Fondements de l Apprentissage Automatique
|
|
- Rachel Métivier
- il y a 7 ans
- Total affichages :
Transcription
1 Fondements de l Apprentissage Automatique Réduction de la dimensionalité hadrien.glaude@univ-lille1.fr Université Lille 1 - CRIStAL (SequeL) - Thales Systèmes Aéroportés Master 1 Info 1/28
2
3 Réduction de la dimensionalité Objectif : résumer l information apportée par un grand nombre de variables par un nombre restreint de nouvelles variables. A quoi ça sert? Représentation visuelle des données. Produit un nuages de points interprétable par l homme. Compression de données. L information la moins pertinente est supprimée. Prétraitement pour l apprentissage supervisé. Simplifie, réduit, et nettoie les données. En apprentissage automatique, aide à généraliser en diminuant le risque de sur-apprentissage, diminue le temps d apprentissage. 2/28
4 Réduction de la dimensionalité Deux branches Sélection d attributs Parmi les variables qui décrivent les individus quelles sont les plus utiles à la tâches? Ex : le prix d un logement ne dépend pas beaucoup de la couleur des murs, mais plutôt de la surface. Le boosting permet sélectionner des attributs quand les classifieurs faibles ne tiennent compte que d un attribut. Extraction d attributs Comment combiner des attributs pour en créer un nouveau sans perdre de l information? Ex : pour prédire le prix d un logement, le nombre de séjours, salons, chambres, bureaux, etc, peut se résumer par le nombre de piècse. Sert aussi à supprimer les attributs redondants (corrélés) comme la surface et le nombre de pièces. 3/28
5 Réduction de la dimensionalité Programme d aujourd hui En cours, En TP, d, des matrices à la diagonalisation composante principale : une technique de réduction de la dimensionnalité Un classifieur très simple : les k plus (k-nn) de Détection de visage (AdaBoost) Reconnaissance de visage (ACP et k-nn) 4/28
6
7 Matrices et vecteurs Définitions Une matrice A est un tableau de réels de dimensions finies : ( ) A = (np.array([[0, 3.3, 7], [-2, 4, 9.1]])) A est de taille m n si elle est composée de m vecteurs lignes n vecteurs colonnes Les nombres du tableau sont appelés coefficients de A Le coefficient à la i-ème ligne et j-ième colonne est noté a ij. On note A = (a ij ). Une matrice est carrée si n = m La matrice carrée avec des 1 sur la diagonale et des 0 ailleurs est notée I. On l appelle l identité. (np.eye) La matrice nulle est noté 0 (np.zeros) 5/28
8 Matrices et vecteurs Addition et multiplication Addition (A + B) taille 2 2 ( ) ( ) ( ) a b α β a + α b + β + = c d γ δ c + γ d + δ Multiplication (A.dot(B)) taille 2 2 ( ) ( ) ( a b α β aα + bγ aβ + bδ = c d γ δ cα + dγ cβ + dδ... détails au tableau... ) 6/28
9 Matrices et vecteurs Quelques règles Pour la suite A, B et C sont des matrices de même taille, α et β sont des réels. Pour l addition : A + B = B + A A + (B + C) = (A + B) + C A + 0 = A (α + β)a = αa + βb α(a + B) = αa + αb 7/28
10 Matrices et vecteurs Quelques règles (suite) Pour la multiplication : A(BC) = (AB)C A(B + C) = AB + AC et (B + C)A = BA + CA A0 = 0 et 0A = 0 IA = A et AI = A ATTENTION : en général AB BA 8/28
11 Matrices et vecteurs Inverse Une matrice carrée A est inversible (np.linalg.inv) si il existe une matrice B de même taille tel que, AB = I et BA = I Dans ce cas B est unique. C est l inverse de A. On note B = A 1 A est aussi l inverse de B.... cas des matrices diagonales au tableau... Il existe des matrices qui ne sont pas inversible. Exemple : 0 Si A et B sont inversible, AB est inversible et (AB) 1 = B 1 A 1 9/28
12 Matrices et vecteurs Transposition et matrice symétrique La transposée (A.T) d une matrice A de taille m n est une matrice de taille n m noté A, où l on a inversé les lignes et les colonnes : a b A = (a ij ) = c d d e A = (a ji ) = ( a c d b d e Une matrice carrée est symétrique ssi A = A Une matrice est orthogonale si AA = A A = I, dans ce cas A = A 1 ) 10/28
13 Matrices et vecteurs Vecteurs, valeurs propres et diagonalisation Un vecteur non nul x est un vecteur propre de A si Ax = λx λ est la valeur propre associé à x. (np.linalg.eig) Une matrice carrée est diagonalisable si elle peut s écrire A = PDP 1 avec P inversible et D diagonale. Dans ce cas P est une matrice contenant des vecteurs propres (en colonnes) et D contient les valeurs propres associé sur sa diagonale. 11/28
14 Matrices et vecteurs Diagonalisation (suite) ATTENTION : toutes les matrices ne sont pas diagonalisables. Théorème (Théorème spectral pour les matrices réels) Soit A une matrice symétrique réelle, alors il existe une matrice P orthogonale et une matrice D diagonale dont tous les coefficients sont réels et positifs, telles que A = PDP 1 = PDP. 12/28
15
16 Objectif Soit un tableau X de n individus caractérisés par p attributs : x ij est la valeur du ième attribut sur le j-ieme individu. On veut déterminer de nouveaux attributs ˆx ij décrivant les individus en perdant le moins possible d information déterminer un tableau ˆX de taille n q avec q < p. Technique : chaque nouvel attribut est une combinaison s anciens : ˆx ij = p k=1 u ikx kj. Notation matricielle ˆx ij = u i x :j, ˆx :j = Ux :j avec U matrice dont la i-ème ligne vaut u i Technique : projeter le nuage de points sur un espace de dimension q de façon à conserver le maximum de variance dans les données. 13/28
17 Moyenne, variance, covariance Un individu x :j est un échantillon d un vecteur aléatoire X. On note x i: = 1 n p j=1 x ij l estimateur empirique de la moyenne du i-ième attribut. Notation matricielle : X = (x ij x i: ) ij On note var(x i: ) = 1 n p j=1 (x ij x i: ) 2 l estimateur empirique de la variance du i-ième attribut. Notation matricielle : var(x i: ) = (x i: x i: )(x i: x i: ) On note cov(x i:, x k: ) = 1 n p j=1 (x ij x i: )(x kj x k: ) l estimateur empirique de la covariance entre le i-ième et le k-ième attribut. Notation matricielle : cov(x i:, x k: ) = (x i: x i: )(x k: x k: ), matrice de covariance C = (cov(x i:, x k: )) ik = (X X )(X X ) Deux variables sont fortement corrélés lorsqu elles varient ensemble. Cela implique une certaine redondance dans les données. 14/28
18 Illustration 15/28
19 Dérivation On cherche une base orthonormé U = (u 1,..., u q ) tel que les individus projetés ˆx :j U IR q conservent une variance maximale. On procède variables par variables. On centre les données X = X X. Soit u 1 X le vecteur ligne des valeurs pour chaque individu du premier nouvel attribut. La variance du premier attribut vaut u 1 X X u 1 = u 1 Cu 1, avec C la matrice de covariance de X On résout donc, u 1 = arg max u = u Cu tel que u u = 1 On écrit le Lagrangien, L(u, λ) = u Cu λ(u u 1) 16/28
20 Dérivation (suite) On dérive L par rapport à u et on égalise à zéro Cu = λu (u, λ) est donc un couple vecteur propre, valeur propre de C On remplace dans l objectif u 1 = arg max u = arg max u u Cu = arg max u λ u u u = arg max λ u u Conclusion : u 1 est le vecteur propre associé à la valeur propre maximale de C. On recommence avec la seconde composante 17/28
21 Dérivation (suite 2) Pour trouver u 2, on rajoute la contrainte d orthogonalité à u 1, L(λ, u, µ) = u Cu λ(u u 1) µu u 1 On dérive L par rapport à u et on égalise à zéro On multiplie par u 1 2Cu 2λu µu 1 = 0 µ = 2u 1 Cu 2λu 1 u = 0 car u 1 est un vecteur propre de C et est orthogonale à u On retrouve que Cu = λu De même (u, λ) est donc un couple vecteur propre, valeur propre de C En remplaçant dans l objectif, on trouve que u 2 est le vecteur propre associé à la seconde valeur propre maximale de C. 18/28
22 Algorithme Algorithme : Note : Les observations peuvent être transformées en données centrées et réduites par transformation (soustraction de la moyenne et division par l écart-type). Cette opération est importante si les ordres de grandeur des variables sont très différents. Par calcul de la matrice de covariance des données, on retrouve les axes principaux. On garde les q premiers (associées aux plus grandes valeurs propres). On peut pondérer les individus en fonction de leur importance. En pratique, on peut se passer de calculer la matrice de covariance en utilisant la décomposition en valeurs singulières (plus rapide). 19/28
23 Propriétés ˆX est centrée La variance de la i-ième composante principale vaut λ i var(ˆx i: ) = j = u i ( j (ˆx ij ) 2 = j (x :j u i ) 2 = j x :j x :j )u i = u i Cu i = λ i On dit que le i-ème attribut explique 100λ i k λ k variance. Les sont décorélées cor(ˆx i:, ˆx k: ) = j ˆx ij ˆx kj = j u i x :j x :j u i % de la u i x :j x: j u k = u i Cu k = λ k u i u k = 0 On peut montrer que U est la projection qui converse le mieux les distances entre pairs d individus. 20/28
24 21/28
25 22/28
26 23/28
27 24/28
28
29 Un algorithme de classification simple Algorithme de classification instance-based : Étant donné un ensemble d individus étiquetés, la classe d un nouvel individu est la classe majoritaire parmi ces k plus. La distance peut être quelconque. En pratique marche bien après une ACP, en utilisant la distance euclidienne. Le paramètre k est appris par cross-validation. 25/28
30
31 Décomposition de la variance Idée : utiliser les étiquettes des individus pour trouver un espace de faible dimension q dans le quel on peut bien discriminer les classes. Soit n individus, répartis en k classes de n k individus chacune. On note : g 1,..., g k leurs moyennes et g la moyenne de tous les individus, C 1,..., C k leurs matrices de covariance et C la matrice de covariance de tous les individus, B = n k k n (g k g)(g k g) la matrice de covariance inter-classes (=covariance des moyennes), W = k (=moyenne des covariances) n k n C k la matrice de covariance intra-classes 26/28
32 Résolution On cherche à projeter sur une base orthonormé tel que : la variance inter-classe soit maximale, la variance intra-classe soit minimale. On cherche, u 1 = arg max u u Bu u W u On montre que u 1 est le vecteur propre maximal de W 1 B. 27/28
33 Démonstration On pose W 1/2 z = u, possible car W est définie positive Par symétrie de W, le problème est équivalent à : z 1 = arg max z z W 1/2 BW 1/2 z z z z 1 = arg max z W 1/2 BW 1/2 z tel que z z = 1 z Comme pour l ACP z 1 est le vecteur propre maximal de W 1/2 BW 1/2. W 1/2 BW 1/2 z 1 = λ 1 z 1 On multiplie à gauche par W 1/2, W 1 BW 1/2 z 1 = λ 1 W 1/2 z 1 Or W 1/2 z 1 = u 1, donc W 1 Bu 1 = λ 1 u 1 Finalement, u 1 est le vecteur propre maximal de W 1 B. 28/28
34 6 Travaux dirigés
35 Travaux dirigés I Énoncé 1 Pour les rapports utiliser le Notebook de IPython. 2 Télécharger la Extended Yale Face Database B, ou la créer en utilisant ses photos Facebook avec les tags (voir script pour utiliser l api Facebook). Dans la base de donnée, prendre les images originales. 3 Utiliser Adaboost de OpenCV (voir ici) pour détecter les visages dans les images, puis extraire le visage de l image. Le fichier XML contenant les paramètres du classifieur Adaboost se trouve dans les sources de OpenCV. 4 Entrainer un classifieur utilisant les plus sur les visages extraits et projeté sur un espace de faible dimension. Projeter les visages sur un espace de faible dimension en utilisant l analyse en composante principale OU l analyse discriminante de. Argumenter le choix du nombre de. Travaux dirigés 1/4
36 Travaux dirigés II Énoncé Visualiser la moyenne des visages et les premiers visages propres. Appliquer les k plus : argumenter le choix de k et estimer l erreur de généralisation. En général, il n y a pas une seule bonne solution, mais plusieurs ap possibles. Vous n êtes pas contraint de suivre l énoncé pas à pas tant que au final vous proposez une solution complète au problème de détection et reconnaissance de visages. Face aux problèmes que vous pourriez rencontrer et que je n ai pas mentionnés, j attends une démarche autonome et argumentée. Travaux dirigés 2/4
37 Travaux dirigés Vecteurs propres en grandes dimensions La matrice de covariance C = X X des visages risque d être de grandes dimensions. Par exemple, pour des images , C sera de taille Vous allez rencontrer des problèmes de mémoire et de temps de calcul pour les vecteurs propres. Il existe alors plusieurs solutions : 1 Réduire la taille des images en entrée. 2 Si le nombre d individus N (ici de visages) est faible. Calculer les vecteurs propres de C = X X de taille N N. Remarquer que si C v i = λ i v i alors X C v i = λ i X vi, et donc C( X v i ) = λ i ( X v i ). Ainsi u i = X v i est un vecteur propre associé à λ i de C. 3 Utiliser la décomposition en valeurs singulières de X. Travaux dirigés 3/4
38 Décomposition en valeurs singulières Relation avec les vecteurs propres Toute matrice X admet une décomposition en valeurs singulières, X = USV, où U, V sont formés de vecteurs colonnes orthonormés et S est une matrice diagonale. En écrivant X X = VS U USV = VS 2 V et XX = USV VS U = US 2 U, on remarque que : U contient les vecteurs propres de XX V contient les vecteurs propres de X X X X et XX ont les mêmes valeurs propres S 2 qui sont les carrés des valeurs singulières de X. Travaux dirigés 4/4
Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailGéométrie dans l espace Produit scalaire et équations
Chapitre 11. 2ème partie Géométrie dans l espace Produit scalaire et équations Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES 2ème partie Produit scalaire Produit scalaire
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détail1 radian. De même, la longueur d un arc de cercle de rayon R et dont l angle au centre a pour mesure α radians est α R. R AB =R.
Angles orientés Trigonométrie I. Préliminaires. Le radian Définition B R AB =R C O radian R A Soit C un cercle de centre O. Dire que l angle géométrique AOB a pour mesure radian signifie que la longueur
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
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 détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailRappels et compléments, première partie : Nombres complexes et applications à la géométrie
Rappels et compléments, première partie : Nombres complexes et applications à la géométrie 1 Définition des nombres complexes On définit sur les couples de réels une loi d addition comme suit : (x; y)
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
Plus en détailThéorie des Langages
Théorie des Langages Analyse syntaxique descendante Claude Moulin Université de Technologie de Compiègne Printemps 2010 Sommaire 1 Principe 2 Premiers 3 Suivants 4 Analyse 5 Grammaire LL(1) Exemple : Grammaire
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailMATLAB : COMMANDES DE BASE. Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */.
Page 1 de 9 MATLAB : COMMANDES DE BASE Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */. Aide help, help nom_de_commande Fenêtre de travail (Command Window) Ligne
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
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 détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailJournées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015
et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L
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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailMathématiques appliquées à l'économie et à la Gestion
Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle
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 détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailAlgorithmique et Programmation Fonctionnelle
Algorithmique et Programmation Fonctionnelle RICM3 Cours 9 : Lambda-calcul Benjamin Wack Polytech 2014-2015 1 / 35 La dernière fois Typage Polymorphisme Inférence de type 2 / 35 Plan Contexte λ-termes
Plus en détailReprésentation d un entier en base b
Représentation d un entier en base b 13 octobre 2012 1 Prérequis Les bases de la programmation en langage sont supposées avoir été travaillées L écriture en base b d un entier est ainsi défini à partir
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 30 avril 2015 Enoncés 1
[http://mpcpgedupuydelomefr] édité le 3 avril 215 Enoncés 1 Exercice 1 [ 265 ] [correction] On note V l ensemble des matrices à coefficients entiers du type a b c d d a b c c d a b b c d a et G l ensemble
Plus en détail1S Modèles de rédaction Enoncés
Par l équipe des professeurs de 1S du lycée Parc de Vilgénis 1S Modèles de rédaction Enoncés Produit scalaire & Corrigés Exercice 1 : définition du produit scalaire Soit ABC un triangle tel que AB, AC
Plus en détailAngles orientés et trigonométrie
Chapitre Angles orientés et trigonométrie Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Trigonométrie Cercle trigonométrique. Radian. Mesure d un angle orienté, mesure principale.
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
Plus en détailTS 35 Numériser. Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S
FICHE Fiche à destination des enseignants TS 35 Numériser Type d'activité Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S Compétences
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailAlgèbre binaire et Circuits logiques (2007-2008)
Université Mohammed V Faculté des Sciences Département de Mathématiques et Informatique Filière : SMI Algèbre binaire et Circuits logiques (27-28) Prof. Abdelhakim El Imrani Plan. Algèbre de Boole 2. Circuits
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 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
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 détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailLE PRODUIT SCALAIRE ( En première S )
LE PRODUIT SCALAIRE ( En première S ) Dernière mise à jour : Jeudi 4 Janvier 007 Vincent OBATON, Enseignant au lycée Stendhal de Grenoble ( Année 006-007 ) 1 Table des matières 1 Grille d autoévaluation
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
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 détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailCours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours.
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détailSeconde Généralités sur les fonctions Exercices. Notion de fonction.
Seconde Généralités sur les fonctions Exercices Notion de fonction. Exercice. Une fonction définie par une formule. On considère la fonction f définie sur R par = x + x. a) Calculer les images de, 0 et
Plus en détailBACCALAURÉAT PROFESSIONNEL ÉPREUVE DE MATHEMATIQUES. EXEMPLE DE SUJET n 2
Exemple de sujet n 2 Page 1/7 BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE MATHEMATIQUES EXEMPLE DE SUJET n 2 Ce document comprend : Pour l examinateur : - une fiche descriptive du sujet page 2/7 - une fiche
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en 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 détailCORRIGE LES NOMBRES DECIMAUX RELATIFS. «Réfléchir avant d agir!»
Corrigé Cours de Mr JULES v3.3 Classe de Quatrième Contrat 1 Page 1 sur 13 CORRIGE LES NOMBRES DECIMAUX RELATIFS. «Réfléchir avant d agir!» «Correction en rouge et italique.» I. Les nombres décimaux relatifs.
Plus en détailManuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2
éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........
Plus en détailDéterminants. Marc SAGE 9 août 2008. 2 Inverses et polynômes 3
Déterminants Marc SAGE 9 août 28 Table des matières Quid des formes n-linéaires alternées? 2 2 Inverses et polynômes 3 3 Formule de Miller pour calculer un déterminant (ou comment illustrer une idée géniale)
Plus en détailLe théorème de Thalès et sa réciproque
Le théorème de Thalès et sa réciproque I) Agrandissement et Réduction d une figure 1) Définition : Lorsque toutes les longueurs d une figure F sont multipliées par un même nombre k on obtient une autre
Plus en détailInitiation à la programmation en Python
I-Conventions Initiation à la programmation en Python Nom : Prénom : Une commande Python sera écrite en caractère gras. Exemples : print 'Bonjour' max=input("nombre maximum autorisé :") Le résultat de
Plus en détailI- Définitions des signaux.
101011011100 010110101010 101110101101 100101010101 Du compact-disc, au DVD, en passant par l appareil photo numérique, le scanner, et télévision numérique, le numérique a fait une entrée progressive mais
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailAnalyses multivariées avec R Commander (via le package FactoMineR) Qu est ce que R? Introduction à R Qu est ce que R?
Analyses multivariées avec R Commander Analyses multivariées avec R Commander (via le package FactoMineR) Plate-forme de Support en Méthodologie et Calcul Statistique (SMCS) - UCL 1 Introduction à R 2
Plus en détailCompter à Babylone. L écriture des nombres
Compter à Babylone d après l article de Christine Proust «Le calcul sexagésimal en Mésopotamie : enseignement dans les écoles de scribes» disponible sur http://www.dma.ens.fr/culturemath/ Les mathématiciens
Plus en détail