"Extraction de motifs graduels multi-niveaux et applications aux données géographiques"
|
|
- Marie-Françoise Meloche
- il y a 7 ans
- Total affichages :
Transcription
1 "Extraction de motifs graduels multi-niveaux et applications aux données géographiques" GdR I3 8 Avril 2013, Saint Étienne Y. S. Aryadinata*, Y. Lin**, A. Laurent*, T. Libourel**, M. Sala* *LIRMM (UM2-CNRS), **Espace-Dev (UM2-IRD-UAG-UR)
2 Plan de présentation 1. Introduction 2. Etat de l'art 3. Approche 4. Cas d étude et Expérimentation 5. Conclusion et Perspectives 1
3 Motifs Graduels Motifs graduels : expression d'une covariation de la forme "Plus/Moins X, Plus/Moins Y". extraits à partir de données numériques notamment exemple : "Plus l'âge augmente, plus le salaire augmente" Item graduel : couple (i, v), où i est un item et v est une variation v {, } signifie que la valeur de i augmente et signifie que la valeur de i diminue exemple (Pineapples, ) Motif graduel : ensemble des items graduels, noté GP = {(i1, v1),..., (in, vn)}. exemple {(Pineapples, ),(Cherries, )} Introduction 2
4 Motivation De nombreuses bases de données sont munies d'hiérarchies exemple : les attributs couleur, taille, odeur, poids, origine de fruit, etc. exemple, nous considérons le tableau ci-dessus avec une hiérarchie pour la taille des fruits. "Plus petit est de fruit, plus on en achète une quantité importante" Introduction 3
5 Autres exemples d'hiérarchie Hiérarchie spatiale "Région-Ville" Hiérarchie sur les typologies de Fruits Introduction 4
6 Etat de l'art Motifs graduels - il existe plusieurs travaux ayant trait aux motifs graduels dans le contexte de la fouille de données qui diffèrent notamment le mode de calcul du support GRITE (Di Jorio et al.) GRAANK (Laurent et al.) Il existe des version parallélisés de PGP-mc (Laurent, Negrevergne, Termier, et Sicard). Fouille de données multi-niveaux - nous considérons notamment les travaux suivants : Extraction de règles d'association à partir de données hiérarchisées (J. Han et al.) Extraction de motifs séquentiels dans des données multi-niveaux (M. Plantevit et al.) Etat de l'art 5
7 Présentation de l'approche Objectif Trouver les corrélations entre les attributs ou les groupes d attributs à l'aide des hiérarchies "Plus les précipitations sont élevées, Moins le niveau sanitaire est élevé, Plus l'épidémie de dengue est importante" Étapes 1. Étape Analyse 2. Étape Transformation 3. Étape Extraction 4. Étape Validation Approche 6
8 Étape d'analyse Trouver les hiérarchies possibles dans le jeu de données (la manière de normaliser les valeurs, mettre les seuils de valeur, associer avec les catégories, etc. Type d'hiérarchies Hiérarchie horizontale : Pour être appliqué sur des colonnes (attributs) BigFruit(PineApples,Durian), SmallFruit(RedApples,Cherries) Hiérarchie verticale : Pour être appliqué sur des lignes (tuples) BeginOfWeek(Monday-Tuesday), EndOfWeek(Wednesday-Sunday) Approche 7
9 Étape de transformation Stockage des hiérarchies en XGMML (extensible Graph Markup and Model Language) <graph> <node id="1"> </node> <node id="2"> </node> <edge source="1" target="2"> </edge> </graph> Reconstruction des données avec des hiérarchies Horizontal Agrégation : Agrégation entre des colonnes Vertical Agrégation : Agrégation entre des lignes Vertical - Horizontal Agrégation : Agrégation mixte 8
10 Étape d'extraction Algorithme de PGLCM (Do et al.) - Extraction de motifs graduels clos - Approche parallélisée Algorithme PGLCM est plus efficace que GRITE-MT sur la consommation de mémoire (Laurent, Negrevergne, Termier, et Sicard). Approche 9
11 Étape de validation L'expertise va vérifier et valider les résultats obtenus Ensuite, en fonction des connaissances de l'expertise, on peut vérifier quelles sont des connaissances qui sont pertinentes Si nous ne pouvons pas tirer la conclusion à partir de motifs graduels trouvés, nous devons refaire l'étape d'analyse pour améliorer la recherche. Approche 10
12 Étape de validation L'expertise va vérifier et valider les résultats obtenus Ensuite, en fonction des connaissances de l'expertise, on peut vérifier quelles sont des connaissances qui sont pertinentes Si nous ne pouvons pas tirer la conclusion à partir de motifs graduels trouvés, nous devons refaire l'étape d'analyse pour améliorer la recherche. Approche 10
13 Cas d étude Nous nous intéressons au cas de l'épidémie de dengue au Brésil qui constitue un grand enjeu de santé publique. L'épidémie de dengue, une maladie virale propagée par un moustique Au Brésil, 95% des cas de dengue se produisent au premier semestre de l'année et les pires mois sont avril et mai. 11
14 Données réels utilisées Le jeu de données utilisé contient le nombre de cas d'épidémie de dengue dans 5506 communes dans la période avec 69 variables (après prétraitement). Un expert a sélectionné les variables pertinentes jusqu'à 34 variables pour toute la période o Il y a 4 catégories de variables dans ce jeu de données Lieu (région, état, commune) Climat (sécheresse, température et humidité) Démographie (densité, proportion population urbain) Etat Sanitaire (proportion des logements avec puits pour obtention de l eau, des logements avec l eau courante, des logements avec autres formes d'obtention de l eau, avec ramassage des ordures, des logements avec salle de bain et toilette). Cas d étude 12
15 Expérimentation - Hiérarchie Région-Etat-Commune - Hiérarchie - Densité - Hiérarchie - Climat - Hiérarchie - Densité 13
16 Expérimentation (1) Environnement système Sur architecture HPC (parallèle) Serveur SMP de 2 processeurs INTEL cadencés à 2.27GHz (80 cœurs) 1 To de mémoire vive Serveur Intel de HPC@LR 2 processeurs INTEL cadencés à 2.66GHz (12 cœurs) Résultats 24 Go de mémoire vive Consommation mémoire : 6 Go (Constant) Exécution : 12 coeurs 14
17 Expérimentation (2) Motifs graduels intéressants dans le cas d'épidémie de dengue : (Plus de densité)(plus de salle de bains)(plus de cas de dengue) (Plus de sécheresse)(plus de température)(plus de cas de dengue) Motifs graduels multi-niveaux intéressants dans le cas d'épidémie de dengue : Chaque année au Brésil dans la période Plus de cas de dengue dans les communes qui ont le climat 1 a 2 mois de sécheresse & 15-18C & humide, Plus de cas de dengue dans les communes qui ont le niveau sanitaire bas Plus de cas de dengue dans les communes qui ont le climat subsécheresse & 15-18C & super-humide,plus de cas de dengue dans les communes qui ont le niveau sanitaire tres bas. 15
18 Conclusion et Perspectives o o Conclusion Motivation : recherche de motifs graduels dans des données munies des hiérarchies Utilisation des algorithmes existants d'extraction de motifs graduels, et de motifs et règles multi-niveaux Super expérimentations sur données réelles Perspectives Amélioration des travaux en cours : intégration du parcours des hiérarchies au coeur de l'algorithme de fouille Étude de partitions floues pour définir les motifs graduels flous multiniveaux et leur support Parallélisation avancée, s'appuyant notamment sur ParaMiner (Negrevergne et al.) Application à d'autres jeux de données réelles 16
19 Références (Di Jorio et al.) (Di Jorio et al.) (Do et al.) (Han et al.) Di Jorio L., Laurent A., Teisseire M. : Mining Frequent Gradual Itemsets From Large Databases. IDA DiJorio L.,Laurent A.,Teisseire M. : Gradual Rules: A Heuristic Based Method and Application to Outlier Extraction. IJCISIM Do T.D.T., Laurent, A., and Termier, A. : PGLMC: Efficient Parallel Mining of Closed Frequent Gradual Itemsets. In Proc. ICDM Han J. and Fu Y. Mining multiple-level association rules in large databases. IEEE Trans. Knowl. Data Eng (Plantevit et al.) Plantevit M.,Choong Y. W.,Laurent A.,Laurent D.,Teisseire M. : Mining Multidimensional and Multiple-Level Sequential Patterns. In ACM TKDD (Laurent, Negrevergne, Termier, et Sicard) Laurent A., Negrevergne B., Sicard N., and Termier A. : PGP-mc: towards a multicore parallel approach for mining gradual patterns. In Proceedings of DASFAA' (Negrevergne et al.) Negrevergne B., Termier A., Rousset M.-C., Mehaut J.-F. : ParaMiner: a Generic Parallel Pattern Mining Algorithm. RR-LIG
Ed5 B. Bouchon-Meunier, R. Yager, A. Laurent, O. Strauss. Proceedings of the IPMU 2014 Conference. Springer. 2014.
Ouvrages et Actes édités Ed5 B. Bouchon-Meunier, R. Yager, A. Laurent, O. Strauss. Proceedings of the IPMU 2014 Conference. Springer. 2014. Ed4 T. Martin, A.-K. Muda, A. Abraham, H. Prade, A. Laurent,
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailSécuristation du Cloud
Schémas de recherche sur données chiffrées avancés Laboratoire de Cryptologie Thales Communications & Security 9 Avril 215 9/4/215 1 / 75 Contexte Introduction Contexte Objectif Applications Aujourd hui
Plus en détailLYCEE : cycle de détermination (2nde) Technologie S INFORMER : Organiser l information Metttre en relation des informations de nature différente
NIVEAU DISCIPLINE CAPACITÉ COMPÉTENCE MOTS CLÉS LYCEE : cycle de détermination (2nde) Technologie S INFORMER : Organiser l information Metttre en relation des informations de nature différente 1. TITRE
Plus en détailLOGO. Module «Big Data» Extraction de Connaissances à partir de Données. Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.
Module «Big Data» Extraction de Connaissances à partir de Données Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.fr 14 Janvier 2015 Pourquoi l extraction de connaissances à partir de
Plus en détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détailIntégration de la dimension sémantique dans les réseaux sociaux
Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux
Plus en détailEvolution et architecture des systèmes d'information, de l'internet. Impact sur les IDS. IDS2014, Nailloux 26-28/05/2014 pascal.dayre@enseeiht.
Evolution et architecture des systèmes d'information, de l'internet. Impact sur les IDS IDS2014, Nailloux 26-28/05/2014 pascal.dayre@enseeiht.fr 1 MVC et le web 27/05/14 2 L'évolution des systèmes informatiques
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailÉvaluation d une architecture de stockage RDF distribuée
Évaluation d une architecture de stockage RDF distribuée Maeva Antoine 1, Françoise Baude 1, Fabrice Huet 1 1 INRIA MÉDITERRANÉE (ÉQUIPE OASIS), UNIVERSITÉ NICE SOPHIA-ANTIPOLIS, I3S CNRS prénom.nom@inria.fr
Plus en détailpossibilités et limites des logiciels existants
possibilités et limites des logiciels existants Dominique Groleau CERMA, UMR CNRS 1563, Ecole d Architecture de Nantes Journée thématique SFT- IBPSA, Outils de simulation thermo-aéraulique du bâtiment.
Plus en détailBeSpoon et l homme Connecté
BeSpoon et l homme Connecté Paris 25 et 26 Mars BeSpoon est une société «Fabless» qui a développé en collaboration avec le CEA-Leti un composant IR-UWB (Impulse Radio Ultra Wide Band) dédié à la localisation
Plus en détailLe "tout fichier" Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique
Introduction à l informatique : Information automatisée Le premier ordinateur Définition disque dure, mémoire, carte mémoire, carte mère etc Architecture d un ordinateur Les constructeurs leader du marché
Plus en détailBases de données - Modèle relationnel
Bases de données - Modèle relationnel Introduction SITE :http://www.univ-orleans.fr/lifo/members/mirian.halfeld/ BD - Mírian Halfeld-Ferrari p. 1 Les bases de données - Bibliographie Ullman and Widom,
Plus en détail1. Aménagements technologiques 2. Installation de Microsoft SQL Server 2012
Microsoft SQL Server 2012 Guide d installation et de configuration sur des serveurs Microsoft Windows version 2008/2008R2/2012 ( Décembre 2012 ) Ce guide explique les différentes étapes pour installer
Plus en détailCollabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants:
Collabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants: Tassadit BOUADI 22 Juin 2010, Saint Jacut 1 Plan Introduc
Plus en détailÉvolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses
Évolution de schémas dans les entrepôts de données mise à jour de hiérarchies de dimension pour la personnalisation des analyses Thèse présentée par Cécile FAVRE pour obtenir le titre de Docteur en Informatique
Plus en détailT. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet 5
Modélisation de la performance et optimisation d un algorithme hydrodynamique de type Lagrange-Projection sur processeurs multi-cœurs T. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet
Plus en détailRFID: Middleware et intégration avec le système d'information Olivier Liechti
RFID: Middleware et intégration avec le système d'information Olivier Liechti Sun Microsystems, Inc. Agenda Introduction > Vision et architecture Le rôle du middleware RFID > Gestion des données > Administration
Plus en détailImplémentation parallèle de certains algorithmes de fouille de données avec le framework MapReduce
Implémentation parallèle de certains algorithmes de fouille de données avec le framework MapReduce Algorithmes : K-means et Apriori Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Cloud Computing et MapReduce
Plus en détailApplication 1- VBA : Test de comportements d'investissements
Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps
Plus en détailLes participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.
Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision
Plus en détailSYMPOSIA 11. Thursday, September 12 th. Room : Salle des conférences à 15h00
SYMPOSIA 11 «Offre et accès au système de soins» Thursday, September 12 th Room : Salle des conférences à 15h00 ANISSA AFRITE Town : PARIS, France Job Title : CHARGEE DE RECHERCHE - STATISTICIENNE Company
Plus en détailSécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL
Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Présenté par Hana Gara Kort Sous la direction de Dr Jalel Akaichi Maître de conférences 1 1.Introduction
Plus en détailMétrologie et gestion d incidents!
1/20 Métrologie et gestion d incidents! Frédéric Bongat Assemblée des CSSI Janvier 2015 2/20 Sommaire : 1 2 3 3/20 La métrologie Mon objectif : savoir mieux ce qui se passe sur le réseau du point de vue
Plus en détailTILT-IMPORT. Régate Croisière bleue Antibes-Calvi-Antibes du 16 au 20 mai 2012
Rapport enregistreur de chocs et capteurs de chocs Régate Croisière bleue Antibes-Calvi-Antibes du 16 au 20 mai 2012 Madame, Monsieur Nous nous permettons de vous envoyer une information sur un test de
Plus en détailBASE DE DONNÉES ORACLE 11G SUR LE SYSTÈME DE STOCKAGE PILLAR AXIOM. Livre blanc publié par Oracle Novembre 2007
BASE DE DONNÉES ORACLE 11G SUR LE SYSTÈME DE STOCKAGE PILLAR AXIOM Livre blanc publié par Oracle Novembre 2007 BASE DE DONNÉES ORACLE 11G SUR LE SYSTÈME DE STOCKAGE PILLAR AXIOM RESUME Oracle 11g Real
Plus en détailRÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3
RÉALISATION DE GRAPHIQUES AVEC OPENOFFICE.ORG 2.3 Pour construire un graphique : On lance l assistant graphique à l aide du menu Insérer è Diagramme en ayant sélectionné au préalable une cellule vide dans
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détailUne chaudière mixte est facilement identifiable : elle se déclenche chaque fois que vous ouvrez un robinet d eau chaude.
Comment choisir votre douche Le système en place chez vous Lorsque vous choisissez le type de douche dont vous voulez vous équiper, vous devez au préalable vérifier le système de production d eau chaude
Plus en détailJournée SITG, Genève 15 octobre 2013. Nicolas Lachance-Bernard M.ATDR Doctorant, Laboratoire de systèmes d information géographique
Monitorint spatio-temporel intégré de la mobilité urbaine Monitoring spatio-temporel de l ADN urbain Une réponse aux défis, problèmes, enjeux et risques des milieux urbains Nicolas Lachance-Bernard M.ATDR
Plus en détailLe cinquième chapitre
Le cinquième chapitre Objectif : présenter les supports matériels ou immatériels permettant d'étayer cette nouvelle approche de la fonction maintenance. I. Evolution du domaine technique - Différents domaines
Plus en détailwww.europa prefabri.com/export +34 902 200 272 international@europa prefabri.com Skype: international.europa prefabri
Spécialiste en construction modulaire www.europa prefabri.com/export +34 902 200 272 international@europa prefabri.com Skype: international.europa prefabri PRÉSENTATION DE L ENTREPRISE Le Groupe EUROPA
Plus en détailBases de données Cours 1 : Généralités sur les bases de données
Cours 1 : Généralités sur les bases de données POLYTECH Université d Aix-Marseille odile.papini@univ-amu.fr http://odile.papini.perso.esil.univmed.fr/sources/bd.html Plan du cours 1 1 Qu est ce qu une
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailDatawarehouse: Cubes OLAP. Marlyse Dieungang Khaoula Ghilani
Datawarehouse: Cubes OLAP Marlyse Dieungang Khaoula Ghilani Table des matières 1 Data Warehouse 3 1.1 Introduction............................ 3 1.1.1 Définition......................... 3 1.1.2 Architecture........................
Plus en détailInfrastructure de calcul du CRRI
Infrastructure de calcul du CRRI Types d'infrastructures de calcul Calcul Intensif (High Performance Computing) Tâches fortement couplées (codes vectoriels / parallèles) Supercalculateurs, SMP, clusters,
Plus en détail17/07/2013. Décisionnel dans le Nuage. Laboratoire ERIC. Section 1. Équipe d Accueil 3083. Décisionnel dans le Nuage.
Master 2 FDGC-ECD Année 203-204 Laboratoire ERIC Équipe d Accueil 3083 et Jérôme Darmont eric.univ-lyon2.fr/~jdarmont/ Section Décisionnel dans le Nuage 2 Le meilleur des mondes Du décisionnel à papa datawarehousing0.wikispaces.com
Plus en détailSéminaire RGE REIMS 17 février 2011
Séminaire RGE REIMS 17 février 2011 ADACSYS Présentation des FPGA Agenda Spécificité et différences par rapport aux autres accélérateurs Nos atouts Applications Approche innovante Document confidentiel
Plus en détailSemestre HPC. Violaine Louvet. Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr. Labex MILyon, Printemps 2016
Semestre HPC Violaine Louvet Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr Labex MILyon, Printemps 2016 V. Louvet (ICJ) Semestre HPC Printemps 2016 1 / 9 Présentation du semestre Modélisation
Plus en détailL écosystème Hadoop Nicolas Thiébaud ni.thiebaud@gmail.com. Tuesday, July 2, 13
L écosystème Hadoop Nicolas Thiébaud ni.thiebaud@gmail.com HUG France 250 membres sur la mailing liste 30 présentations 9 meetups organisés, de 20 à 100 invités Présence de Cloudera, MapR, Hortonworks,
Plus en détailAnticiper et prédire les sinistres avec une approche Big Data
Anticiper et prédire les sinistres avec une approche Big Data Julien Cabot Directeur Big Data Analytics OCTO jcabot@octo.com @julien_cabot OCTO 2013 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél
Plus en détailAnnexe 3 Captation d énergie
1. DISPOSITIONS GENERALES 1.a. Captation d'énergie. Annexe 3 Captation Dans tous les cas, si l exploitation de la ressource naturelle est soumise à l octroi d un permis d urbanisme et/ou d environnement,
Plus en détailPerspectives en sciences sociales et santé publique. Bernard Taverne (CRCF/IRD)
Perspectives en sciences sociales et santé publique Bernard Taverne (CRCF/IRD) Journée scientifique ANRS, Dakar 25 juin 2010 Le devenir des patients au delà d un processus de recherche clinique, Organisation
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailProjet : Réalisation d une base de. données. Sujet : Gestion des ressources humaines. Logiciel : Microsoft Access
Projet : Réalisation d une base de données Sujet : Gestion des ressources humaines Logiciel : Microsoft Access Encadré par : M. Mohamed Saïd ZERRADSAHLI Réalisé par : Ben Abdelmoumen Ibtissam Challaoui
Plus en détailUniversité de Tunis El Manar Université Montpellier 2. Thèse. En cotutelle. Pour obtenir le grade de. Docteur de l Université Montpellier II
Université de Tunis El Manar Université Montpellier 2 -Faculté des Sciences de Tunis- Thèse En cotutelle -Sciences Et techniques Du Languedoc- Pour obtenir le grade de Docteur de l Université Montpellier
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détail20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT
20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà
Plus en détailPrise en compte des appareils indépendants de chauffage à bois dans les maisons individuelles ou accolées
Fiche d application : Prise en compte des appareils indépendants de chauffage à bois dans les maisons individuelles ou accolées Date Elaboration de la fiche Version 18 novembre 2013 1 1/11 Que disent les
Plus en détailEntreposage de données complexes pour la médecine d anticipation personnalisée
Manuscrit auteur, publié dans "9th International Conference on System Science in Health Care (ICSSHC 08), Lyon : France (2008)" Entreposage de données complexes pour la médecine d anticipation personnalisée
Plus en détailPropagation sur réseau statique et dynamique
Université de la Méditerranée UFR Sciences de Luminy Rapport de stage informatique pour le Master 2 de Physique, Parcours Physique Théorique et Mathématique, Physique des Particules et Astroparticules.
Plus en détailLes Utilisateurs dans SharePoint
Les Utilisateurs dans SharePoint La gestion des utilisateurs dans SharePoint SharePoint dont le cœur est l'outil collaboratif, Windows SharePoint Services. Chaque utilisateur (ou collaborateur) peut créer
Plus en détailProgrammation parallèle et distribuée
Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2015) Marc Parizeau, Département de génie électrique et de génie informatique Plan Données massives («big data») Architecture Hadoop distribution
Plus en détailThomas Loubrieu (Ifremer) Small to Big Data. http://wwz.ifremer.fr/bigdata. 26 Novembre 2013, Ifremer, Brest
Thomas Loubrieu (Ifremer) Small to Big Data 26 Novembre 2013, Ifremer, Brest http://wwz.ifremer.fr/bigdata Small to Big data IFREMER/IDM/ISI T. Loubrieu Résumé A partir d'expériences en gestion de données
Plus en détailTechniques d optimisation des requêtes dans les data warehouses
Techniques d optimisation des requêtes dans les data warehouses Ladjel Bellatreche LISI/ENSMA Téléport2-1, Avenue Clément Ader 86960 Futuroscope - FRANCE bellatreche@ensma.fr Résumé Un entrepôt de données
Plus en détailIntroduction aux Bases de Données Relationnelles Conclusion - 1
Pratique d un : MySQL Objectifs des bases de données Où en sommes nous? Finalement, qu est-ce qu un? Modèle relationnel Algèbre relationnelle Conclusion SQL Conception et rétro-conception Protection de
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailCours Base de données relationnelles. M. Boughanem, IUP STRI
Cours Base de données relationnelles 1 Plan 1. Notions de base 2. Modèle relationnel 3. SQL 2 Notions de base (1) Définition intuitive : une base de données est un ensemble d informations, (fichiers),
Plus en détailDiagrammes de Package, de déploiement et de composants UML
labsticc.univ-brest.fr/pages_perso/babau/ Diagrammes de Package, de déploiement et de composants UML Jean-Philippe Babau Département Informatique, UFR Sciences, Laboratoire Lab-STICC 2 1 Plan Description
Plus en détailLes bases de données
Les bases de données Introduction aux fonctions de tableur et logiciels ou langages spécialisés (MS-Access, Base, SQL ) Yves Roggeman Boulevard du Triomphe CP 212 B-1050 Bruxelles (Belgium) Idée intuitive
Plus en détailModélisation d objets mobiles dans un entrepôt de données
Tao Wan, Karine Zeitouni Laboratoire PRISM, Université de Versailles 45, avenue des Etats-Unis, 78035 Versailles Cedex, France Tao.Wan@prism.uvsq.fr, Karine.Zeitouni@prism.uvsq.fr http://www.prism.uvsq.fr/users/karima/
Plus en détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailde faible capacité (inférieure ou égale à 75 litres) doivent être certifiés et porter la marque NF électricité performance.
9.5. PRODUCTION D EAU CHAUDE sanitaire Les équipements doivent être dimensionnés au plus juste en fonction du projet et une étude de faisabilité doit être réalisée pour les bâtiments collectifs d habitation
Plus en détailComment rendre un site d e-commerce intelligent
Comment rendre un site d e-commerce intelligent Alexei Kounine CEO +33 (0) 6 03 09 35 14 alex@tastehit.com Christopher Burger CTO +49 (0) 177 179 16 99 chris@tastehit.com L embarras du choix Donner envie
Plus en détailPréparer un état de l art
Préparer un état de l art Khalil DRIRA LAAS-CNRS, Toulouse Unité de recherche ReDCAD École Nationale d ingénieurs de Sfax Étude de l état de l art? Une étude ciblée, approfondie et critique des travaux
Plus en détailIntroduction à l informatique temps réel Pierre-Yves Duval (cppm)
Introduction à l informatique temps réel Pierre-Yves Duval (cppm) Ecole d informatique temps réel - La Londes les Maures 7-11 Octobre 2002 -Définition et problématique - Illustration par des exemples -Automatisme:
Plus en détailJean-François Boulicaut & Mohand-Saïd Hacid
e siècle! Jean-François Boulicaut & Mohand-Saïd Hacid http://liris.cnrs.fr/~jboulica http://liris.cnrs.fr/mohand-said.hacid Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205
Plus en détailOptimisez le potentiel sans fil de votre ordinateur portable ou de votre PC de bureau
Adaptateur bi-bande sans fil AC1200 Range+ Adaptateur N sans fil 300 Mbits/s (2,4 GHz) + Débit CA sans fil 867 Mbits/s (5 GHz), USB 3.0 Part No.: 525572 Optimisez le potentiel sans fil de votre ordinateur
Plus en détail6 - Le système de gestion de fichiers F. Boyer, UJF-Laboratoire Lig, Fabienne.Boyer@imag.fr
6 - Le système de gestion de fichiers F. Boyer, UJF-Laboratoire Lig, Fabienne.Boyer@imag.fr Interface d un SGF Implémentation d un SGF Gestion de la correspondance entre la structure logique et la structure
Plus en détailHigh Performance by Exploiting Information Locality through Reverse Computing. Mouad Bahi
Thèse High Performance by Exploiting Information Locality through Reverse Computing Présentée et soutenue publiquement le 21 décembre 2011 par Mouad Bahi pour l obtention du Doctorat de l université Paris-Sud
Plus en détailSQL Server 2012 et SQL Server 2014
SQL Server 2012 et SQL Server 2014 Principales fonctions SQL Server 2012 est le système de gestion de base de données de Microsoft. Il intègre un moteur relationnel, un outil d extraction et de transformation
Plus en détailSpécifications Techniques Générales. Techno Pole Internet. Lycée Djignabo / Ziguinchor
Techno Pole Internet Lycée Djignabo / Ziguinchor Sommaire 1 ARCHITECTURE LOGICIELLE 2 1.1 APACHE, UN SERVEUR POLYVALENT, PERFORMANT ET MONDIALEMENT RECONNU 2 1.2 ARCHITECTURE LOGICIELLE DU SERVEUR 2 1.3
Plus en détailFINI LA RÉCRÉ PASSONS AUX MÉGADONNÉES
1 FINI LA RÉCRÉ PASSONS AUX MÉGADONNÉES «Dans le concret, projets de transformation vers le BigData» V1-10/03/15 ABED AJRAOU CONNAISSEZ-VOUS PAGESJAUNES? CONNAISSEZ-VOUS PAGESJAUNES? LES MEGADONNEES RÉPONDENT
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailLes Entrepôts de Données. (Data Warehouses)
Les Entrepôts de Données (Data Warehouses) Pr. Omar Boussaid Département d'informatique et de Sta5s5que Université Lyon2 - France Les Entrepôts de Données 1. Généralités, sur le décisionnel 2. L'entreposage
Plus en détailSystèmes de recommandation de produits Projet CADI Composants Avancés pour la DIstribution
Journée DAPA du 26 mars 2009 Systèmes de recommandation de produits Projet CADI Composants Avancés pour la DIstribution Michel de Bollivier michel.debollivier@kxen.com Agenda Projet CADI La recommandation
Plus en détailCompétences Business Objects - 2014
Compétences Business Objects - 2014 «Mars-Juin 2014. Réf : Version 1 Page 1 sur 34 Sommaire CONTEXTE DE LA REMISE A NIVEAU EN AUTOFORMATION... 3 1. MODELISATION... 4 1.1 DESCRIPTION FONCTIONNEL DE L'APPLICATION
Plus en détailEquilibrage de charge pour les grilles de calcul : classe des tâches dépendantes et indépendantes.
Equilibrage de charge pour les grilles de calcul : classe des tâches dépendantes et indépendantes. Meriem Meddeber 1 et Belabbas Yagoubi 2 1 Université de Mascara, Faculté des sciences, Département des
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détail1-Introduction 2. 2-Installation de JBPM 3. 2-JBPM en action.7
Sommaire 1-Introduction 2 1-1- BPM (Business Process Management)..2 1-2 J-Boss JBPM 2 2-Installation de JBPM 3 2-1 Architecture de JOBSS JBPM 3 2-2 Installation du moteur JBoss JBPM et le serveur d application
Plus en détailPost-processing of multimodel hydrological forecasts for the Baskatong catchment
+ Post-processing of multimodel hydrological forecasts for the Baskatong catchment Fabian Tito Arandia Martinez Marie-Amélie Boucher Jocelyn Gaudet Maria-Helena Ramos + Context n Master degree subject:
Plus en détailStructure fonctionnelle d un SGBD
Fichiers et Disques Structure fonctionnelle d un SGBD Requetes Optimiseur de requetes Operateurs relationnels Methodes d acces Gestion de tampon Gestion de disque BD 1 Fichiers et Disques Lecture : Transfert
Plus en détailGEOLOCALISATION ET NAVIGATION A L AIDE DES SIGNAUX GNSS
GEOLOCALISATION ET NAVIGATION A L AIDE DES SIGNAUX GNSS Thierry.Chapuis@cnes.fr 08/04/2014 1 EVOLUTION DU SYSTÈME GNSS 1995-2005 2005-2014 2014 GPS GNSS-1 GNSS-2 GLONASS Pas de garantie de service Dégradation
Plus en détailLes Smart Grids, filière stratégique pour les Alpes-Maritimes
Les Smart Grids, filière stratégique pour les Alpes-Maritimes FAIRE AVANCER TOUTES LES ENVIES D ENTREPRENDRE Les Smart Grids, filière d avenir de la transition énergétique Centrale de pilotage Intégration
Plus en détailBases de données relationnelles : Introduction
Bases de données relationnelles : Introduction historique et principes V. Benzaken Département d informatique LRI UMR 8623 CNRS Université Paris Sud veronique.benzaken@u-psud.fr https://www.lri.fr/ benzaken/
Plus en détailUtilisation du SIG dans une entreprise industrielle pour l analyse et la prise de décision
309 Schedae, 2007 Prépublication n 47 Fascicule n 2 Utilisation du SIG dans une entreprise industrielle pour l analyse et la prise de décision Mohamed Najeh Lakhoua UR : Système, Énergétique, Productique
Plus en détail11 Février 2014 Paris nidays.fr. france.ni.com
11 Février 2014 Paris nidays.fr Construire l enregistreur de données autonome de demain Marc-Junior LARROUY, Ingénieur d Applications, National Instruments France Contenu Introduction à l enregistrement
Plus en détailChapitre 10. Architectures des systèmes de gestion de bases de données
Chapitre 10 Architectures des systèmes de gestion de bases de données Introduction Les technologies des dernières années ont amené la notion d environnement distribué (dispersions des données). Pour reliér
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailPrésentation du module Base de données spatio-temporelles
Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes
Plus en détailRéglementation ERP et IGH
PENSE Bête : Réglementation ERP et IGH Réalisé par Alexandre MOREAU 01.69.45.73.06 06.99.44.60.36 Mail : securiteincendie.idf@gmail.com Site : securiteincendie-idf.com A) DEFINITION : (R 123.2) 1 ) Définition
Plus en détailVOTRE EAU CHAUDE ELECTRIQUE
G U I D E VOTRE EAU CHAUDE ELECTRIQUE SICAE Une réduction d'impôts peut être obtenue (sous certaines conditions) lors du remplacement de votre chauffe-eau électrique. Renseignez-vous auprès du Centre des
Plus en détailPARCOURS 3 EXPERIMENTATION APPRENTISSAGE : PHASE 2 CARA CREATION DU PROGRAMME POUR LA PHASE 2
REMARQUE : Pour créer un programme, vous devez avoir un profil Parcours 3 «Administrateur». 1. Création des motifs de sortie du programme PHASE 2 CARA Pour correspondre au souhait des évaluateurs, nous
Plus en détailLe Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Plus en détailCours de bases de données. Philippe Rigaux
Cours de bases de données Philippe Rigaux 13 juin 2001 2 TABLE DES MATIÈRES 3 Table des matières 1 Introduction 7 2 Présentation générale 9 2.1 Données, Bases de données et SGBD.............................
Plus en détailBASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
Plus en détail