UMR Fouille de Données. Pierre Gançarski.
|
|
- Arthur Éthier
- il y a 8 ans
- Total affichages :
Transcription
1 UMR 7005 Fuille de Dnnées Pierre Gançarski
2 Questins Est-ce une bnne idée que de faire de la publicité pur des grupes de rap dans des magazines du trisième âge? Est-ce que vus saviez que les cmpagnies de cartes de crédit peuvent suspecter un vl de carte, même si le prpriétaire de la carte n est pas encre au curant? Est-ce que vus savez purqui les entreprises liées à la burse spnsrisent les turnis de glf télévisés? Intrductin KDD 2
3 Purqui? Purqui l etractin de cnnaissances? Nécessité écnmique e-cmmerce Haut degré de cncurrence Persnnalisatin, fidélisatin de la clientèle, market segmentatin Dispnibilité crissante de quantité énrme de dnnées : La technlgie est dispnible pur aider à cllecter les dnnées : cde barre, scanners, satellites, lgs des serveurs, etc. dispnible (et bn marché) pur aider à stcker : base de dnnées, data warehuses, biblithèques numériques, www Dnnées sur les clients Numérisatin de tetes, images, vidé, vi, etc. Wrld Wide Web et catalgue en ligne Intrductin KDD 3
4 Purqui? Dnnées en trp grandes quantités pur être traitées manuellement u par des algrithmes classiques : Nmbre d enregistrements en millins u milliards Dnnée de grande dimensin suvent trp clairsemée Surces de dnnées hétérgènes Utilisateur est gavé de dnnées mais en manque de cnnaissances The greatest prblem f tday is hw t teach peple t ignre the irrelevant, hw t refuse t knw things, befre they are suffcated. Fr t many facts are as bad as nne at all. (W.H. Auden) De qui a-t-n besin? Etraire des cnnaissances intéressantes et utiles à partir des dnnées : Règles, régularités, irrégularités, mtifs, cntraintes Intrductin KDD 4
5 Etractin de Cnnaissances à partir de Dnnées ECD : Etractin d infrmatins riginales (nn triviales) implicites, incnnues auparavant et ptentiellement utiles à partir de grandes bases de dnnées : Nn triviale : sinn la cnnaissance n est pas utile Implicite : la cnnaissance cachée est difficile à bserver Incnnue jusqu alrs : évident! Ptentiellement utile : utilisable, cmpréhensible ECD : ensemble du prcessus de décuvertes et d interprétatin de régularités dans des dnnées Autres appellatins : Knwledge Discvery in Databases (KDD) Knwledge etractin Data/pattern analysis Intrductin KDD 5
6 Le prcessus général de décuverte de cnnaissances dans les dnnées 1. Pser le prblème 2. Recherche des dnnées 3. Nettyage des dnnées 4. Cdage des dnnées, actins sur les variables 5. Recherche d un mdèle, de cnnaissances, 6. Validatin et interprétatin du résultat, avec retur pssible sur les étapes précédentes 7. Intégratin des cnnaissances apprises Intrductin KDD 6
7 Le prcessus général de décuverte de cnnaissances dans les dnnées Dnnées Nettyage, Sélectin, Cdage Mdèles FDD Cnnaissances Validatin Acquisitin Intrductin KDD 7
8 ECD - Préparatin des dnnées Dnnées eistantes u à cnstituer Fichiers : infrmatin cntenue dans un u plusieurs fichiers indépendants BD relatinnelles : infrmatin cntenue dans plusieurs fichiers unis par une clé cmmune Base de dnnées Transactinnelles Nettyage : dublns, erreurs de saisie, valeurs aberrantes, infrmatins manquantes (ignrer l bservatin, valeur myenne (!!), valeur myenne sur la classe, régressin ) Intrductin KDD 8
9 ECD - Préparatin des dnnées Data Warehuses : entrepôt de dnnées cllectées de surces multiples suvent hétérgènes Les dnnées snt enregistrées, nettyées, transfrmées et intégrées Habituellement mdélisé par une structure de dnnée multidimensinnelles (cube) :. Les dnnées snt structurées suivant plusieurs aes d'analyses (dimensins du cube) cmme le temps, la lcalisatin... Une cellule est l'intersectin des différentes dimensins. Le calcul de chaque cellule est réalisé au chargement. Le temps de répnse est ainsi stable quelque sit la requête Intrductin KDD 9
10 ECD - Préparatin des dnnées Data Warehuses : entrepôt de dnnées cllectées de surces multiples suvent hétérgènes les cubes snt bien adaptés au requêtes rapides et à l analyse des dnnées : On-Line Analytical Prcessing (OLAP) : Quel est le nmbre de paires de chaussures vendues par le magasin "OnVendDesChaussuresIci" en mai 2003 ET Cmparer les ventes avec le même mis de 2001 et Quelles snt les cmpsantes des machines de prductin ayant eu le plus grand nmbre d incidents imprévisibles au curs de la péride ? Les répnses au requêtes OLAP peuvent prendre de quelques secndes à plusieurs minutes. Intrductin KDD 10
11 ECD - Préparatin des dnnées Sélectin des dnnées : Échantillnnage Sélectin de surces Réductin dimensinnalité : Sélectin u transfrmatin d attributs Pndératin Cdage : Agrégatin (smme, myenne), discrétisatin, cdage des attributs discrets, unifrmisatin d échelle u standardisatin Intrductin KDD 11
12 Le prcessus général de décuverte de cnnaissances dans les dnnées Dnnées Nettyage, Sélectin, Cdage Mdèles FDD Cnnaissances Validatin Acquisitin Intrductin KDD 12
13 Fuille de dnnées But : apprendre quelque chse de nuveau! Cncepts : regrupements basés sur le partage de caractéristiques Assciatins : crrélatins entre attributs u dnnées Prcédures Curs d actins réalisées étape par étape pur atteindre un but Principes Obtenir le plus haut niveau d abstractin pssible Règles u vérités qui snt les bases pur d autres vérités Intrductin KDD 13
14 Fuille de dnnées Différentes apprches : Estimatin : créer un mdèle qui décrit au mieu une variable de prévisin liée à des dnnées réelles Classificatin : créer une fnctin qui classifie une élémentaire parmi plusieurs classes prédéfinies eistantes Regrupement (clustering) : rechercher à identifier un ensemble fini de catégries u grupes en vue de décrire les dnnées Mdélisatin des dépendances : truver un mdèle qui décrit des dépendances significatives entre les variables Intrductin KDD 14
15 Fuille de dnnées - Apprentissage Apprentissage supervisée : Mdèle inductif ù l apprenant cnsidère un ensemble d eemples la cible «à apprendre» est cnnue (classe d appartenance, prpriété, ) : les eemples snt étiquetés préalablement Data mining prédictif : Diviser/regruper les instances dans des classes spécifiques pur des prédictins futures Prédire des valeurs incnnues u manquantes Algrithmes Arbres de décisin, classificatins, algrithmes génétiques, régressin linéaire et nn linéaire Intrductin KDD 15
16 Fuille de dnnées - Apprentissage Inductin C est une technique cmmunément utilisée Généralisatin d une bservatin u d un raisnnement établis à partir de cas singuliers. Elle cnsiste à tirer des cnclusins à partir d une série de faits Eemple tiré du curs de Yasmine Charif-Djebbar Intrductin KDD 16
17 Fuille de dnnées - Apprentissage Apprentissage nn supervisée : Cnstructin d un mdèle et décuverte des relatins dans les dnnées sans référence à d autres dnnées On ne dispse d'aucune infrmatin a priri sur le dnnées Data mining eplicatif Regruper les instances dans des classes spécifiques en se basant sur leur ressemblance u sur le partage de prpriétés. Les classes snt incnnues et snt dnc créées : elles servent à «epliquer» u résumer les dnnées Mise en relatin des dnnées Algrithmes Segmentatin, regrupement, décuverte d assciatins et de règles Intrductin KDD 17
18 Fuille de dnnées Différentes apprches : Estimatin : créer un mdèle qui décrit au mieu une variable de prévisin liée à des dnnées réelles Classificatin : créer une fnctin qui classifie une élémentaire parmi plusieurs classes prédéfinies eistantes Regrupement (clustering) : rechercher à identifier un ensemble fini de catégries u grupes en vue de décrire les dnnées Mdélisatin des dépendances : truver un mdèle qui décrit des dépendances significatives entre les variables Intrductin KDD 18
19 Fuille de dnnées - Estimatin Estimatin Régressin Dette Revenu Méthde des mindres carrés (Eemples tirés de curs de Béatrice Duval, Labratire d'infrmatique, Université d'angers) Intrductin KDD 19
20 Fuille de dnnées - Estimatin Estimatin Régressin Réseau de neurnes valeur de srtie attributs de descriptin (Eemples tirés de curs de Béatrice Duval, Labratire d'infrmatique, Université d'angers) Intrductin KDD 20
21 Fuille de dnnées Différentes apprches : Estimatin : créer un mdèle qui décrit au mieu une variable de prévisin liée à des dnnées réelles Classificatin : créer une fnctin qui classifie une élémentaire parmi plusieurs classes prédéfinies eistantes Regrupement (clustering) : rechercher à identifier un ensemble fini de catégries u grupes en vue de décrire les dnnées Mdélisatin des dépendances : truver un mdèle qui décrit des dépendances significatives entre les variables Intrductin KDD 21
22 Fuille de dnnées Classificatin Divisin de l ensemble de dnnées en classes disjintes But : recherche d un ensemble de prédicats caractérisant une classe d bjets et qui peut être appliqué à des bjets incnnus pur prévir leur classe d appartenance. Principales techniques : Arbres de décisin, réseau neurnau, algrithmes génétiques, Intrductin KDD 22
23 Fuille de dnnées - Arbre de décisins Arbre de décisin : Classer les bjets en sus-classes par divisins hiérarchiques cnstructin autmatique à partir d un échantilln de la base Peut être vu cmme une présentatin hiérarchique d une table relatinnelle... Intrductin KDD 23
24 Fuille de dnnées - Arbre de décisins Eemple un cadeau est envyé par mailing. Un envi sans répnse cûte 50 F et une répnse assure 100F. «ubli» d un envi de mailing à un client qui aurait répndu : perte de 100 F. Tableau des répnses sur un échantilln (taille 100) de la ppulatin : Nm Prénm See Prfessin Répnse Martin Berluchette Sarkau Vil Maitre Jeanne Huguette Sy Dminique Kanter F F M M M Cadre Ouvrière Ouvrier Cadre Cadre k k nn nn k Questin : A quelle catégrie de la ppulatin faut-il envyer le mail? (Eemple issu de curs de Pascal Pncelet, Centre de Recherche LGI2P Ecle des Mines d Alès) Intrductin KDD 24
25 Fuille de dnnées - Arbre de décisins Ppulatin de Mailing 100 persnnes Oui : 31%, Nn : 69 % Prb : 97% Cadres 70 persnnes Oui : 40 %, Nn 60 % Prb : 95% Ouvrier 30 persnnes Oui : 10 %, Nn : 90 % Prb : 95 % Hmmes 50 persnnes Oui : 36 %, Nn : 64 % Prb : 93 % Femmes 20 persnnes Oui : 50 %, Nn : 50 % Prb : 93 % Intrductin KDD 25
26 Fuille de dnnées - Arbre de décisins Ppulatin de Mailing 100 persnnes Oui : 31%, Nn : 69 % Prb : 97% Cadres 70 persnnes Oui : 40 %, Nn 60 % Prb : 95% Ouvrier 30 persnnes Oui : 10 %, Nn : 90 % Prb : 95 % Hmmes 50 persnnes Oui : 36 %, Nn : 64 % Prb : 93 % Femmes 20 persnnes Oui : 50 %, Nn : 50 % Prb : 93 % Intrductin KDD 26
27 Fuille de dnnées - Arbre de décisins Ppulatin de Mailing 100 persnnes Oui : 31%, Nn : 69 % Prb : 97% Cadres 70 persnnes Oui : 40 %, Nn 60 % Prb : 95% Ouvrier 30 persnnes Oui : 10 %, Nn : 90 % Prb : 95 % Hmmes 50 persnnes Oui : 36 %, Nn : 64 % Prb : 93 % Femmes 20 persnnes Oui : 50 %, Nn : 50 % Prb : 93 % Intrductin KDD 27
28 Fuille de dnnées - Arbre de décisins Résultat en termes de cûts : Ppulatin de mailing F 31*100-69*50 Cadres 700 F (70* 40%)*100 - (70*60%)*50 Ouvriers F 3 * * 50 Hmmes 200 F 18 * * 50 Femmes 500 F 10 * * 50 Mailing à l ensemble des cadres u uniquement au femmes cadres Intrductin KDD 28
29 Fuille de dnnées - Arbre de décisins Autre eemple Une banque veut truver un myen d évaluer la slvabilité d un client Etude sur un échantilln (taille 100) de la ppulatin : Nm Martin Sarkau Vil Ganze Ifa Maitre Prénm Jeanne Sy Dminique Pierre Stude Kanter See F M M M F M Revenu Prêts en curs Défaillance Questin : Laffrges Christine, avec un revenu de peut-elle prétendre à un prêt de ? Intrductin KDD 29
30 Fuille de dnnées - Classificatin Classificatin supervisée : Classifieur bayésien : cherche à ptimiser la prbabilité P(ck ) c-à-d de P( ck).p(ck)/p() c-à-d P( ck).p(ck) car P(X) ne dépend pas de P(ck) - les attributs snt suppsés indépendants : P(ck) = nk/n et P( ck) = Π P(i ck) - Eercice : - Deu classes : - c1 = {01100, 11001, 10110, 10101, 10010} - et c2 = { 01010, 11111, 11010, 11101, 10101} - Classer X = (Répnse c1) Intrductin KDD 30
31 Fuille de dnnées - Classificatin Classificatin supervisée : Classifieur bayésien K plus prches visins : n calcule tutes les distances entre le pint X à classifier et tus les pints dnc n cnnaît la classe : n cnserve les K plus prches. La classe majritaire dans cet ensemble est attribuée à X. Intrductin KDD 31
32 Fuille de dnnées - Classificatin Eemple Dette : pbe de rembursement : pas de pbe X Revenu Intrductin KDD 32
33 Fuille de dnnées - Classificatin Eemple Dette : pbe de rembursement : pas de pbe X K = 3, K = 5 Revenu Intrductin KDD 33
34 Fuille de dnnées - Classificatin Classificatin supervisée : Classifieur bayésien K plus prches visins Réseau de neurnes : Inspirés de la structure du système nerveu: Un grand nmbre de neurnes cnnectés qui traitent l infrmatin La répnse du neurne dépend de sn état et des pids des cnneins Les pids (u frces) snt dévelppées par epérience Intrductin KDD 34
35 Fuille de dnnées Réseau de neurnes Principes Cnstructin d un réseau d'unités calculatires simples (neurne) liées par des cnneins Apprentissage des paramètres du réseau (pids des cnneins) grâce à un ensemble d'eemples Un neurne est frmé : d entrées (cnneins entrantes u variables d entrée) de pids sur les cnneins entrantes d une fnctin F qui calcule une srtie en fnctin des entrées et des pids sur les entrées d une fnctin d activatin φ qui mdifie l amplitude de la srtie du nœud. Intrductin KDD 35
36 Fuille de dnnées Réseau de neurnes 1 2 ω1 ω2 F s φ φ(s) 3 ω3 Intrductin KDD 36
37 Fuille de dnnées Réseau de neurnes Fnctin d activatin φ(s) = 1/(1 + e -ks ) φ(s) = linéaire f(s) = -1 si s <= - 1/a; f(s) = 1 si s >= 1/a ; f(s) = a*s ailleurs φ(s) = tangente hyperblique f(s)= (e gs - e -gs ) / (e gs + e -gs ) φ(s) = seuil φ (s) = 0 si s <= a; u... φ (s) = 1 si s > a ; Intrductin KDD 37
38 Fuille de dnnées Réseau de neurnes φ(s) = 1/(1 + e -ks ) 1 k grand k petit 0 Si le cefficient k est grand, alrs la srtie est presque tujurs prche de 0 u de 1 : réseau neurnal relativement symblique Si le cefficient k de 1/(1 + e -ks ) est petit, alrs la frce de chaque cellule est bien distribuée entre 0 et 1 : On a un réseau neurnal distribué. Un autre paramètre, implicite, est le centre de la fnctin sigmïde. Intrductin KDD 38
39 Fuille de dnnées Réseau de neurnes Cas le plus simple : Un seul neurne F = smme pndérée des entrées φ = seuillage φ(s) = 1 si s > a sinn 0 s = 1 si w1.1 + w > a s = 1 si w1.1 + w a > 0 équatin d un hyperplan Intrductin KDD 39
40 Fuille de dnnées Réseau de neurnes Séparatin linéaire Dette : pbe de rembursement : pas de pbe Revenu Intrductin KDD 40
41 Fuille de dnnées Réseau de neurnes 1 2 ω1 ω2 Σ s φ φ(s) 3 ω3 0 = 1 Prblème de l apprentissage du seuil 1 2 ω1 ω2 ω0 = -a Σ s 1 si s> 0 0 sinn 3 ω3 Intrductin KDD 41
42 Fuille de dnnées Réseau de neurnes On rajute des eemples. Dette : pbe de rembursement : pas de pbe Revenu Truver un réseau de neurnes discriminant les deu classes Intrductin KDD 42
43 Fuille de dnnées Réseau de neurnes On rajute des eemples Dette : pbe de rembursement : pas de pbe Revenu Intrductin KDD 43
44 Fuille de dnnées Réseau de neurnes On peut faire un OU sur les deu réseau de neurnes On btient un réseau de neurnes à deu cuches Réseau multi-cuches Une cuche d entrée Une cuche de srtie Plusieurs cuches cachées Intrductin KDD 44
45 Fuille de dnnées Réseau de neurnes Perceptrn multi-cuches Cnneins pndérées dnnées srties Neurnes d entrd entrée Cuche(s) cachée(s) Neurne(s) de srtie Intrductin KDD 45
46 Fuille de dnnées Réseau de neurnes Apprentissage On eamine une dnnée On prpage les activatins jusqu'au cellules de srtie On eamine tutes les cellules de srtie On cmpare le résultat à celui espéré si il y une différence : On rétr prpage cette différence (erreur) On crrige des pids pur minimiser cette erreur : ω ij (t+1) = ω ij (t) + δω ij (t) Intrductin KDD 46
47 Fuille de dnnées Réseau de neurnes En pratique : On chisit une fnctin de calcul et une fnctin d activatin On chisit une architecte: Nmbre d entrées Nmbre de srties Nmbre de cuches internes Nmbre de neurnes de chacune des cuches internes On chisit une fnctin d erreur On définit un critère d arrêt Intrductin KDD 47
48 Fuille de dnnées Réseau de neurnes Pas de méthde autmatique pur chisir l'architecture du réseau On peut prcéder à des essais avec un mdèle simple (une cuche cachée) et un mdèle beaucup plus cmplee (2 u 3 cuches cachées) Méthde de cnstructin dynamique de réseau en curs d apprentissage : GNG Utilisatin des fnctins sigmïde et tangente pur la rétrprpagatin du gradient Intrductin KDD 48
49 Fuille de dnnées Réseau de neurnes Echantilln : Dit cuvrir l'ensemble des valeurs pur tutes les caractéristiques Les nmbres d'eemple d'apprentissage pur chaque valeur pssible de la srtie divent être similaires Lien entre nmbre d'eemples d'apprentissage et nmbre de pids à déterminer : Il est cnseillé de cnstruire un réseau ù le nmbre de cnneins est inférieur à 10% du nmbre d'eemples» E: avec 20 entrées 5 neurnes cachés et 5 neurnes de srties n a 20*5+5*5=125 cnneins» Dnc au mins 1250 bservatins Intrductin KDD 49
50 Fuille de dnnées Réseau de neurnes Avantages des réseau de neurnes Méthde rbuste au bruit Classement u estimatin rapide une fis le réseau cnstruit Dispnible dans tus les lgiciels de fuille de dnnées Incnvénients Bîte nire: difficile d'interpréter le mdèle btenu Temps d'apprentissage imprtant Difficulté de chi des paramètres Intrductin KDD 50
51 Fuille de dnnées - Classificatin Classificatin supervisée : Classifieur bayésien K plus prches visins Réseau de neurnes SVM Algrithmes génétiques Inspirés des théries de l évlutin de Darwin, Lamarck u Baldwin Méthde générale d ptimisatin Intrductin KDD 51
52 Fuille de dnnées SVM Principe des Supprt Vectr Machines : séparer les dnnées en deu classes par un hyperplan tut en maimisant l écart entre cet hyperplan et les dnnées Intrductin KDD 52
53 Fuille de dnnées SVM Plusieurs drites pssibles. Dette : pbe de rembursement : pas de pbe Truver celle qui maimise l écart Revenu Intrductin KDD 53
54 Fuille de dnnées SVM Plusieurs drites pssibles. Dette : pbe de rembursement : pas de pbe Truver celle qui maimise l écart Revenu Intrductin KDD 54
55 Fuille de dnnées - Classificatin Classificatin supervisée : Classifieur bayésien K plus prches visins Réseau de neurnes SVM Algrithmes génétiques Inspirés des théries de l évlutin de Darwin, Lamarck u Baldwin Méthde générale d ptimisatin Intrductin KDD 55
56 Fuille de dnnées Apprches génétiques Schéma général On définit les «paramètres» à ptimiser : intervalle de valeurs, seuils, etc. On définit le géntype crrespndant (chrmsmes). On définit la fnctin de calcul du phéntype et la fnctin d évaluatin d un individu On définit les mécanismes et tau de crisement et de mutatin On définit la fnctin de sélectin des survivants Intrductin KDD 56
57 Fuille de dnnées Apprches génétiques Schéma général initialiser la ppulatin calculer le degré d'adaptatin f() de chaque individu Tant que nn fini u nn cnvergence reprductin des parents : sélectinner 2 individus à la fis appliquer les pérateurs génétiques calculer le degré d'adaptatin f() de chaque enfant sélectinner les survivants parmi les parents et les enfants Intrductin KDD 57
58 Fuille de dnnées - Classificatin Validatin par le test Dnnées Ensemble d apprentissage Ensemble de test Cnstructin d un mdèle sur l ensemble d apprentissage et test du mdèle sur le jeu de test pur lequel les résultats snt cnnus Intrductin KDD 58
59 Fuille de dnnées Différentes apprches : Estimatin : créer un mdèle qui décrit au mieu une variable de prévisin liée à des dnnées réelles Classificatin : créer une fnctin qui classifie une élémentaire parmi plusieurs classes prédéfinies eistantes Regrupement (clustering) : rechercher à identifier un ensemble fini de catégries u grupes en vue de décrire les dnnées Mdélisatin des dépendances : truver un mdèle qui décrit des dépendances significatives entre les variables Intrductin KDD 59
60 Fuille de dnnées Classificatin autmatique But de la classificatin : btenir une représentatin simplifiée (structuratin) des dnnées initiales Organisatin d un ensemble d bjets en un ensemble de regrupements hmgènes et/u naturelles Intrductin KDD 60
61 Fuille de dnnées Classificatin autmatique Partitinnement Dette Emprunteurs sûrs : pbe de rembursement : pas de pbe Emprunteurs à éviter Aucune interprétatin sémantique a priri Revenu Intrductin KDD 61
62 Fuille de dnnées Classificatin autmatique Hiérarchie Intrductin KDD 62
63 Fuille de dnnées Différentes apprches : Estimatin : créer un mdèle qui décrit au mieu une variable de prévisin liée à des dnnées réelles Classificatin : créer une fnctin qui classifie une élémentaire parmi plusieurs classes prédéfinies eistantes Regrupement (clustering) : rechercher à identifier un ensemble fini de catégries u grupes en vue de décrire les dnnées Mdélisatin des dépendances : truver un mdèle qui décrit des dépendances significatives entre les variables Intrductin KDD 63
64 Fuille de dnnées Assciatins Règles d assciatins : analyse du panier de la ménagère «le jeudi, les clients achètent suvent en même temps des packs de bière et des cuches» Y-a-t-il des liens de causalité entre l achat d un prduit P et d un autre prduit P? Intrductin KDD 64
65 Fuille de dnnées Assciatins Tickets Prduits achetés Questins : règle d assciatin : prémisse cnclusin Eemple tiré du curs de Jérôme Azé beurre pain? pissn viande lait? frmage pâtes vin? Intrductin KDD 65
66 Fuille de dnnées Assciatins Frmellement Etant dnné un ensemble de transactins D, truver tutes les règles d assciatin X => Y ayant un supprt et une cnfiance supérieurs au seuils minimau prédéfinis par l utilisateur Un transactin est un ensemble d attributs T1 : beurre, fruit, lait, pain Supprt : % de transactins dans D qui cntiennent X et Y Cnfiance : % de transactins qui cntiennent X parmi celles cntenant Y. Intrductin KDD 66
67 Fuille de dnnées Assciatins Interprétatin R : X Y (A%, B%) : A% de tutes les transactins mntrent que X et Y nt été achetés en même temps (supprt de la règle) et B% des clients qui nt acheté X nt aussi acheté Y (cnfiance dans la règle). Intrductin KDD 67
68 Fuille de dnnées Assciatins Deu sus-prblèmes : Truver tus les ensembles fréquents (itemsets) ayant un supprt supérieur u égal à une valeur minimale minsup dnnée : FIS A partir des FIS, engendrer l ensemble des règles d assciatin ayant une cnfiance supérieure u égale à mincnf Intrductin KDD 68
69 Fuille de dnnées Assciatins Tickets Prduits achetés et Supprt = Tus tickets Cnfiance = et + beurre pain Supprt 70% Cnfiance 100% pissn viande lait 20% 100% frmage pâtes vin 40% 80% Eemple tiré du curs de Jérôme Azé Intrductin KDD 69
70 Fuille de dnnées Assciatins Tickets Prduits achetés vin et Supprt = Tus tickets Cnfiance = et + beurre pain Supprt 70% Cnfiance 100% pissn viande lait 20% 100% frmage pâtes vin 40% 80% Intrductin KDD 70
71 Le prcessus général de décuverte de cnnaissances dans les dnnées Dnnées Nettyage, Sélectin, Cdage Mdèles FDD Cnnaissances Validatin Acquisitin Intrductin KDD 71
72 ECD - Validatin Génératin d un grand nmbre de mdèles Le mdèle est-il intéressant? Mesures d intérêt d un mdèle: Nuveau Facile à cmprendre Valide sur de nuvelles dnnées (avec une certaine mesure de certitude) Utile Cnfirme (u infirme) les hypthèses d un epert Intrductin KDD 72
73 ECD - Validatin Évaluatin d un mdèle subjective (epert) bjective (statistiques et structure des mdèles) Peut-n truver tus les mdèles? (Cmplétude) Peut-n générer seulement les mdèles intéressants? (Optimisatin) Génératin de tus les mdèles et filtrage suivant certaines mesures et caractéristiques : Nn réaliste Générer seulement les mdèles vérifiant une cnditin particulière Intrductin KDD 73
74 Cnclusin Quelques idées fausses Méthdes plus inductives que basées sur des hypthèses car il n y a aucun a priri sur les dnnées Fau: cnditin d applicatin des méthdes, chi des dnnées, cdage des dnnées, chi des variables eplicatives, des variables à epliquer, rdre d entrée des variables dans l algrithme, On n est jamais neutre! Intrductin KDD 74
75 Cnclusin Quelques idées fausses Il faut utiliser systématiquement tutes les dnnées infrmatiquement dispnibles ainsi tut va apparaître Fau: cdage des dnnées, rdre d entrée des variables dans l algrithme, effectifs irréguliers, utliers, influence des redndances, des crrélatins, du mdèle de dnnées infrmatique, saturatin, instabilité Biais et erreurs Intrductin KDD 75
76 Cnclusin Quelques idées fausses Avec tutes ces techniques, n va tujurs faire des décuvertes incryables Fau: il faut truver des slutins cnfrmes au bn sens (spécialistes, eperts métier). En fait, truver la meilleure slutin (parmi n) pur une prblématique dnnée Intrductin KDD 76
77 Cnclusin Quelques idées fausses Le data mining est révlutinnaire Fau: analyses de dnnées traditinnelles + méthdes plus spécifiques (réseau de neurnes). Optimisatin des techniques car grand nmbre de dnnées. Intrductin KDD 77
78 Cnclusin Questin : Purqui tant d'algrithmes? Répnses : Parce qu'aucun n'est ptimal dans tus les cas, parce qu'ils s'avèrent en pratique cmplémentaires les uns des autres Parce qu'en les cmbinant intelligemment (en cnstruisant des méta mdèles (des mdèles de mdèles)) il est pssible d'btenir des gains de perfrmance très signifiants. Intrductin KDD 78
- 07 - LE TABLEAU DE BORD REMONTEE DES COMPTES. Outils de gestion prévisionnelle, d'analyse financière et du contrôle de gestion. TABLE DES MATIERES
- 07 - LE TABLEAU DE BORD REMONTEE DES COMPTES Objectif(s) : Pré requis : Mdalités : Présentatin du tableau de brd, Principes de la remntée des cmptes. Outils de gestin prévisinnelle, d'analyse financière
Plus en détailUtilisation de RAMSIS dans la conception automobile Lisa Denninger Apports et Limites des Mannequins Virtuels 18 Novembre 2014
Utilisatin de RAMSIS dans la cnceptin autmbile Lisa Denninger Apprts et Limites des Mannequins Virtuels 18 Nvembre 2014 Préambule Prise en cmpte de l ergnmie dans la cnceptin autmbile Les marques Peuget,
Plus en détailRésumé du module 6 : Coût et structure du capital
Résumé du mdule 6 : Cût et structure du capital Ce mdule explique tut d abrd cmment une sciété établit sn cût du capital. Vus apprenez cmment calculer la pndératin des cmpsantes et les cûts du capital
Plus en détailGestion des Prospects : Adresses à exporter
Gestin des Prspects : Adresses à exprter 2 Tables des matières 1. Intrductin : Adresses à exprter p 3 2. Que signifie une adresse qualifiée? p4 2.1 Particulier = le client final 2.2 Cnducteur lié à une
Plus en détailUtiliser les activités de cours de Moodle : le Questionnaire
Utiliser les activités de curs de Mdle : le Questinnaire CETTE PROCEDURE DÉCRIT LA MISE EN PLACE ET L UTILISATION DE L ACTIVITÉ DE COURS «QUESTIONNAIRE». PRE-REQUIS : Prcédure «Démarrer sur Mdle» DÉFINITION
Plus en détailGUIDE D ENTRETIEN POUR LA PHASE 1
GUIDE D ENTRETIEN POUR LA PHASE 1 DE DESCRIPTION DE L EXISTANT Avant-prps : Le terme «infrastructure» cuvre les vlets suivants : 1. Vlet applicatif, bases de dnnées, plates-frmes infrmatiques 2. Vlets
Plus en détailDivision des Statistiques du Commerce Extérieur
Fnctin : Chef de Service Statistiques des Imprtatins Versin : FONCTION : CHEF DE SERVICE STATISTIQUES DES IMPORTATIONS DEPARTEMENT : DIVISION : SERVICE : RESPONSABLE HIERARCHIQUE : RESPONSABLE FONCTIONNEL
Plus en détailFOCUS : LES SYSTÈMES D INFORMATION
Une autre apprche pur un enjeu stratégique Les systèmes d infrmatin, qui innervent l entreprise et qui impactent de manière sensible sn fnctinnement, cnstituent encre suvent un dmaine «réservé aux experts»,
Plus en détailFinancement des investissements Page 1 sur 6
Financement des investissements Page 1 sur 6 Une UC a tujurs besin d investir que ce sit pur : - Remplacer du matériel bslète (ex : investir dans l util infrmatique) - Augmenter sa capacité de vente (ex
Plus en détailSYSTEME DE TELERADIAMETRIE H*(10)
SYSTEME DE TELERADIAMETRIE H*(10) Principes Fndamentaux : Le système de Téléradiamétrie Wytek est un système d acquisitin de dnnées multi pints autmatique et sans fil, qui est installé par la PCR et qui
Plus en détailCYBERLEARN COURS MOODLE. SUPPORT DE TRAVAIL Pour professeur-es et assistant-es d'enseignement
CENTRE e-learning HES-SO CYBERLEARN COURS MOODLE SUPPORT DE TRAVAIL Pur prfesseur-es et assistant-es d'enseignement Sndages et tests : rendez vs curs Mdle interactifs! HES-SO 2010 Team Cyberlearn Table
Plus en détailFiche de projet pour les institutions publiques
Fiche de prjet pur les institutins publiques Infrmatins pratiques Nm de l institutin publique ayant intrduit le prjet: SPF Technlgie de l'infrmatin et de la Cmmunicatin (Fedict). Nm du prjet : egv Mnitr
Plus en détailCible de Sécurité - Blancco DataCleaner+ v4.8
1. Identificatin Du prduit Organisatin éditrice Lien vers l rganisatin Nm cmmercial du prduit Blancc Ltd. www.blancc.cm Blancc - Data Cleaner+ Numér de la versin évaluée Versin 4.8 Catégrie de prduit Effacement
Plus en détailPour répondre au besoin de sécurité juridique et de prévisibilité, la Loi type devrait traiter des questions suivantes:
Descriptin de la prpsitin du Canada cncernant l élabratin d une Li type sur les règles de cmpétence et de cnflits de lis en matière de cntrats de cnsmmatin dans le cadre de la CIDIP-VII Dans le cadre de
Plus en détailSolutions de pilotage énergétique pour les bâtiments d activité professionnelle
Slutins de piltage énergétique pur les bâtiments d activité prfessinnelle Efficiency Builder CONFIDENTIEL - Prpriété de Bnext Energy BNEXT ENERGY: HISTORIQUE ET CHIFFRES CLÉS Entrée à l incubateur Midi
Plus en détailArticle I - Objet. Article II - Conditions d'utilisation de la eboutique
Identificatin du prestataire de service Nm et adresse : TransGirnde Tel : 0974 500 033 Fax : S.A.S. au capital de RCS Siret : - APE : E-mail : Site web : transgirnde.fr Ci-après dénmmée : TransGirnde Cnditins
Plus en détailDossier Spécial. Les 5 étapes pour vendre ACT! Apprendre à détecter un besoin en Gestion de Contacts
Dssier Spécial Les 5 étapes pur vendre ACT! Apprendre à détecter un besin en Gestin de Cntacts Ce dssier à pur bjectif de vus aider à cmmercialiser ACT! auprès de vs clients et prspects. Nus allns vus
Plus en détailPhysique Chimie LA GRAVITATION
Dcument du prfesseur 1/6 Fiche prfesseur Physique Chimie LA GRAVITATION LA GRAVITATION Niveau 3 ème Sciences Physiques Prgramme C - De la gravitatin à l énergie mécanique Cnnaissances Capacités Cmmentaires
Plus en détailMISSIONS COMMERCIALES
DEVELOPPEMENT ET OBJECTIFS MISSIONS COMMERCIALES Prcédure et bjectifs Le but d'une missin cmmerciale est de distribuer et prmuvir les prduits u services d'une entreprise. Les démarches à suivre snt les
Plus en détailPHASE 1 : choix et définition du sujet du TM.
PHASE 1 : chix et définitin du sujet du TM. Le chix du sujet est une partie imprtante du TM. Ce chix se fait durant la 1 ère phase. La prblématique du thème cncerne le rapprt entre la chimie et la vie
Plus en détailChangement de régime fiscal des Mutuelles et des IP : remarques d ordre actuariel
Changement de régime fiscal des Mutuelles et des IP : remarques d rdre actuariel Jurnées d études du SACEI et de l IA Deauville, jeudi 20 septembre 2012 Nrbert Gautrn ngautrn@galea-asscies.eu Smmaire 1.
Plus en détailITIL V3. Les principes de la conception des services
ITIL V3 Les principes de la cnceptin des services Créatin : janvier 2008 Mise à jur : janvier 2010 A prps A prps du dcument Ce dcument de référence sur le référentiel ITIL V3 a été réalisé en se basant
Plus en détailFormation Référencement / SEO e-commerce
Page 1 sur 5 28 bd Pissnnière 75009 Paris T. +33 (0) 1 45 63 19 89 cntact@ecmmerce-academy.fr http://www.ecmmerce-academy.fr/ Frmatin Référencement / SEO e-cmmerce Optimisez et amélirer vtre visibilité
Plus en détail[SIMULATEUR DE CREDIT IMMOBILIER]
Telecm Bretagne - Département LUSSI Simulateur de crédit immbilier TP d'initiatin au langage C# Philippe Tanguy / Frédéric Cadier IADBA 2008-2009 IADBA 2008-2009 [SIMULATEUR DE CREDIT IMMOBILIER] OBJECTIFS
Plus en détailGUIDE INSTALLATION IAS
Guide d installatin IAS 1 IMPACT TECHNOLOGIES se réserve le drit de mdifier à tut mment le cntenu de ce dcument. Bien que l exactitude des renseignements qu il cntient sit cntrôlée avec sin, IMPACT TECHNOLOGIES
Plus en détailArchivage et valeur probatoire. Livre blanc
Archivage et valeur prbatire Livre blanc Les nms, lieux u événements cités dans cette publicatin ne visent aucune persnne, assemblée u assciatin existante u ayant existé. Tute similitude u ressemblance
Plus en détailLocallife Leader de l édition d annuaires locaux en ligne, Présent en France depuis octobre 2008
Paris, Nvembre 2008 Lcallife Leader de l éditin d annuaires lcaux en ligne, Présent en France depuis ctbre 2008 Dssier de Presse Lcallife en bref La recherche d infrmatins lcales et le référencement naturel
Plus en détailGuide d aide à la rédaction d un essai
Guide d aide à la rédactin d un essai Un essai peut avir plusieurs bjectifs, mais la structure de base reste la même quel qu en sit le sujet. Vus puvez l écrire afin de discuter d un pint de vue particulier
Plus en détailNouveautés apportées à l assessment-tool
Nuveautés apprtées à l assessment-tl La dcumentatin et les utils d aide de Friendly Wrk Space snt régulièrement révisés, actualisés et dévelppés. Ainsi, la directive a une nuvelle fis été mise à jur en
Plus en détailChap I : Economie d'entreprises
Chap I : Ecnmie d'entreprises Au sens large, le terme entreprise s'utilise pur des prjets uniques mais d'apparence risquée u difficile (par exemple, un grand vyage u une recherche scientifique), car il
Plus en détailPREPARATION DE VOTRE PFMP Réalisé et testé par Laurence Martin, enseignante au LP du Toulois et chargée de mission en économie et gestion option vente
PREPARATION DE VOTRE PFMP Réalisé et testé par Laurence Martin, enseignante au LP du Tulis et chargée de missin en écnmie et gestin ptin vente Sus le piltage de Christine Françis IEN Définir PFMP :.. Vus
Plus en détailLIVRE BLANC SEM. Google AdWords Le guide ultime du SEM pour votre Boutique en ligne
LIVRE BLANC SEM Ggle AdWrds Le guide ultime du SEM pur vtre Butique en ligne En partenariat avec Edité par Table des matières I. Intrductin... 3 a. Qu est-ce que Ggle AdWrds?... 3 b. Purqui utiliser Ggle
Plus en détailCommuniqué de lancement : Sage 100 Scanfact Version V15.50
Cmmuniqué de lancement : Sage 100 Scanfact Versin V15.50 Smmaire 1. Cntexte marché P2 2. Evlutin du mde de fnctinnement des entreprises P2 3. Principe & fnctins P3 4. Bénéfices P6 5. Date de dispnibilité
Plus en détail(les caractères apparaissent en vidéo inversé : blanc sur fond
Editin d un dcument De l allumage du PC à sa sauvegarde et à sn impressin RF : PeMWrdSyst_0707/Tice/Web/DataSite Objet: Ntice d utilisatin d un traitement de texte pur la créatin d un dcument, de la mise
Plus en détailITIL V2. La gestion de la capacité
ITIL V2 La gestin de la capacité Créatin : nvembre 2004 Mise à jur : aût 2009 A prps A prps du dcument Ce dcument de référence sur le référentiel ITIL a été réalisé en 2004 et la traductin des 2 livres
Plus en détailA toutes les Directrices et à tous les Directeurs des établissements scolaires de l enseignement secondaire et secondaire technique
SERVICE INFORMATIQUE Luxemburg, le 20 ctbre 2010 Référence: SI/DW/101020 A tutes les Directrices et à tus les Directeurs des établissements sclaires de l enseignement secndaire et secndaire technique Cncerne:
Plus en détailAgilité et gestion de projet
Agilité et gestin de prjet Sensibilisatin Yann Olive AUTOPORTRAIT RAPIDE 2 Dates clés Avant : Etudes de Physilgie végétale 2000 : Débuts dans le dévelppement Web 2012 : Respnsable Prductin et Qualité Web
Plus en détailPour l étude d un logiciel documentaire : o Mener une réflexion technique sur les ressources d un logiciel documentaire : Caractériser le logiciel
IDENTIFICATION Intitulé de l Unité de frmatin : Biblithécaire - Frmatin Niveau d études : C & D technique et prfessinnelle Intitulé du curs : Infrmatique Réseaux Gestin Nmbre de crédits ECTS : dcumentaire
Plus en détailesil PROJET DE MODELISATION ORIENTEE OBJET INFORMATIQUE - 3 ANNEE
Thmas DE SIANO Cédric ESCALLIER Thierry BAUD esil département infrmatique 3 ième année Prfesseur Mr. F. DUMAS Table des matières CHAPITRE 1 : ETUDE SUR RATIONAL ROSE ENTREPRISE V.2001A... 3 1.1. FONCTIONNALITES...3
Plus en détailTerrain de jeu Analogie au sport professionnel
Terrain de jeu Analgie au sprt prfessinnel USO : US Oynnax Rugby : management dans le sprt Le 9 décembre 2009, Olivier Nier, entraîneur de l USO, Pr D2 de rugby, réalisait dans le cadre d une cnférence
Plus en détailProcessus des services
Prcessus des services TABLE DES MATIÈRES: 1 Garantie sur les prduits 2 Supprt pur les prduits 3 Cmpsant à remplacer par l utilisateur final (EURP : End User Replaceable Part) 4 Défectueux à l arrivée (DOA
Plus en détailMicrosoft BizTalk Server et Microsoft Dynamics AX : Solutions d intégration pour l entreprise étendue
Micrsft BizTalk Server et Micrsft Dynamics AX : Slutins d intégratin pur l entreprise étendue Micrsft Crpratin Publicatin : décembre 2006 Résumé Les grandes grupes luttent pur maintenir l équilibre entre
Plus en détailLes stratégies de Backup dans WSS V3
Les stratégies de Backup dans WSS V3 Quelles snt les différentes slutins de BackUp Nus avns vu au travers des précédents articles différents sujets pur Windws SharePint Services V3. Il nus faut maintenant
Plus en détailCATALOGUE DE FORMATION «EXPERTS COMPTABLES ET AVOCATS»
CATALOGUE DE FORMATION «EXPERTS COMPTABLES ET AVOCATS» APS Frmatin 15 Rue de Ngent 51100 REIMS Tel : 03.26.82.84.84 / Fax : 03.26.82.58.23 www.apscnsult.fr CONTEXTE Dans l Entreprise, le rôle de l Expert-Cmptable
Plus en détailDM/Administrator fonctionne sans agents d administration spécifiques sur les contrôleurs de domaines.
FastLane DM/Administratr ffre enfin la pssibilité de déléguer les drits d administratin à l intérieur d un dmaine u au travers de plusieurs dmaines. Dm/Administratr permet aux administrateurs Windws NT
Plus en détailPROPOSITION DE CREATION DE SITE INTERNET
PROPOSITION DE CREATION DE SITE INTERNET OBJET : La fédératin départementale Sarthe Nature Envirnnement (SNE) suhaite dévelpper un site Internet. Celui-ci ayant pur but de diffuser du cntenu rganisé. Ce
Plus en détailCharte de l Association Suisse de Portage des Bébés (ASPB)
Charte de l Assciatin Suisse de Prtage des Bébés (ASPB) 1. Rôle et missin L ASPB est une assciatin à but nn lucratif et indépendante de tutes marques,qui suhaite prmuvir un prtage respectueux du dévelppement
Plus en détailVente de Capacités de Stockage de gaz du 13 mai 2015
Vente de Capacités de Stckage de gaz Prduit & Quantité Prpsée SEDIANE NORD 120 90 JUIN 2015 1 TWh sur le Grupement Sediane Nrd. Type de prduit Capacité Nminale de Stckage : vlume dnnant drit à des capacités
Plus en détailAnnexe 1 Annexe technique de la convention d habilitation «expert en automobile»
Annexe 1 Annexe technique de la cnventin d habilitatin «expert en autmbile» «Expert en autmbile indépendant» (cnventin cmplète) 1 Ntice explicative... 2 1.1 Préambule...2 Principe général de l habilitatin...2
Plus en détailDossier de Presse. 1 ier guide Interactif pour créateurs et entrepreneurs
Dssier de Presse 1 ier guide Interactif pur créateurs et entrepreneurs «Une applicatin innvante accmpagnée par les leaders du marché» www.e-parcurs.fr (Micrsft, Gan Assurances, Cegid, Accr Services France,
Plus en détaila) Financement par des tiers : emprunts, crédits bancaires, leasing, crédit spontané (lors d un achat à crédit) ;
Chapitre 3 : Analyse de la trésrerie 1 Intrductin La gestin de la trésrerie est indispensable à tute entreprise puisqu elle lui permet d assurer sa slvabilité. Le rôle du gestinnaire de trésrerie demande
Plus en détail- Le service aux tables. - Le service rapide & commande pour emporter. - Le service à l auto. - La livraison. o Voir le feuillet Livraison.
Pint De Vente Lgiciel de gestin Les Lgiciels Velce, Vtre gestinnaire La versatilité, la simplicité et la rapidité de ntre pint de vente, ne fnt pas qu amélirer vtre service à la clientèle, elles permettent
Plus en détailLe dispositif de qualification OPQIBI pour les audits énergétiques (réglementaires)
Le dispsitif de qualificatin OPQIBI pur les audits énergétiques (réglementaires) (01/12/14) 1. Rappel du cntexte réglementaire Depuis le 1 er juillet 2014, cnfrmément à la Li n 2013-619 du 16 juillet 2013
Plus en détailRépublique Française Services du Premier Ministre
République Française Services du Premier Ministre DISPOSITIF DE SECURISATION DES DONNEES RELATIF R A LA DIFFUSION DU JOURNAL OFFICIEL ELECTRONIQUE AUTHENTIFIE ET DES DOCUMENTS ADMINISTRATIFS Directin de
Plus en détailAmandine CUER INDUSTRIELS! GAGNEZ DU TEMPS DANS VOS ECHANGES AVEC VOS INFORMATIQUE - INTERNET - TELECOMMUNICATIONS LA LETTRE D INFORMATION - MAI 2011
Amandine CUER À: Amandine CUER Objet: Cyb@rdèche - Osez les nuvelles technlgies... Pièces jintes: image001.jpg; image001.jpg; image001.jpg; image001.jpg; image001.jpg; image001.jpg Imprtance: Haute Si
Plus en détailProject Portfolio Management
Revue Cmparative des Référentiels en Prtfli Management PMI & MP Tls&Tip Frum 15 28 Janvier Mars 2013 Kickff 2013 - Management de prjet 3D Prject Prtfli Management Prject Prtfli Management Revue Cmparative
Plus en détailIDENTIFICATION DU POSTE. N de l emploi : Contractuel. Intitulé du poste : Chargé de mission FC
DIRECTION DES RESSOURCES HUMAINES 34, Avenue Carnt - B.P. 185-63006 CLERMONT-FERRAND CEDEX 1 FICHE DE POSTE IDENTIFICATION DU POSTE N de l empli : Cntractuel Intitulé du pste : Chargé de missin FC FILIERE
Plus en détailLes assurances automobiles
Les assurances autmbiles I. Les différentes assurances a) L assurance au tiers est une bligatin légale Cette assurance au tiers que l n peut qualifier de base cuvre uniquement les dmmages causés à un tiers.
Plus en détailCoefficient 4. L ACRC est validé par le contrôle des compétences suivantes :
BTS MUC CCF Finalités et bjectifs E5 ANALYSE ET CONDUITE DE LA RELATION COMMERCIALE Cefficient 4 Cette épreuve permet d évaluer les aptitudes du candidat à prendre en respnsabilité des activités curantes
Plus en détailMeilleures pratiques en matière d'indexation de contenu. Mise à niveau à partir de versions antérieures à la version 6.5
Meilleures pratiques en matière d'indexatin de cntenu Recmmandé pur les sites cntenant plus de 500 000 dcuments L'bjet de ce dcument est de dnner des cnseils pur amélirer les perfrmances de l'indexatin
Plus en détailHaut Conseil de la santé publique
Haut Cnseil de la santé publique AVIS relatif à la vaccinatin par le vaccin pneumcccique cnjugué 11 décembre 2009 Vaccin pneumcccique cnjugué Un nuveau vaccin pneumcccique cnjugué (Prevenar 13 ), cmpsé
Plus en détailENT601 MARKETING ET VENTES Préalable(s) : ENT 202 PLAN DE COURS SESSION ÉTÉ 2014
Écle de technlgie supérieure Service des enseignements généraux Respnsable(s) du curs : Pierre Bélanger Crédits : 3 ENT601 MARKETING ET VENTES Préalable(s) : ENT 202 PLAN DE COURS SESSION ÉTÉ 2014 Crdnnées
Plus en détailPRIMONIAL SÉRÉNIPIERRE CONTRAT D ASSURANCE VIE
PRIMONIAL SÉRÉNIPIERRE CONTRAT D ASSURANCE VIE AVEC LE FONDS SÉCURITÉ PIERRE EURO : >> un investissement en immbilier avec une garantie permanente en capital, assrtie d une perspective de rendement particulièrement
Plus en détailSociétés Non Financières - taux endettement - % PIB, valeur nominale
T1 1999 T4 1999 T3 2000 T2 2001 T1 2002 T4 2002 T3 2003 T2 2004 T1 2005 T4 2005 T3 2006 T2 2007 T1 2008 T4 2008 T3 2009 T2 2010 T1 2011 T4 2011 T3 2012 T2 2013 Accmpagner le muvement de désintermédiatin
Plus en détailGuide Octobre 2014 «Master Degree Dissertation»
SUPINFO Academic Dept. Examen de fin d études Guide Octbre 2014 «Master Degree Dissertatin» Mémire et sutenance Sessin d examen de fin d études d Octbre 2014 Versin 1.0 Last update: 06/0/2014 Use: Cmmunity
Plus en détaillivraisons en centrale
2013 Cahier des charges pur livraisns en centrale A l attentin des furnisseurs de Carrefur Belgium Table des matières A/ ETIQUETAGE LOGISTIQUE... 2 A1/Rappel... 2 A2/ Le manuel d'étiquetage lgistique de
Plus en détailPROCESSUS DE CERTIFICATION DES MONITEURS JE NAGE INFORMATIONS POUR LES MAITRE ÉVALUATEURS
PROCESSUS DE CERTIFICATION DES MONITEURS JE NAGE INFORMATIONS POUR LES MAITRE ÉVALUATEURS NOTE: Les mniteurs qui suivent la frmatin de mise à niveau et de mise à niveau à distance ne snt pas tenus de remplir
Plus en détailCAHIER DES CLAUSES TECHNIQUES PARTICULIERES
MAIRIE DE BP 9 33611 CESTAS CEDEX www.mairie-cestas.fr Tel : 05 56 78 13 00 Fax : 05 57 83 59 64 PROCEDURE ADAPTEE (Article 28 du Cde des Marchés Publics) MAINTENANCE ET ASSISTANCE INFORMATIQUE DES SYSTEMES
Plus en détailChap 10 : L évaluation et la valorisation du potentiel de l équipe commerciale
Chap 10 : L évaluatin et la valrisatin du ptentiel de l équipe cmmerciale I. L évaluatin du ptentiel de l équipe A. Les enjeux de l évaluatin Les enjeux : Pur l évaluateur : Faire le bilan de l année :
Plus en détailContenu de version 2.1.13
Cntenu de versin 2.1.13 Auteur : CGI DIFFUSION Respnsables clients Versin Date Rédacteur Cmmentaires 0.0 19/03/2014 RDUB Initialisatin du dcument 1.0 20/04/2015 TLEC Mdificatin du dcument ENT_V2 1 13_Cntenu
Plus en détailNOTICE POUR L IMPORT DU FICHIER «IACA» DANS CORRELYCE
Directin des lycées Service des Technlgies de l Infrmatin Educatives NOTICE POUR L IMPORT DU FICHIER «IACA» DANS CORRELYCE Année sclaire 2008/2009 SOMMAIRE REMARQUES IMPORTANTES... 2 1. Exprter les cmptes
Plus en détailNote de cadrage de la version Apogée 4.10
APOGEE Auteur : Département Editin Intégratin Apgée Date de créatin : 09/11/2009 Dernière mdificatin : Nmbre de pages : 15 Destinataires Les établissements Apgée Pur infrmatin : Mts Clés : Accessibilité
Plus en détailL'avenir de l'internet : vers une nouvelle ère?
L'avenir de l'internet : vers une nuvelle ère? Opprtuni6es and challenges f the future Internet The future f Web Mbile Alex Crenthin, Chair ISOC Senegal Chapter W3C, Senegal Bureau Explsin du Téléphne
Plus en détailCatalogue de formation bureautique
Adbe IBM/ Nvell Micrsft Micrsft Catalgue de frmatin bureautique Windws [2000, XP, Vista, 7] Windws et Explrateur Gestin de dcuments Envirnnement Intrductin à la micr-infrmatique Intrductin Traitement de
Plus en détail«NAVIGUER SUR INTERNET v 2» Support de formation tutoré «Réponses aux remarques les plus souvent posées»
Avec l expérimentatin de NSIv2, nus avns reçu beaucup de remarques cncernant le dcument initial. Beaucup nt été prises en cmpte et intégrées. Pur les autres remarques, nus avns pris le parti d en faire
Plus en détailSAP Financial Innovation Day 18 Mars 2014 Genève Amélioration du Planning financier : un processus simplifié pour une meilleure qualité de données
SAP Financial Innvatin Day 18 Mars 2014 Genève Améliratin du Planning financier : un prcessus simplifié pur une meilleure qualité de dnnées Orange Cmmunicatins SA Smmaire Présentatin des sciétés Prblématique
Plus en détailProposition de Veille Internet Campagnes Electorales 2012
Prpsitin de Veille Internet Campagnes Electrales 2012 Pur tut savir sur ce que les respnsables plitiques, candidats à l électin Présidentielle, candidats aux électins législatives disent de vus et sur
Plus en détailColloque 07-05-2015 Rapport de l'atelier 1
Cllque 07-05-2015 Rapprt de l'atelier 1 P.1 MON PLAN D'URGENCE COMMUNAL: À QUEL NIVEAU EN EST-IL ET COMMENT CONCRÈTEMENT LE FAIRE AVANCER? QUESTION 1: COMMENT ÉTABLIR UN ÉTAT DES LIEUX DE MON PLAN D URGENCE
Plus en détailAlcatel OmniPCX Office
Alcatel OmniPCX Office PIMphny la puissance de la parle pur vtre lgiciel de gestin de cntacts Guide d intégratin CTI Guide d intégratin CTI de PIMphny Éditin 1 Alcatel 2004 page 1 Alcatel OmniPCX Office
Plus en détail2. Trouvez la version du firmware que vous souhaitez télécharger dans la rubrique Boot From CD, correspondant à votre modèle de SSD.
Changements apprtés par le firmware: Fiabilité du prduit amélirée Réslutin de l anmalie causant de brèves pauses intermittentes chez certains utilisateurs. INTRODUCTION Ce dcument décrit la prcedure permettant
Plus en détailDemande d Information : Solution de messagerie et outils collaboratifs pour l État
La Directin Interministérielle des Systèmes d Infrmatin et de Cmmunicatin en cllabratin avec le Service des Achats de l État Demande d Infrmatin : Slutin de messagerie et utils cllabratifs pur l État 1
Plus en détailIntégration «SugarCRM Asterisk» Ajouter la Téléphonie à votre CRM
Intégratin «SugarCRM Asterisk» Ajuter la Téléphnie à vtre CRM Un lgiciel CRM sans téléphnie, un nn-sens? Traditinnellement, les mndes de l infrmatique et des télécms nt tujurs été frtement clisnnés. Cnséquence
Plus en détailCatalogue de formation des meilleures pratiques de la gestion des services informatiques
SPÉCIALISTE DE LA PRODUCTION INFORMATIQUE CONSULTING FORMATION SOFTWARE INFOGÉRANCE ITIL au cœur de ns méthdes Frt de sn expertise de la prductin et de la gestin des services infrmatiques depuis plus de
Plus en détailÇi-dessous le livret du module de réservation de sièges. Via Thomascookagent.be (pour les agences)
Réservatin de places, enregistrement en ligne et lcatin du Digeplayer chez Thmas Ck Airlines. Réservatin de places chez Pegasus et TUI Airlines Belgium (Lng Haul). Une agence de vyage peut prcéder à la
Plus en détailLOGICIELS ET BASES DE DONNÉES PROTECTION ET VALORISATION
LOGICIELS ET BASES DE DONNÉES PROTECTION ET VALORISATION LA PROTECTION DES LOGICIELS CADRE LÉGISLATIF Li du 3 juillet 1985 : recnnaissance du lgiciel cmme œuvre de l esprit Directive cmmunautaire du 14
Plus en détailALL Arts, Lettres, Langues. Information Communication Culture
Niveau : MASTER année Dmaine : Mentin : ALL Arts, Lettres, Langues Infrmatin Cmmunicatin Culture M2 Spécialité : Master 2 Recherche, «Cmmunicatin et médiatins» 120 ES Vlume hraire étudiant : 100 h 38 h
Plus en détailFORMATION SUR «CLOUD COMPUTING : CONCEPTS, TECHNOLOGIES ET APPROCHES DE MIGRATION»
FORMATION SUR «CLOUD COMPUTING : CONCEPTS, TECHNOLOGIES ET APPROCHES DE MIGRATION» DU 18 AU 23 MAI 2015 TUNIS (TUNISIE) CLOUD COMPUTING : CONCEPTS, TECHNOLOGIES ET APPROCHES DE MIGRATION Les bjectifs de
Plus en détailLogiciel de gestion des inscriptions en CPGE
Admissin CPGE Lgiciel de gestin des inscriptins en CPGE La réfrme du mde de recrutement en classes préparatires aux Grandes Écles intervenu en 2003 a prfndément mdifié la gestin par les établissements
Plus en détailREGLEMENT COMPLET «3D World Koksijde»
REGLEMENT COMPLET «3D Wrld Kksijde» ARTICLE 1 Sciété rganisatrice ASSA ABLOY, situé au Heide 9, 1780 Wemmel, rganise du 03/07/2015 au 31/07/2015 inclus un jeu natinal avec bligatin d achat appelé «Yale
Plus en détailCE QU IL FAUT RETENIR DE HITECHPROS UNE OPPORTUNITE POUR LES ACTEURS DU SECTEUR UN OBSERVATEUR PRIVILEGIE DU MARCHE
Décembre 2014 1 SOMMAIRE CE QU IL FAUT RETENIR DE HITECHPROS LE MARCHE UNE OPPORTUNITE POUR LES ACTEURS DU SECTEUR UN OBSERVATEUR PRIVILEGIE DU MARCHE UNE DEMARCHE STRATEGIQUE INSCRITE DANS LA DUREE LE
Plus en détailDémarche Coaching Individuel
anma RECRUITMENT Tél. : 01 47 25 94 75 cntact@anma-recruitment.cm www.anma-recruitment.cm Démarche Caching Individuel 1 Ntre Visin du Caching LE COACHING est un accmpagnement sur mesure rienté résultats
Plus en détailCustomer Relationship Management
Custmer Relatinship Management Figure :les différents stades de l évlutin de marketing 1990 1970 1980 marketing marketing marketing de managment de l'ffre la demande de la distrubtin 2000 e- marketing
Plus en détailCoalition énergie et construction durable
RÉALISATION D UN CONCEPT D EFFICACITÉ ÉNERGÉTIQUE DANS UN CADRE DE DÉVELOPPEMENT DURABLE POUR LE BÂTIMENT DE MOISSON MONTRÉAL CONCEPT PRÉPARÉ PAR L ENSEMBLE DES PROFESSIONNELS MEMBRES DU COMITÉ EXPERTS
Plus en détailGUIDE DU CANDIDAT REPRESENTANT EN ASSURANCE DE DOMMAGES DES PARTICULIERS. Préparation aux examens de l AMF. Pour : DESJARDINS ASSURANCES GENERALES
GUIDE DU CANDIDAT REPRESENTANT EN ASSURANCE DE DOMMAGES DES PARTICULIERS Préparatin aux examens de l AMF Pur : DESJARDINS ASSURANCES GENERALES Prfesseur : Jacques Bélanger 04-2012 TABLE DES MATIÈRES I.
Plus en détailService de mobilité interbancaire - Règlement
versin 1.0-28/10/2009 Service de mbilité interbancaire - Règlement Ce règlement cnstitue le cadre général dans lequel les banques participantes ffrent en Belgique au cnsmmateur un service de mbilité interbancaire
Plus en détailProjet de renouvellement de l infrastructure informatique de la Mairie de Châtel-Guyon. Cahier des charges
Prjet de renuvellement de l infrastructure infrmatique de la Mairie de Châtel-Guyn Cahier des charges SOMMAIRE Chapitre I : Présentatin du prjet 02 Chapitre II : Infrastructure existante 03 Chapitre III
Plus en détailKluwer ERP Dashboard - VERO. www.kluwer.be/software
Kluwer ERP Dashbard - VERO www.kluwer.be/sftware Table des matières INFORMATIONS UTILES... 2 COMMENT UTILISER LE DASHBOARD... 4 LE CONTENU DU DASHBOARD... 6 LES CHIFFRES ET LES INDICATEURS... 6 LES GRAPHIQUES...
Plus en détailFICHE DE POSTE Fonction : Chef de Division Contrôle des opérations Financières FONCTION : CHEF DE DIVISION CONTRÔLE DES OPÉRATIONS FINANCIÈRES
Fnctin : Chef de Divisin Cntrôle des pératins Financières Versin : 3 Nvembre 2014 FONCTION : CHEF DE DIVISION CONTRÔLE DES OPÉRATIONS FINANCIÈRES DÉPARTEMENT : Département Opérateurs DIVISION : Divisin
Plus en détailProgramme Eau, Climat et Développement pour l'afrique. Termes de référence pour le recrutement d un Expert Socio/agro-économiste
Prgramme Eau, Climat et Dévelppement pur l'afrique Termes de référence pur le recrutement d un Expert Sci/agr-écnmiste Dans le cadre de l élabratin de l étude sur l intégratin des impacts du changement
Plus en détail