (Actualisation Continue des Connaissances des Enseignants en Sciences) de l INRP restent, hélas, largement méconnus des enseignants de SVT. Pourtant,
Plus en détailBig Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014
Big Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014 1 Classiquement, le Big Data se définit autour des 3 V : Volume, Variété et
Plus en détailFRENCH 3900- Language (Advanced Level III)
Professeur : Ivan Chow (ichow3@uwo.ca) Consultation : Par rendez-vous enligne ou par courriel Description générale du cours : FRENCH 3900- Language (Advanced Level III) grammaticale fournie dans & al.
Plus en détail