Ingénierie d Aide à la Décision. Ecole Internationale des Sciences de Traitement de l Information (EISTI) mma/html-iad/iad.

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Ingénierie d Aide à la Décision. Ecole Internationale des Sciences de Traitement de l Information (EISTI) mma/html-iad/iad."

Transcription

1 Ingénierie d Aide à la Décision p. 1/1 Ingénierie d Aide à la Décision Ecole Internationale des Sciences de Traitement de l Information (EISTI) mma/html-iad/iad.html

2 Ingénierie d Aide à la Décision p. 2/1 Thèmes de l option Ingénierie d Aide à la Décision La recherche opérationnelle : Traiter des problèmes d optimisation, d aide à la décision et d évaluation de performances liées aux organisations et procédés du monde réel. Domaines : transports, télécommunications, systèmes de production, procédés industriels. L exploration de données : Découverte d informations intéressantes, utiles dans les très grandes bases de données. Des outils mathématiques puissants pour construire des algorithmes très performants.

3 Ingénierie d Aide à la Décision p. 3/1 La recherche Opérationnelle La RO propose des modèles pour analyser des situations complexes,

4 Ingénierie d Aide à la Décision p. 3/1 La recherche Opérationnelle La RO propose des modèles pour analyser des situations complexes, permet aux décideurs de faire les choix les plus efficaces : une meilleure compréhension des problèmes, une vision complète des données, la considération de toutes les solutions possibles, des prédictions prudentes de résultats incluant une évaluation des risques, des outils et des méthodes modernes d aide à la décision.

5 Ingénierie d Aide à la Décision p. 4/1 L exploration de données But : découverte d informations intéressantes, utiles dans les très grandes bases de données.

6 Ingénierie d Aide à la Décision p. 4/1 L exploration de données But : découverte d informations intéressantes, utiles dans les très grandes bases de données. Nécessité d avoir des outils de traitement adaptés et performants : Classification supervisée. Segmentation ou classification non supervisée. Découvertes de relations. Analyse de réseaux sociaux.

7 Ingénierie d Aide à la Décision p. 5/1 Connaissances acquises - Orientation Méthodes d apprentissage & d exploration de données Méthodes et outils de l Intelligence Artificielle. Introduction aux fouille de données (Data Mining).

8 Ingénierie d Aide à la Décision p. 5/1 Connaissances acquises - Orientation Méthodes d apprentissage & d exploration de données Méthodes et outils de l Intelligence Artificielle. Introduction aux fouille de données (Data Mining). Aide à la décision Introduction à la recherche opérationnelle. Introduction à l informatique décisionnelle.

9 Ingénierie d Aide à la Décision p. 5/1 Connaissances acquises - Orientation Méthodes d apprentissage & d exploration de données Méthodes et outils de l Intelligence Artificielle. Introduction aux fouille de données (Data Mining). Aide à la décision Introduction à la recherche opérationnelle. Introduction à l informatique décisionnelle. Projet dans un des domaines : Domaine de la recherche opérationnelle : Système d indexation des documents électroniques par TAGs. Domaine du Data Mining : comportement des internautes navigateurs sur le site de l EISTI, AREL.

10 Ingénierie d Aide à la Décision p. 6/1 Module Recherche Opérationnelle Thèmes fondamentaux

11 Ingénierie d Aide à la Décision p. 6/1 Module Recherche Opérationnelle Thèmes fondamentaux 1. Théorie de la complexité.

12 Ingénierie d Aide à la Décision p. 6/1 Module Recherche Opérationnelle Thèmes fondamentaux 1. Théorie de la complexité. 2. Modèles décisionnels.

13 Ingénierie d Aide à la Décision p. 6/1 Module Recherche Opérationnelle Thèmes fondamentaux 1. Théorie de la complexité. 2. Modèles décisionnels. 3. Programmation par contraintes et ordonnancement.

14 Ingénierie d Aide à la Décision p. 6/1 Module Recherche Opérationnelle Thèmes fondamentaux 1. Théorie de la complexité. 2. Modèles décisionnels. 3. Programmation par contraintes et ordonnancement. 4. Modélisation de préférences - aide multicritère à la décision.

15 Ingénierie d Aide à la Décision p. 6/1 Module Recherche Opérationnelle Thèmes fondamentaux 1. Théorie de la complexité. 2. Modèles décisionnels. 3. Programmation par contraintes et ordonnancement. 4. Modélisation de préférences - aide multicritère à la décision. 5. Théorie de graphes et application.

16 Ingénierie d Aide à la Décision p. 6/1 Module Recherche Opérationnelle Thèmes fondamentaux 1. Théorie de la complexité. 2. Modèles décisionnels. 3. Programmation par contraintes et ordonnancement. 4. Modélisation de préférences - aide multicritère à la décision. 5. Théorie de graphes et application. Thèmes spécialisés & Applications

17 Ingénierie d Aide à la Décision p. 6/1 Module Recherche Opérationnelle Thèmes fondamentaux 1. Théorie de la complexité. 2. Modèles décisionnels. 3. Programmation par contraintes et ordonnancement. 4. Modélisation de préférences - aide multicritère à la décision. 5. Théorie de graphes et application. Thèmes spécialisés & Applications 1. Prise de décision et incertitude

18 Ingénierie d Aide à la Décision p. 6/1 Module Recherche Opérationnelle Thèmes fondamentaux 1. Théorie de la complexité. 2. Modèles décisionnels. 3. Programmation par contraintes et ordonnancement. 4. Modélisation de préférences - aide multicritère à la décision. 5. Théorie de graphes et application. Thèmes spécialisés & Applications 1. Prise de décision et incertitude 2. Métiers & RO

19 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux

20 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux 1. Fouilles de données (Data Mining) & Application.

21 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux 1. Fouilles de données (Data Mining) & Application. 2. Apprentissage statistique.

22 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux 1. Fouilles de données (Data Mining) & Application. 2. Apprentissage statistique. 3. Réseaux de neurones.

23 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux 1. Fouilles de données (Data Mining) & Application. 2. Apprentissage statistique. 3. Réseaux de neurones. 4. Apprentissage automatique.

24 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux 1. Fouilles de données (Data Mining) & Application. 2. Apprentissage statistique. 3. Réseaux de neurones. 4. Apprentissage automatique. Thèmes spécialisés & Applications

25 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux 1. Fouilles de données (Data Mining) & Application. 2. Apprentissage statistique. 3. Réseaux de neurones. 4. Apprentissage automatique. Thèmes spécialisés & Applications 1. Fouille de données textuelles & visuelles.

26 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux 1. Fouilles de données (Data Mining) & Application. 2. Apprentissage statistique. 3. Réseaux de neurones. 4. Apprentissage automatique. Thèmes spécialisés & Applications 1. Fouille de données textuelles & visuelles. 2. Analyse de réseaux sociaux.

27 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux 1. Fouilles de données (Data Mining) & Application. 2. Apprentissage statistique. 3. Réseaux de neurones. 4. Apprentissage automatique. Thèmes spécialisés & Applications 1. Fouille de données textuelles & visuelles. 2. Analyse de réseaux sociaux. 3. Visualisation des données.

28 Ingénierie d Aide à la Décision p. 7/1 Module Exploration de données Thèmes fondamentaux 1. Fouilles de données (Data Mining) & Application. 2. Apprentissage statistique. 3. Réseaux de neurones. 4. Apprentissage automatique. Thèmes spécialisés & Applications 1. Fouille de données textuelles & visuelles. 2. Analyse de réseaux sociaux. 3. Visualisation des données. 4. E-Commerce & CRM (Customer Relations Management).

29 Ingénierie d Aide à la Décision p. 8/1 Projet de Fin d études Thème innovant dans des domaines en pleine expansion.

30 Ingénierie d Aide à la Décision p. 8/1 Projet de Fin d études Thème innovant dans des domaines en pleine expansion. En collaboration avec les membres du laboratoire LARIS sur les thématiques de la recherche au sein de l école.

31 Ingénierie d Aide à la Décision p. 8/1 Projet de Fin d études Thème innovant dans des domaines en pleine expansion. En collaboration avec les membres du laboratoire LARIS sur les thématiques de la recherche au sein de l école. Exemples : Système de recommandation dans un réseau social professionnel. Analyse et explorations de données financières. Poursuite d un ensemble de cibles en movement.

32 Ingénierie d Aide à la Décision p. 9/1 Collaborations.. Collaboration avec SAS : Formation de SAS/OR, SAS/EntrepriseMiner. Projet d entreprise..

33 Ingénierie d Aide à la Décision p. 9/1 Collaborations.. Collaboration avec SAS : Formation de SAS/OR, SAS/EntrepriseMiner. Projet d entreprise.. Université Paris 13-Institut Galilée, Master : Exploration Informatique des Données et Décisionnel : EID. Accord de validation réciproque des matières entre IAD et EID.

34 Ingénierie d Aide à la Décision p. 10/1 Connaissances & Compétences acquises - 1 Ingénierie d aide à la décision RO : Processus de modélisation et connaissance du Génie Industriel, traiter des problèmes : optimisation, aide à la décision, évaluation de performances liées aux organisations et procédés du monde réel. Outils de simulation, bibliothèques d optimisation ou de gestion de contraintes, SAS/OR.

35 Ingénierie d Aide à la Décision p. 11/1 Connaissances & Compétences acquises - 2 Ingénierie d aide à la décision Data Mining : Méthodes et Techniques mathématiques pour l exploration des données : Problème : quel type de connaissances à extraire à partir des données? Choix de solutions adaptées au problème posé : classification, segmentation, association, liens entre entités. Outils réalisant des algorithmes performants d analyse et de fouille de données : SAS, Weka.

36 Ingénierie d Aide à la Décision p. 12/1 Métiers & Débouchées professionnelles Ingénieurs employés par des éditeurs de logiciels, des SSII, et des services internes à de grandes entreprises.

37 Ingénierie d Aide à la Décision p. 12/1 Métiers & Débouchées professionnelles Ingénieurs employés par des éditeurs de logiciels, des SSII, et des services internes à de grandes entreprises. Ingénieurs, concepteurs ou utilisateurs d outils de calcul, d évaluation de performances, d aide à la décision, d exploration de données.

38 Ingénierie d Aide à la Décision p. 12/1 Métiers & Débouchées professionnelles Ingénieurs employés par des éditeurs de logiciels, des SSII, et des services internes à de grandes entreprises. Ingénieurs, concepteurs ou utilisateurs d outils de calcul, d évaluation de performances, d aide à la décision, d exploration de données. Ingénieurs de recherche et de développement, directeurs de projets en informatique, consultants.

39 Ingénierie d Aide à la Décision p. 12/1 Métiers & Débouchées professionnelles Ingénieurs employés par des éditeurs de logiciels, des SSII, et des services internes à de grandes entreprises. Ingénieurs, concepteurs ou utilisateurs d outils de calcul, d évaluation de performances, d aide à la décision, d exploration de données. Ingénieurs de recherche et de développement, directeurs de projets en informatique, consultants. Ingénieur Data Miner.

40 Ingénierie d Aide à la Décision p. 12/1 Métiers & Débouchées professionnelles Ingénieurs employés par des éditeurs de logiciels, des SSII, et des services internes à de grandes entreprises. Ingénieurs, concepteurs ou utilisateurs d outils de calcul, d évaluation de performances, d aide à la décision, d exploration de données. Ingénieurs de recherche et de développement, directeurs de projets en informatique, consultants. Ingénieur Data Miner. Ingénieur en Business Intelligence Analytique.

41 Ingénierie d Aide à la Décision p. 12/1 Métiers & Débouchées professionnelles Ingénieurs employés par des éditeurs de logiciels, des SSII, et des services internes à de grandes entreprises. Ingénieurs, concepteurs ou utilisateurs d outils de calcul, d évaluation de performances, d aide à la décision, d exploration de données. Ingénieurs de recherche et de développement, directeurs de projets en informatique, consultants. Ingénieur Data Miner. Ingénieur en Business Intelligence Analytique. Ingénieur Conseil en aide à la décision dans les différentes fonctions de l entreprise.

42 Ingénierie d Aide à la Décision p. 13/1 Secteurs Nouvelles technologies, Gestion électronique de documents

43 Ingénierie d Aide à la Décision p. 13/1 Secteurs Nouvelles technologies, Gestion électronique de documents Transports, Télécommunications,

44 Ingénierie d Aide à la Décision p. 13/1 Secteurs Nouvelles technologies, Gestion électronique de documents Transports, Télécommunications, Aéronautique, Automobile, Énergie, Laboratoires, Banques,

45 Ingénierie d Aide à la Décision p. 13/1 Secteurs Nouvelles technologies, Gestion électronique de documents Transports, Télécommunications, Aéronautique, Automobile, Énergie, Laboratoires, Banques, Assurances, Informatique d applications et de services.

46 Ingénierie d Aide à la Décision p. 14/1 Exemples de stages Alcatel: concevoir un modèle qui permettrait d inférer automatiquement les relations sociales en s appuyant sur des échanges sociaux.

47 Ingénierie d Aide à la Décision p. 14/1 Exemples de stages Alcatel: concevoir un modèle qui permettrait d inférer automatiquement les relations sociales en s appuyant sur des échanges sociaux. Orange Labs : Optimisation des poids des modèles dans un prédicateur bayésien.

48 Ingénierie d Aide à la Décision p. 14/1 Exemples de stages Alcatel: concevoir un modèle qui permettrait d inférer automatiquement les relations sociales en s appuyant sur des échanges sociaux. Orange Labs : Optimisation des poids des modèles dans un prédicateur bayésien. Logica : Environnement CRM.

49 Ingénierie d Aide à la Décision p. 14/1 Exemples de stages Alcatel: concevoir un modèle qui permettrait d inférer automatiquement les relations sociales en s appuyant sur des échanges sociaux. Orange Labs : Optimisation des poids des modèles dans un prédicateur bayésien. Logica : Environnement CRM. Thalès, MBDA, AI Internet,etc.

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html Option Deux thèmes : La recherche opérationnelle : Traiter des problèmes d optimisation, d aide à la décision et d évaluation de performances

Plus en détail

Ingénierie de Systèmes Intelligents

Ingénierie de Systèmes Intelligents Ingénierie de Systèmes Intelligents p. 1/? Ingénierie de Systèmes Intelligents Maria Malek maria.malek@eisti.fr Ecole Internationale des Sciences de Traitement de l Information (EISTI) http://www.eisti.fr/

Plus en détail

Ingénierie de Systèmes Intelligents

Ingénierie de Systèmes Intelligents Ingénierie de Systèmes Intelligents p. 1/ Ingénierie de Systèmes Intelligents Application : Web Intelligent Maria Malek EISTI Ingénierie de Systèmes Intelligents p. 2/ Objectif Traitement Intelligent des

Plus en détail

Spécialité IAD. Master de Sciences et technologie de l UPMC. Mention informatique. Partenaires : ENST, ENSTA. Responsables : T. Artières, C.

Spécialité IAD. Master de Sciences et technologie de l UPMC. Mention informatique. Partenaires : ENST, ENSTA. Responsables : T. Artières, C. Master de Sciences et technologie de l UPMC Mention informatique Spécialité IAD Partenaires : ENST, ENSTA Responsables : T. Artières, C. Gonzales Secrétariat : N. Nardy LES THÉMATIQUES ABORDÉES Les thématiques

Plus en détail

IODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21

IODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21 IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances

Plus en détail

Légende. Prérequis. unité A unité B. signifie que l'unité B est un prérequis de l'unité A. Corequis. unité A unité B

Légende. Prérequis. unité A unité B. signifie que l'unité B est un prérequis de l'unité A. Corequis. unité A unité B Légende unité A unité B signifie que l'unité B est un prérequis de l'unité A unité A unité B signifie que l'unité B est un corequis de l'unité A Note : lorsque deux cours sont corequis l'un de l'autre,

Plus en détail

MASTER INFORMATIQUE ET INGENIERIE DES SYSTEMES COMPLEXES PARCOURS SIGNAL ET TELECOMMUNICATIONS

MASTER INFORMATIQUE ET INGENIERIE DES SYSTEMES COMPLEXES PARCOURS SIGNAL ET TELECOMMUNICATIONS MASTER INFORMATIQUE ET INGENIERIE DES SYSTEMES COMPLEXES PARCOURS SIGNAL ET TELECOMMUNICATIONS Domaine ministériel : Sciences, Technologies, Santé Présentation Nature de la formation : Diplôme national

Plus en détail

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Objectifs Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Structure générale des études à l UTC Règlement

Plus en détail

UFR d Informatique. FORMATION MASTER Domaine SCIENCES, TECHNOLOGIE, SANTE Mention INFORMATIQUE 2014-2018

UFR d Informatique. FORMATION MASTER Domaine SCIENCES, TECHNOLOGIE, SANTE Mention INFORMATIQUE 2014-2018 UFR d Informatique FORMATION MASTER Domaine SCIENCES, TECHNOLOGIE, SANTE Mention INFORMATIQUE 2014-2018 Objectif L UFR d informatique propose au niveau du master, deux spécialités sous la mention informatique

Plus en détail

Domaine de Formation : Sciences et Technologies Mention : Informatique Spécialité : Informatique de Gestion

Domaine de Formation : Sciences et Technologies Mention : Informatique Spécialité : Informatique de Gestion LICENCE FONDAMENTALE INFORMATIQUE DE GESTION Domaine de Formation : Sciences et Technologies Mention : Informatique Spécialité : Informatique de Gestion I. Présentation de la licence Le but de la Licence

Plus en détail

Informatique des systèmes embarqués

Informatique des systèmes embarqués 1 Informatique des systèmes embarqués Former des ingénieurs capables d appréhender la programmation et l intégration de systèmes complexes pouvant être embarqués, intégrés, interactifs et communicants.

Plus en détail

IHEC CARTHAGE. de l ouverture sur l environnement

IHEC CARTHAGE. de l ouverture sur l environnement LICENCES IHEC Directeur Directrice des études Directrice des stages et de l ouverture sur l environnement Slim KHALBOUS slim.khalbous@gnet.tn Salma DAMAK salmadamak@yahoo.fr Fatma KILANI fatmakilanihec@gmail.com

Plus en détail

Master Informatique Aix-Marseille Université

Master Informatique Aix-Marseille Université Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes

Plus en détail

Etudier l informatique

Etudier l informatique Etudier l informatique à l Université de Genève 2015-2016 Les bonnes raisons d étudier l informatique à l UNIGE La participation à des dizaines de projets de recherche européens Dans la présente brochure,

Plus en détail

données en connaissance et en actions?

données 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 détail

Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant

Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master

Plus en détail

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche Réseaux Sociaux Révolution des usages sur Internet, et nouvelles problématiques de recherche Pierre Maret, Laboratoire Hubert Curien, St-Etienne Adrien Joly, Alcatel-Lucent Bell Labs France, Villarceaux

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

July 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15

July 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15 Mastère Spécialisé Big Data Stéphan Clémençon Télécom ParisTech July 1, 2013 Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15 Agenda Contexte et Opportunité Les grandes lignes

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme

Plus en détail

Cybermarché et analyse comportementale

Cybermarché et analyse comportementale Cybermarché et analyse comportementale Antoine-Eric Sammartino aesammartino@e-laser.fr Séminaire Data Mining - Educasoft Formations 18 juin 2001-1- MENU Le Groupe LaSer Le processus Data Mining L industrialisation

Plus en détail

Analyse de grandes bases de données en santé

Analyse de grandes bases de données en santé .. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.

Plus en détail

Analyse de grandes bases de données en santé

Analyse de grandes bases de données en santé .. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.

Plus en détail

CURSUS MASTER EN INGENIERIE INFORMATIQUE : SYSTEMES INTELLIGENTS COMMUNICANTS

CURSUS MASTER EN INGENIERIE INFORMATIQUE : SYSTEMES INTELLIGENTS COMMUNICANTS CURSUS MASTER EN INGENIERIE INFORMATIQUE : SYSTEMES INTELLIGENTS COMMUNICANTS Domaine ministériel : Sciences, Technologies, Santé Présentation Nature de la formation : Diplôme national de l'enseignement

Plus en détail

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1 Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe

Plus en détail

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR MASTER SCIENCES, TECHNOLOGIES, SANTE / STAPS MATHEMATIQUES ET SCIENCES POUR L INGENIEUR Spécialité Ingénierie Numérique, Signal-Image et Informatique Industrielle (INS3I) www.univ-littoral.fr OBJECTIFS

Plus en détail

Département Énergie et Environnement

Département Énergie et Environnement Département Énergie et Environnement David Bouquain -27 mars 2012 Formation d ingénieurs en énergie Présentation UTBM CS du 14 Avril 1 Le réseau des Universités de Technologie Les Universités de Technologie

Plus en détail

Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.

Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc. Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

DUT Statistique et Traitement Informatique des Données (S.T.I.D.)

DUT Statistique et Traitement Informatique des Données (S.T.I.D.) UNIVERSITÉ DE LILLE 2 IUT DE ROUBAIX DÉPARTEMENT STATISTIQUE ET TRAITEMENT INFORMATIQUE DES DONNÉES DUT Statistique et Traitement Informatique des Données OBJECTIFS : (S.T.I.D.) Il s agit d une formation

Plus en détail

SCIENCES 2015/2016. Emploi du temps Groupe - M2P IMAT TP 1.1 (Sem 40, sem commençant le 28/09/2015)

SCIENCES 2015/2016. Emploi du temps Groupe - M2P IMAT TP 1.1 (Sem 40, sem commençant le 28/09/2015) Emploi du temps Groupe - M2P IMAT (Sem 40, sem commençant le 28/09/2015) 28/09/2015 Salle: FSI / U3-217 TP-INFO 29/09/2015 Salle: FSI / U3-213 TP-INFO COURS, 03:45-05:45 30/09/2015 structures COURS, 10:00-12:00

Plus en détail

Offre de formation de troisième cycle (LMD)

Offre de formation de troisième cycle (LMD) Offre de formation de troisième cycle (LMD) (Arrêté n 250 du 28 juillet 2009, fixant l organisation de la formation de troisième en vue de l obtention du diplôme de doctorat) Etablissement Faculté / Institut

Plus en détail

MASTER MARKETING VENTE, SPECIALITE DATA MINING ET RELATION CLIENT

MASTER MARKETING VENTE, SPECIALITE DATA MINING ET RELATION CLIENT MASTER MARKETING VENTE, SPECIALITE DATA MINING ET RELATION CLIENT RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Droit, Economie, Gestion Mention : Marketing et vente Spécialité

Plus en détail

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Motivations de la filière fouille de données

Plus en détail

Changer la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes.

Changer la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes. SAS, Cognos, Stata, Eviews, conseil, expertise, formation, mining, datamining, statistique, connaissance Changer la source d'une requête dans SAS Enterprise Guide client, valeur client, CRM, fidélisation,

Plus en détail

FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis

FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités

Plus en détail

RESUME DESCRIPTIF DE LA CERTIFICATION (FICHE REPERTOIRE)

RESUME DESCRIPTIF DE LA CERTIFICATION (FICHE REPERTOIRE) RESUME DESCRIPTIF DE LA CERTIFICATION (FICHE REPERTOIRE) Intitulé (cadre 1) Ingénieur diplômé de l École Nationale Supérieure d Ingénieurs en Informatique, Automatique, Mécanique, Énergétique et Électronique

Plus en détail

Programme détaillé des enseignements

Programme détaillé des enseignements Programme détaillé des enseignements SEMESTRE S1 STATISTIQUES Méthodes d'estimation ponctuelle (méthodes des moments, du maximum de vraisemblances, bayésienne) et par intervalles de confiance. Statistiques

Plus en détail

Bien choisir son avenir

Bien choisir son avenir Bien choisir son avenir INSTITUT SUPÉRIEUR D INFORMATIQUE DE MODÉLISATION ET DE LEURS APPLICATIONS ISIMA, grande école d ingénieurs publique L expérience pour innover L ISIMA est une Grande École d Ingénieurs,

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

INGÉNIERIE DES SYSTÈMES INFORMATIQUES - PARCOURS : ARCHITECTURE ET SÉCURITÉ DES SYSTÈMES ET RÉSEAUX INFORMATIQUES

INGÉNIERIE DES SYSTÈMES INFORMATIQUES - PARCOURS : ARCHITECTURE ET SÉCURITÉ DES SYSTÈMES ET RÉSEAUX INFORMATIQUES INGÉNIERIE DES SYSTÈMES INFORMATIQUES - PARCOURS : ARCHITECTURE ET SÉCURITÉ DES SYSTÈMES ET RÉSEAUX INFORMATIQUES Préparez ce diplôme à l école de d ingénierie de l IGA OBJECTIFS DE LA FORMATION Aujourd

Plus en détail

Pourquoi l apprentissage?

Pourquoi l apprentissage? Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage

Plus en détail

SEO Camp'us -4 et 5 février 2009. Directeur du pôle métiers Aposition

SEO Camp'us -4 et 5 février 2009. Directeur du pôle métiers Aposition L'apport de la sémantique et de la linguistique statistique pour le SEO SEO Camp'us -4 et 5 février 2009 Philippe YONNET Directeur du pôle métiers Aposition Président de l association SEOCamp Comment classer

Plus en détail

l Intelligence Artificielle

l Intelligence Artificielle 1 Introduction à l Intelligence Artificielle Antoine Cornuéjols antoine@lri.fr http://www.iie.cnam.fr/~cornuejols/ I.I.E. & L.R.I., Université d Orsay Intelligence Artificielle : plan 2 1-2- 3-4- 5-6-

Plus en détail

Découvrez qui sont vos clients et propects, pourquoi et comment ils achètent.

Découvrez qui sont vos clients et propects, pourquoi et comment ils achètent. Découvrez qui sont vos clients et propects, pourquoi et comment ils achètent. Augmentez votre taux de conversion. version CS +22% 75% 1 4 3 2 10% 2% 5% ANALYSER TESTER PERSONNALISER les parcours client

Plus en détail

Master 1 Rentrée 2015/2016

Master 1 Rentrée 2015/2016 Informations générales Semestre 1 Semestre 2 Master 1 Rentrée 2015/2016 Université du Littoral Cote d Opale 4 septembre 2015 (Université du Littoral Cote d Opale) Master 1 4 septembre 2015 1 / 24 Informations

Plus en détail

Introduction à l Informatique Décisionnelle - Business Intelligence (7)

Introduction à l Informatique Décisionnelle - Business Intelligence (7) Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence

Plus en détail

MANAGEMENT DES SYSTEMES D INFORMATION ET DE PRODUCTION MSIP

MANAGEMENT DES SYSTEMES D INFORMATION ET DE PRODUCTION MSIP MANAGEMENT DES SYSTEMES D INFORMATION ET DE PRODUCTION MSIP METHODES & CONCEPTS POUR UNE INGENIERIE INNOVANTE Ecole Nationale Supérieure des Mines de Rabat Département INFORMATIQUE www.enim.ac.ma MANAGEMENT

Plus en détail

Projet de Chaire Machine-learning

Projet de Chaire Machine-learning Projet de Chaire Machine-learning Stéphan Clémençon Télécom ParisTech January 15, 2013 Stéphan Clémençon (Télécom ParisTech) Chaire Apprentissage January 15, 2013 1 / 1 Machine-learning: un bref tour d

Plus en détail

Weka_S2D : Système de Surveillance de Diabétiques

Weka_S2D : Système de Surveillance de Diabétiques Weka_S2D : Système de Surveillance de Diabétiques TALEB ZOUGGAR Souad(*), ATMANI Baghdad(*) Souad.taleb@gmail.com, atmani.baghdad@univ-oran.dz (*) Equipe de recherche «Simulation, Intégration et fouille

Plus en détail

Présentation de la majeure ISN. ESILV - 18 avril 2013

Présentation de la majeure ISN. ESILV - 18 avril 2013 Présentation de la majeure ISN ESILV - 18 avril 2013 La Grande Carte des Métiers et des Emplois Sociétés de service Entreprises Administrations Grand- Public Sciences Utiliser Aider à utiliser Vendre APPLICATIONS:

Plus en détail

Grégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.

Grégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved. Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans

Plus en détail

ROYAUME DU MAROC. Ministère de l Eductaion Nationale, de l Enseignement Supérieur de la Formation des Cadres et de la Recherche Scientifique

ROYAUME DU MAROC. Ministère de l Eductaion Nationale, de l Enseignement Supérieur de la Formation des Cadres et de la Recherche Scientifique ROYAUME DU MAROC Ministère de l Eductaion Nationale, de l Enseignement Supérieur de la Formation des Cadres et de la Recherche Scientifique UNIVERSITE : Hassan II ETABLISSEMENT : Faculté de Médecine &

Plus en détail

LES AUTOMATES. Automate

LES AUTOMATES. Automate 1.1 Généralités 1 AUTOMATES SYNCHRONES LES AUTOMATES On appelle automate un opérateur séquentiel dont l'état et les sorties futurs sont fonction des entrées et de l'état présent de l'automate (Figure 1).

Plus en détail

Table des Matières. Table des Figures 7. Introduction Générale 9. Chapitre 1 - Langages de description d architectures matérielles hybrides 23

Table des Matières. Table des Figures 7. Introduction Générale 9. Chapitre 1 - Langages de description d architectures matérielles hybrides 23 Table des Figures 7 Introduction Générale 9 1. Outils et plate-formes de construction d application 9 2. Intégration de paradigmes de conception dans le cycle de vie 10 2.1. Equilibrage de charge et équilibrage

Plus en détail

M2 GST SPÉCIALITÉ CARTHAGÉO DESCRIPTIF DÉTAILLÉS DES ENSEIGNEMENTS

M2 GST SPÉCIALITÉ CARTHAGÉO DESCRIPTIF DÉTAILLÉS DES ENSEIGNEMENTS M2 GST SPÉCIALITÉ CARTHAGÉO DESCRIPTIF DÉTAILLÉS DES ENSEIGNEMENTS UE 1 : Tronc commun Carthagéo-Géoprisme Un certain nombre d enseignements de la formation professionnelle Carthagéo est mutualisée avec

Plus en détail

De la donnée à la décision. Sofian MAABOUT LaBRI. Université Bordeaux 1

De la donnée à la décision. Sofian MAABOUT LaBRI. Université Bordeaux 1 De la donnée à la décision Sofian MAABOUT LaBRI. Université Bordeaux 1 1 Décider c est choisir, parmi plusieurs actes possibles, celui qui apparaît comme le plus pertinent pour atteindre un résultat envisagé,

Plus en détail

Architecte de Services informatiques en Réseaux (ASR)

Architecte de Services informatiques en Réseaux (ASR) Voie d Approfondissement Architecte de Services informatiques en Réseaux (ASR) Michel SIMATIC 18/12/2012 Évolution des systèmes répartis Des matériels communicants de plus en plus nombreux Des matériels

Plus en détail

Recherche Opérationnelle et Optimisation : Quelles perspectives pour le Datamining

Recherche Opérationnelle et Optimisation : Quelles perspectives pour le Datamining Recherche Opérationnelle et Optimisation : Quelles perspectives pour le Datamining Clarisse DHAENENS LIFL Equipe OPAC INRIA Projet DOLPHIN Université de Lille 1 KESAKO Datamining Datamining : définitiond

Plus en détail

LICENCE PROFESSIONNELLE EN MANAGEMENT ET ECONOMIE DU NUMERIQUE (LIPMeN)

LICENCE PROFESSIONNELLE EN MANAGEMENT ET ECONOMIE DU NUMERIQUE (LIPMeN) LICENCE PROFESSIONNELLE EN MANAGEMENT ET ECONOMIE DU NUMERIQUE (LIPMeN) Domaine : Sciences et Techniques Mention : Management et Economie du Numérique La formation se déroule sur trois (3) ans (6 semestres).

Plus en détail

La chaire de Finance et Développement Durable. Approches quantitatives et financières au service du Développement Durable

La chaire de Finance et Développement Durable. Approches quantitatives et financières au service du Développement Durable La chaire de Finance et Développement Durable Approches quantitatives et financières au service du Développement Durable 1 Vers des mécanismes de gestion collective du Développement Durable par une approche

Plus en détail

Stages 2013-2014 ISOFT : UNE SOCIETE INNOVANTE. ISoft : +33 1 69 35 37 37 www.isoft.fr 21 Chemin de Moulon 91190 Gif sur Yvette France

Stages 2013-2014 ISOFT : UNE SOCIETE INNOVANTE. ISoft : +33 1 69 35 37 37 www.isoft.fr 21 Chemin de Moulon 91190 Gif sur Yvette France Stages 2013-2014 ISOFT : UNE SOCIETE INNOVANTE Contact : Mme Lapedra, stage@isoft.fr ISoft, éditeur de logiciels, est spécialisé dans l informatique décisionnelle et l analyse de données. Son expertise

Plus en détail

Statistiques et traitement des données

Statistiques et traitement des données Statistiques et traitement des données Mention : Mathématiques Nature de la formation : Diplôme national de l'enseignement Supérieur Durée des études : 2 ans Crédits ECTS : 120 Formation accessible en

Plus en détail

MASTER INFORMATIQUE. Modèles, Systèmes, Imagerie. spécialité recherche

MASTER INFORMATIQUE. Modèles, Systèmes, Imagerie. spécialité recherche MASTER INFORMATIQUE Modèles, Systèmes, Imagerie spécialité recherche PARCOURS : > Modèles et Algorithmes d Aide à la Décision > Systèmes de Production > Systèmes d information et de communication > Imagerie-Vision

Plus en détail

Améliorer la précision des modèles avec des données non structurées

Améliorer la précision des modèles avec des données non structurées IBM SPSS Modeler Premium Améliorer la précision des modèles avec des données non structurées Points clés Consultez, préparez et intégrez facilement des données structurées ainsi que des données tirées

Plus en détail

PERSYVAL-lab Pervasive Systems and Algorithms

PERSYVAL-lab Pervasive Systems and Algorithms PERSYVAL-lab Pervasive Systems and Algorithms Responsable scientifique et technique: Marie-Christine Rousset Coordination scientifique du montage du projet: Yassine Lakhnech, Marie-Christine Rousset, Jean-Marc

Plus en détail

Leçon 4 : Typologie des SI

Leçon 4 : Typologie des SI Leçon 4 : Typologie des SI Typologie des SI Système formel Système informel Typologie des SI Chaque jour au sein d une organisation Le système d info stocke, traie ou restitue des quantités importantes

Plus en détail

CMI ECONOMIE, FINANCE QUANTITATIVE ET STATISTIQUES - PARCOURS FORMATION EN APPRENTISSAGE

CMI ECONOMIE, FINANCE QUANTITATIVE ET STATISTIQUES - PARCOURS FORMATION EN APPRENTISSAGE Université de PARIS 2 - ASSAS 1/3 PARCOURS FORMATION EN APPRENTISSAGE L1 S1 Mathématiques 1 4 L1 S1 Statistiques 1 4 L1 S1 Fondemants de l'informatique 4 L1 S1 Compléments Maths 2 L1 S1 Compléments Stats

Plus en détail

OLAP. Data Mining Decision

OLAP. Data Mining Decision Machine Learning Information Systems Data Warehouses Web & Cloud Intelligence OLAP Knowledge Management Data Mining Decision ENTREPÔTS, REPRÉSENTATION & INGÉNIERIE des CONNAISSANCES Une recherche pluridisciplinaire...

Plus en détail

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR MASTER SCIENCES, TECHNOLOGIES, SANTE/STAPS MATHEMATIQUES ET SCIENCES POUR L INGENIEUR Informatique www.univ-littoral.fr OBJECTIFS DE LA FORMATION Le master Informatique se compose de deux parcours et se

Plus en détail

Plateformes de simulation pour la formation des professionnels de Santé Antoine TESNIERE, MD, PhD

Plateformes de simulation pour la formation des professionnels de Santé Antoine TESNIERE, MD, PhD Plateformes de simulation pour la formation des professionnels de Santé Antoine TESNIERE, MD, PhD Laboratoire universitaire médical d enseignement numérique et de simulation antoine.tesniere@ilumens.org

Plus en détail

Poursuivre ses études à l'université de Rouen Masters professionnels en Informatique et en Mathématiques. UFR Sciences et Techniques 20-03-2014 1/18

Poursuivre ses études à l'université de Rouen Masters professionnels en Informatique et en Mathématiques. UFR Sciences et Techniques 20-03-2014 1/18 Poursuivre ses études à l'université de Rouen Masters professionnels en Informatique et en Mathématiques UFR Sciences et Techniques 20-03-2014 1/18 Masters pro GIL, SSI et AIMAF Taux d'insertion : 100

Plus en détail

Analyse de données textuelles Panorama des fonctions, des méthodes et des usages

Analyse de données textuelles Panorama des fonctions, des méthodes et des usages Analyse de données textuelles Panorama des fonctions, des méthodes et des usages Sylvie Dalbin Assistance & Techniques Documentaires DocForum, Le 17 Novembre 2005 Déroulé de l'intervention (1) 1. Définition

Plus en détail

Programme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique

Programme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions

Plus en détail

Améliorer les performances du site par l'utilisation de techniques de Web Mining

Améliorer les performances du site par l'utilisation de techniques de Web Mining Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire

Plus en détail

Introduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1)

Introduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1) Introduction à lʼinformatique Décisionnelle et la «Business Intelligence» (1) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013

Plus en détail

Plateforme SAS. Data & Information System

Plateforme SAS. Data & Information System Data & Information System SOMMAIRE Rédacteur : Ref: F.Barthelemy AXIO_1111_V1 PLATEFORME SAS PREREQUIS SAS GUIDE SAS WRS SAS PORTAL SAS MINER Une plateforme unique et modulable capable d exploiter l architecture

Plus en détail

Master MIAGE «Méthodes informatiques Appliquées à la Gestion des Entreprises» Parcours- «Système d Information et Aide à La Décision» (SIAD)

Master MIAGE «Méthodes informatiques Appliquées à la Gestion des Entreprises» Parcours- «Système d Information et Aide à La Décision» (SIAD) Master MIAGE «Méthodes informatiques Appliquées à la Gestion des Entreprises» Parcours- «Système d Information et Aide à La Décision» (SIAD) De l Université Internationale Senghor IGA-Maroc est un campus

Plus en détail

Introduction à l Intelligence Artificielle

Introduction à l Intelligence Artificielle 1 / 14 Introduction à l Intelligence Artificielle Présentation de l option 2 nd semestre 2014-15 Philippe Chatalic chatalic@lri.fr Université Paris Sud Laboratoire de Recherche en Informatique (UMR CNRS

Plus en détail

Introduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours

Introduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP

Plus en détail

INGENIERIE DES SYSTEMES INFORMATIQUES - PARCOURS : MOBILITE ET CLOUD COMPUTING

INGENIERIE DES SYSTEMES INFORMATIQUES - PARCOURS : MOBILITE ET CLOUD COMPUTING INGENIERIE DES SYSTEMES INFORMATIQUES - PARCOURS : MOBILITE ET CLOUD COMPUTING Préparez ce diplôme à l école de d ingénierie de l IGA OBJECTIFS DE LA FORMATION Dans un contexte de mutation économique et

Plus en détail

MASTER 2 PAR ALTERNANCE : SOLUTIONS INFORMATIQUES LIBRES. LIVRET DE L APPRENTI Année 2012/2013

MASTER 2 PAR ALTERNANCE : SOLUTIONS INFORMATIQUES LIBRES. LIVRET DE L APPRENTI Année 2012/2013 Livret de l Apprenti - Master 2 SILI 1/20 MASTER 2 PAR ALTERNANCE : SOLUTIONS INFORMATIQUES LIBRES LIVRET DE L APPRENTI Année 2012/2013 Nom : Entreprise : Thème du projet : Livret de l Apprenti - Master

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane

Plus en détail

Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr

Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE Contact : Mme Lapedra, stage@isoft.fr ISoft, éditeur de logiciels, est spécialisé dans l informatique décisionnelle et l analyse de données. Son expertise

Plus en détail

Coheris est agréé organisme de formation, n d agrément 11 92 19507 92.

Coheris est agréé organisme de formation, n d agrément 11 92 19507 92. Formations 2015 Coheris est agréé organisme de formation, n d agrément 11 92 19507 92. Introduction La formation est une préoccupation constante de Coheris vis-à-vis de ses clients et de ses partenaires,

Plus en détail

Cité Descartes 5, boulevard Descartes Champs-sur-Marne 77454 Marne-la-Vallée

Cité Descartes 5, boulevard Descartes Champs-sur-Marne 77454 Marne-la-Vallée Cité Descartes 5, boulevard Descartes Champs-sur-Marne 77454 Marne-la-Vallée Objectifs Un des objectifs fondamentaux de cette formation d ingénieur est d associer un esprit créatif à une formation scientifique

Plus en détail

BDD, marketing, décisionnel, 78, Yvelines, data, Cours, Tutoriel

BDD, marketing, décisionnel, 78, Yvelines, data, Cours, Tutoriel SAS, Cognos, Stata, Eviews, conseil, expertise, formation, mining, datamining, statistique, connaissance client, valeur client, CRM, fidélisation, Conversion d'un projet SAS EG 4.1 en 4.2 score, scoring,

Plus en détail

DATAMINING. Etude et analyse de la carrière d artistes chanteurs selon leurs styles musicaux.

DATAMINING. Etude et analyse de la carrière d artistes chanteurs selon leurs styles musicaux. ABES Lila DEA 127 Informatique, systèmes multi-agents Université PARIS DAUPHINE DATAMINING Etude et analyse de la carrière d artistes chanteurs selon leurs styles musicaux. Professeur responsable : Présenté

Plus en détail

Conception et simulation des systèmes de production. Chapitre 7 Planification et gestion de projet

Conception et simulation des systèmes de production. Chapitre 7 Planification et gestion de projet Conception et simulation des systèmes de production Chapitre 7 Planification et gestion de projet Planification et gestion de projet Les 6 phases d un projet industriel : 1. L enthousiasme délirant sous-estimation

Plus en détail

RAPPORT DE PROJET DATA MINING

RAPPORT DE PROJET DATA MINING DEA 127 : INFORMATIQUE SYSTEMES INTELLIGENTS RAPPORT DE PROJET DATA MINING «Analyse des endettements par niveau de développement des pays» Réalisé par : BELEM MAHAMADOU Sous la direction de : M. EDWIN

Plus en détail

n 7 OPTIMISATION DU TUNNEL DE COMMANDE Etes-vous sûrs d avoir déjà tout testé?

n 7 OPTIMISATION DU TUNNEL DE COMMANDE Etes-vous sûrs d avoir déjà tout testé? n 7 OPTIMISATION DU TUNNEL DE COMMANDE Etes-vous sûrs d avoir déjà tout testé? Le tunnel de commande, correspond aux différentes étapes que suit l acheteur, de son arrivée sur le site e-commerçant à la

Plus en détail

Un logiciel open source pour l enseignement et la recherche

Un logiciel open source pour l enseignement et la recherche Un logiciel open source pour l enseignement et la recherche Ricco RAKOTOMALALA Laboratoire ERIC Université Lumière Lyon 2 http://chirouble.univ-lyon2.fr/~ricco/tanagra/ 1 sur 23 PLAN 1. Objectifs du projet

Plus en détail

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

Plus en détail

Adresse : 10 zone commerciale Cavani 97600 Mamoudzou GSM : 0639255016 Mail : abdillah@mahoresoft.com ou c.a.abdillah@gmail.com

Adresse : 10 zone commerciale Cavani 97600 Mamoudzou GSM : 0639255016 Mail : abdillah@mahoresoft.com ou c.a.abdillah@gmail.com 1 Sommaire 1. Préambule... 3 2. Notre pack business, indispensable pour vos affaires sur Internet à 750 la première année puis 550 par an... 3 3. Sites Internet statiques traditionnels (classiques) sans

Plus en détail

Informatique. Marie-Christine Fauvet Philippe.Bizard@imag.fr, Marie-Christine.Fauvet@imag.fr

Informatique. Marie-Christine Fauvet Philippe.Bizard@imag.fr, Marie-Christine.Fauvet@imag.fr Informatique les métiers, les études à l UJF Marie-Christine Fauvet Philippe.Bizard@imag.fr, Marie-Christine.Fauvet@imag.fr UFR IMAG, Université Joseph Fourier, Grenoble http://www-ufrima.imag.fr Janvier

Plus en détail

Rapport de Stage. Titre : Clustering à l aide d une représentation supervisée

Rapport de Stage. Titre : Clustering à l aide d une représentation supervisée Nicolas Creff Du 1er février au 31 juillet 2011 Promotion 2011 Majeure SCIA Rapport de Stage Titre : Clustering à l aide d une représentation supervisée Sujet : Personnalisation de scores à l aide de la

Plus en détail

UNIVERSITE DE BREST Référence GALAXIE : 4201

UNIVERSITE DE BREST Référence GALAXIE : 4201 UNIVERSITE DE BREST Référence GALAXIE : 4201 Numéro dans le SI local : 6300MCF0617 Référence GESUP : 0617 Corps : Maître de conférences Article : 26-I-1 Chaire : Non Section 1 : 63-Génie électrique, électronique,

Plus en détail