Introduction à l Analyse des Réseaux Sociaux
|
|
- Adrien Grondin
- il y a 8 ans
- Total affichages :
Transcription
1 Introduction à l Analyse des Réseaux Sociaux Erick Stattner Laboratoire LAMIA Université des Antilles et de la Guyane, France erick.stattner@univ-ag.fr Guadeloupe, Novembre 2012 Erick Stattner Introduction à l Analyse des Réseaux Sociaux 1 / 50
2 Émergence des réseaux sociaux Qu est ce qu un réseau social? Erick Stattner Introduction à l Analyse des Réseaux Sociaux 2 / 50
3 Émergence des réseaux sociaux Intérêt croissant pour les réseaux sociaux: Pourquoi? Analogie avec l évolution du WEB Site WEB Blog Site communautaire Aujourd hui, implication des liens sociaux dans de nombreux phénomènes: Problème de diffusion (rumeur, maladie, etc.) Phénomène d achat (lien social > attributs démographiques) Phénomène d influence (lien social peut déterminer un comportement) Les réseaux devenus un "truisme" [Barabasi2009] Le réseau internet, réseaux d amitié, réseaux d appels téléphoniques, réseaux de collaboration, etc. Erick Stattner Introduction à l Analyse des Réseaux Sociaux 3 / 50
4 Émergence des réseaux sociaux Du web des contenus au web des utilisateurs? (a) (b) Erick Stattner Introduction à l Analyse des Réseaux Sociaux 4 / 50
5 Émergence des réseaux sociaux Vers une escalade de la collecte de données sociales Les données sociales sont collectées partout: Site communautaire (facebook, google+, etc.) Site de e-commerce (amazon, fnac, etc.) Vie de tous les jours (proximité géo., communautés, etc.) Pour aller plus loin dans la compréhension des phénomènes sociaux Besoin de données adaptées à l extraction des liens sociaux pertinents Besoin de méthodes efficientes pour modéliser et analyser ces réseaux Besoin de modèles efficaces Erick Stattner Introduction à l Analyse des Réseaux Sociaux 5 / 50
6 Outline Erick Stattner Introduction à l Analyse des Réseaux Sociaux 6 / 50
7 : Problème des 7 ponts de Königsberg "Peut-on trouver, à partir d un point donné, une promenade permettant de traverser chaque pont une et une seule fois et permettant de revenir à ce point?" Erick Stattner Introduction à l Analyse des Réseaux Sociaux 7 / 50
8 : Solution par la représentation sous forme de graphe Proposée par Euleur [Euler1741] A C B D C Rivière Point terrestre Pont A B D (c) (d) Euler montre qu un tel chemin n existe que si les sommets ont un nombre pair de liaisons Pose les bases de la théorie des graphes actuelle Erick Stattner Introduction à l Analyse des Réseaux Sociaux 8 / 50
9 : Application de la théorie des graphes: L attribution de ressources communes Flux dans les réseaux (liquide, transaction, etc.) Problème de maximisation/minimisation Erick Stattner Introduction à l Analyse des Réseaux Sociaux 9 / 50
10 Les réseaux aujourd hui: Modélisation par un graphe Un noeud représente une entité sociale (Homme, animaux, machine, cellule, etc.) Un lien représente une interaction sociale (amitié, intérêt commun, relation intimé, professionnelles, etc.) Ex. Réseau Internet, réseau de collaboration, réseau de relation intime, etc. Nouveau paradigme: Nouveau domaine d étude la "" L étude se concentre sur les relations entre acteurs davantage que sur leurs attributs. Plus d hypothèse de données IID (Indépendantes et Identiquement Distribuées) Erick Stattner Introduction à l Analyse des Réseaux Sociaux 10 / 50
11 Réseau et processus supportés: Phénomène d achat = Réseau d influence Transmission d une maladie infectieuse = Réseau de contacts de proximité Diffusion d une rumeur = Réseau d amitiés Communautés d individus = Réseau d intérêts communs Erick Stattner Introduction à l Analyse des Réseaux Sociaux 11 / 50
12 Réseaux traditionnellement représentés par un graphe Un réseau social est un graphe G = (V,E) V : Ensemble des noeuds E: Ensemble des liens tel que E V V V Nombre de noeuds dans le réseau E Nombre de liens Si e = (v i,v j ) E, on dit que les noeuds v i et v j sont liés, connectés, en relation, etc. Erick Stattner Introduction à l Analyse des Réseaux Sociaux 12 / 50
13 Différents types de réseaux: Unipartis/Multipartis x. 2. y. 4. (e) (f) Ex. Réseau d amitié / Réseau d achat client-produit Erick Stattner Introduction à l Analyse des Réseaux Sociaux 13 / 50
14 Différents types de réseaux: Orientés/Non-Orientés: (g) (h) Ex. Réseau de collaboration / Réseau d appels téléphoniques Erick Stattner Introduction à l Analyse des Réseaux Sociaux 14 / 50
15 Différents types de réseaux: Avec contenu: Ex. Réseau d intérêts communs Erick Stattner Introduction à l Analyse des Réseaux Sociaux 15 / 50
16 Différents types de réseaux: Avec structure relationnelle complexe: Ex. Réseau de relations professionnelles Erick Stattner Introduction à l Analyse des Réseaux Sociaux 16 / 50
17 Différents types de réseaux: Avec dynamique importante Réseau de contacts de proximité géographique Erick Stattner Introduction à l Analyse des Réseaux Sociaux 17 / 50
18 Évidemment, toutes ces propriétés sont non exclusives! Implications pour l étude des réseaux Besoin de méthodes: flexibles "scalables" qui tiennent compte de toutes les informations: structure et contenu Erick Stattner Introduction à l Analyse des Réseaux Sociaux 18 / 50
19 Deux grandes familles de méthodes d analyse: Méthodes traditionnelles: Mesures Locales: Caractérisent localement un noeud ou un groupe de noeuds Mesures globales: Apportent une information sur l ensemble de la structure Fouille de réseaux sociaux Applique les concepts du data mining aux réseaux Classification, clustering, recherche de motifs fréquents, etc. Erick Stattner Introduction à l Analyse des Réseaux Sociaux 19 / 50
20 Analyse traditionnelle: Mesures locales Degré k vi d un noeud v i : Nombre de liaisons du noeud v i, i.e. k vi = {e E;e = (v i,v j ) E} Degré de centralité: Degré de v i, normalisé par le nombre de liaisons possibles, i.e. W vi = k v i V 1 Erick Stattner Introduction à l Analyse des Réseaux Sociaux 20 / 50
21 Analyse traditionnelle: Mesures locales Noeud avec beaucoup de liens considéré comme important Un acteur central Exemples d applications Réseaux de communication: identifier les noeuds critiques Moteur de recherche: ordonnancer les pages par popularité Ex. Algorithme PageRank proposé par Google. Erick Stattner Introduction à l Analyse des Réseaux Sociaux 21 / 50
22 Analyse traditionnelle: Mesures locales De nombreuses autres mesures locales: Coefficient de clustering Distance moyenne Degré de centralité Centralité d intermédiarité Centralité de proximité Prestige etc. Erick Stattner Introduction à l Analyse des Réseaux Sociaux 22 / 50
23 Analyse traditionnelle: Mesures globales Densité p d un réseau G Nombre de liens, normalisé par le nombre de liens total: 2 E p = V ( V 1) Degré moyen K Moyenne des degrés des noeuds: K = 1 V k v i Distribution des degrés P(k) Probabilité qu un noeud, choisi aléatoirement, ait un degré de k. P(k) = v i V;k vi = k V Erick Stattner Introduction à l Analyse des Réseaux Sociaux 23 / 50
24 Analyse traditionnelle: Mesures globales Exemple d applications Caractériser les réseaux Marketing virale Comprendre l évolution d un phénomène Études célèbres Etude menée par Elizabeth Both [Bott1957] Expérience de Milgram [Milgram1967] Erick Stattner Introduction à l Analyse des Réseaux Sociaux 24 / 50
25 Analyse traditionnelle: Mesures globales Autres mesures globales Composantes connexes Distance moyenne Diamètre Coefficient de clustering moyen etc. Erick Stattner Introduction à l Analyse des Réseaux Sociaux 25 / 50
26 Fouille de réseaux sociaux Social network mining/link mining "l ensemble des techniques de data mining qui considèrent explicitement les liens lors de la construction de modèles descriptifs ou prédictifs à partir de données relationnelles" [Getoor2005] S intéresse aux principales taches d extraction de connaissances Classification Clustering Recherche de motifs fréquents Erick Stattner Introduction à l Analyse des Réseaux Sociaux 26 / 50
27 Fouille de réseaux sociaux: Classification Affecter à chaque noeud du réseau une classe Erick Stattner Introduction à l Analyse des Réseaux Sociaux 27 / 50
28 Fouille de réseaux sociaux: Clustering Identifier les communautés dans un réseau Erick Stattner Introduction à l Analyse des Réseaux Sociaux 28 / 50
29 Fouille de réseaux sociaux: Recherche de motifs fréquents Rechercher les sous-graphes fréquents dans les réseaux Erick Stattner Introduction à l Analyse des Réseaux Sociaux 29 / 50
30 Outline Réseaux réguliers Réseaux aléatoires Réseaux petit-monde Réseaux scale-free 1 2 Réseaux réguliers Réseaux aléatoires Réseaux petit-monde Réseaux scale-free 3 4 Erick Stattner Introduction à l Analyse des Réseaux Sociaux 30 / 50
31 Présentation Réseaux réguliers Réseaux aléatoires Réseaux petit-monde Réseaux scale-free 4 grands types de structure Réseau régulier Réseau aléatoire Réseau petit monde Réseau scale-free (i) (j) (k) (l) Erick Stattner Introduction à l Analyse des Réseaux Sociaux 31 / 50
32 Réseaux réguliers Réseaux réguliers Réseaux aléatoires Réseaux petit-monde Réseaux scale-free Réseau régulier: Noeud: nombre identique de liens Densité faible Coefficient de clustering élevé Distribution des degrés marquée par un pic (m) (n) Modèle de génération: basé sur la disposition autour d un cercle Erick Stattner Introduction à l Analyse des Réseaux Sociaux 32 / 50
33 Réseaux aléatoires Réseaux réguliers Réseaux aléatoires Réseaux petit-monde Réseaux scale-free Réseau aléatoire: Existence d un lien: Résultat d un processus aléatoire Distance moyenne faible Distribution des degrés suit une loi de poisson (o) (p) Modèle de génération: Modèle Erdos-Renyi Erick Stattner Introduction à l Analyse des Réseaux Sociaux 33 / 50
34 Réseaux petit-monde Réseaux réguliers Réseaux aléatoires Réseaux petit-monde Réseaux scale-free Réseau petit-monde: Notion populaire: 7 degrés de séparation [Milgram1967] Distance moyenne très courte Coefficient de clustering élevé (q) (r) Modèle de génération: Modèle Watts et Strogatz Erick Stattner Introduction à l Analyse des Réseaux Sociaux 34 / 50
35 Réseaux scale-free Réseaux réguliers Réseaux aléatoires Réseaux petit-monde Réseaux scale-free Réseaux scale-free: Découvert par Barabasi en 1999 Distribution des degrés suit une loi de puissance (s) (t) Modèle de génération: Modèle Barabi-Albert Basé sur l attachement préférentiel, p j = k j k m Erick Stattner Introduction à l Analyse des Réseaux Sociaux 35 / 50
36 Outline Introduction Percolation Diffusion Introduction Percolation Diffusion 4 Erick Stattner Introduction à l Analyse des Réseaux Sociaux 36 / 50
37 Introduction Introduction Percolation Diffusion Introduction: Propagation: phénomènes ayant comme support un réseau Ex. Maladie, la rumeur, information, mode, etc. Les modèles basés sur les réseaux sont de plus en plus utilisés pour étudier ces phénomènes Approches réseau: Objectif: Ne s intéresse pas aux aspects biologiques Comprendre les mécanismes de transmission "Study of the dynamics of how transmission occur in a population, resulting in an epidemic". [De,2008] Erick Stattner Introduction à l Analyse des Réseaux Sociaux 37 / 50
38 Introduction Introduction Percolation Diffusion Deux types de problèmes: Percolation: La structure permet-elle l émergence du phénomène? Diffusion: Comment évolue le phénomène? Erick Stattner Introduction à l Analyse des Réseaux Sociaux 38 / 50
39 Percolation Introduction Percolation Diffusion Origine: Intérêt: Introduite en 1957 par Broadbent Comprendre comment les masques à gaz devenaient inefficaces Masque à gaz: composé de particules de carbone poreuses qui crée un réseau Si les pores sont trop petits, le gaz ne traverse pas Si les pores sont trop larges, le gaz traverse Permet de mettre en évidence des seuils critiques à partir desquels une transition de phase est observée i.e. Seuil à partir duquel la structure change brutalement d état Erick Stattner Introduction à l Analyse des Réseaux Sociaux 39 / 50
40 Percolation Introduction Percolation Diffusion Exemples de problème de percolation: La densité du café Des iles aux continents Erick Stattner Introduction à l Analyse des Réseaux Sociaux 40 / 50
41 Percolation Introduction Percolation Diffusion Percolation dans les réseaux de communication: Seuil de paramètres critiques qui garantissent la connexité de la structure Ou la présence d une composante principale (u) (v) (w) Erick Stattner Introduction à l Analyse des Réseaux Sociaux 41 / 50
42 Percolation Introduction Percolation Diffusion Attaque sur le réseaux de communication: Quel pourcentage de noeuds faut-il attaquer pour déconnecter un réseau scale-free? [Cohen2000] Attaque aléatoire très difficile Attaque ciblée environ 3% Erick Stattner Introduction à l Analyse des Réseaux Sociaux 42 / 50
43 Diffusion Introduction Percolation Diffusion Compartment Models: First mathematical models Assume: Population can be divided into a set of compartments (Susceptible (S), Infected (I), Recover (R),...) Uniform mixing of individuals into compartments Standards models: S α α β α α β I S I R S I S I R β SI Model SIR Model SIS Model SIRS Model λ Erick Stattner Introduction à l Analyse des Réseaux Sociaux 43 / 50
44 Diffusion Introduction Percolation Diffusion Compartment models: Simple and Deterministic Moreover, assumption of uniform mixing is unrealistic Does not reflect : Real mechanisms of dissemination Complexity of human interaction Erick Stattner Introduction à l Analyse des Réseaux Sociaux 44 / 50
45 Diffusion Introduction Percolation Diffusion Network Models: First use in 1985 by Klovdahl on AIDS Represent entities and their relations Based on the idea that structure and nature of network are main factors of outbreak and dissemination (e.g. Sexual network) Assume: Each individual has a state (S, I,...) Disease spreads through links the individuals maintain Individuals are infected with a certain probability Erick Stattner Introduction à l Analyse des Réseaux Sociaux 45 / 50
46 Diffusion Introduction Percolation Diffusion Network Models : Example of an Infection scenario: Erick Stattner Introduction à l Analyse des Réseaux Sociaux 46 / 50
47 Diffusion Introduction Percolation Diffusion Network Models: More realistic: no uniform mixing Suitable to represent dynamics of real human contacts Allow modeling relationships of different nature (intimate, professional, geographical,...) Erick Stattner Introduction à l Analyse des Réseaux Sociaux 47 / 50
48 Diffusion Introduction Percolation Diffusion Erick Stattner Introduction à l Analyse des Réseaux Sociaux 48 / 50
49 Outline Erick Stattner Introduction à l Analyse des Réseaux Sociaux 49 / 50
50 : Les réseaux: nouvelle approche pour étudier de nombreux phénomènes Phénomènes de diffusion Fouille de données: classification, clustering, etc. Applications: Identification des acteurs centraux d un système Mise en place de stratégie de marketing virale Solution visant à minimiser/maximiser la diffusion Extraire de la connaissance des réseaux Erick Stattner Introduction à l Analyse des Réseaux Sociaux 50 / 50
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
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 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 détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
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 détailTHÈSE. présentée à TÉLÉCOM PARISTECH. pour obtenir le grade de. DOCTEUR de TÉLÉCOM PARISTECH. Mention Informatique et Réseaux. par.
École Doctorale d Informatique, Télécommunications et Électronique de Paris THÈSE présentée à TÉLÉCOM PARISTECH pour obtenir le grade de DOCTEUR de TÉLÉCOM PARISTECH Mention Informatique et Réseaux par
Plus en détailPartie 1. La structure des réseaux sociaux
Partie 1. La structure des réseaux sociaux Analyse et Modélisation des Réseaux, Université Bordeaux IV Sections : Introduction 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
Plus en détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailLes enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013
Les enjeux du Big Data Innovation et opportunités de l'internet industriel François Royer froyer@datasio.com Accompagnement des entreprises dans leurs stratégies quantitatives Valorisation de patrimoine
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailet Active Directory Ajout, modification et suppression de comptes, extraction d adresses pour les listes de diffusion
et Active Directory Ajout, modification et suppression de comptes, extraction d adresses pour les listes de diffusion Copyright 2009 Alt-N Technologies. 3 allée de la Crabette Sommaire Résumé... 3 MDaemon
Plus en détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailHervé Couturier EVP, SAP Technology Development
Hervé Couturier EVP, SAP Technology Development Hervé Biausser Directeur de l Ecole Centrale Paris Bernard Liautaud Fondateur de Business Objects Questions à: Hervé Couturier Hervé Biausser Bernard Liautaud
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
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 détailLe Web, l'entreprise et le consommateur. Françoise Soulié Fogelman francoise@kxen.com
Le Web, l'entreprise et le consommateur Françoise Soulié Fogelman francoise@kxen.com Forum "Quel futur pour le Web" Lyon, mardi 21 septembre 2010 THE DATA MINING AUTOMATION COMPANY TM Agenda Le Web un
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailTowards realistic modeling of IP-level topology dynamics
Towards realistic modeling of IP-level topology dynamics Clémence Magnien, Amélie Medem, Fabien Tarissan LIP6, CNRS et UPMC Sorbonne Universités Algotel 2012 Mai 2012 La Grande Motte, Hérault, France Etude
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailEP 2 071 505 A1 (19) (11) EP 2 071 505 A1 (12) DEMANDE DE BREVET EUROPEEN. (43) Date de publication: 17.06.2009 Bulletin 2009/25
(19) (12) DEMANDE DE BREVET EUROPEEN (11) EP 2 071 0 A1 (43) Date de publication: 17.06.09 Bulletin 09/2 (1) Int Cl.: G06Q /00 (06.01) (21) Numéro de dépôt: 0817092.3 (22) Date de dépôt: 03.12.08 (84)
Plus en détailHSCS 6.4 : mieux appréhender la gestion du stockage en environnement VMware et service de fichiers HNAS Laurent Bartoletti Product Marketing Manager
HSCS 6.4 : mieux appréhender la gestion du stockage en environnement VMware et service de fichiers HNAS Laurent Bartoletti Product Marketing Manager Hitachi Storage Command Suite Portfolio SAN Assets &
Plus en détailAlgorithmes de recommandation, Cours Master 2, février 2011
, Cours Master 2, février 2011 Michel Habib habib@liafa.jussieu.fr http://www.liafa.jussieu.fr/~habib février 2011 Plan 1. Recommander un nouvel ami (ex : Facebook) 2. Recommander une nouvelle relation
Plus en détailRéseaux sociaux et recrutement : Quand, Pourquoi, Comment? présentation : Patrick Debray tél 079 212 27 80 info@dmd.ch
Réseaux sociaux et recrutement : Quand, Pourquoi, Comment? présentation : Patrick Debray tél 079 212 27 80 info@dmd.ch Les réseaux sociaux 2003 leur apparition 2010 leur essor quelques chiffres Réseaux
Plus en détailDe l Etudiant à SBA à l Enseignant Chercheur à l ENSMA
De l Etudiant à SBA à l Enseignant Chercheur à l ENSMA Ladjel BELLATRECHE bellatreche@ensma.fr http://www.lias lab.fr/members/bellatreche Les déterminants de la motivation selon Rolland Viau Perception
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailMégadonnées (Big data) et Complexité Session introductive
Mégadonnées (Big data) et Complexité Session introductive Emergence Club amical dédié aux Systèmes complexes Forum 80 membres / 140 séances de travail Panorama : I. Big data et Systèmes complexes II. Big
Plus en détailTRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,
Plus en détailsetting the scene: 11dec 14 perspectives on global data and computing e-infrastructure challenges mark asch MENESR/DGRI/SSRI - France
setting the scene: perspectives on global data and computing e-infrastructure challenges 11dec 14 mark asch MENESR/DGRI/SSRI - France 1 questions The volume, variety and complexity of research data require
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailTitle Text. Gestion de données de mobilité Mobility data management
Title Text Gestion de données de mobilité Mobility data management Contenu de la présentation Content Entrepôt de données de mobilité et exportation Automatisation de la génération d objets dynamiques
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 détailNoSQL. Introduction 1/23. I NoSQL : Not Only SQL, ce n est pas du relationnel, et le contexte. I table d associations - Map - de couples (clef,valeur)
1/23 2/23 Anne-Cécile Caron Master MIAGE - BDA 1er trimestre 2013-2014 I : Not Only SQL, ce n est pas du relationnel, et le contexte d utilisation n est donc pas celui des SGBDR. I Origine : recherche
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailInstructions Mozilla Thunderbird Page 1
Instructions Mozilla Thunderbird Page 1 Instructions Mozilla Thunderbird Ce manuel est écrit pour les utilisateurs qui font déjà configurer un compte de courrier électronique dans Mozilla Thunderbird et
Plus en détailBig data et données géospatiales : Enjeux et défis pour la géomatique. Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique
Big data et données géospatiales : Enjeux et défis pour la géomatique Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique Événement 25e anniversaire du CRG Université Laval, Qc, Canada 08 mai
Plus en détailSAN07 IBM Social Media Analytics:
SAN07 IBM Social Media Analytics: Vos clients partagent leurs connaissances Déployez une stratégie gagnante! Eric Martin Social Media Analytics Leader Europe IBM SWG, Business Analytics @Eric_SMA 1 Le
Plus en détailLe marketing appliqué: Instruments et trends
Le marketing appliqué: Instruments et trends Björn Ivens Professeur de marketing, Faculté des HEC Université de Lausanne Internef 522 021-692-3461 / Bjoern.Ivens@unil.ch Le marketing mix Produit Prix Communication
Plus en détailCybermarché 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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailUML : Unified Modeling Language
UML : Unified Modeling Language Recommended: UML distilled A brief guide to the standard Object Modeling Language Addison Wesley based on Frank Maurer lecture, Univ. of Calgary in french : uml.free.fr/index.html
Plus en détailInstitut français des sciences et technologies des transports, de l aménagement
Institut français des sciences et technologies des transports, de l aménagement et des réseaux Session 3 Big Data and IT in Transport: Applications, Implications, Limitations Jacques Ehrlich/IFSTTAR h/ifsttar
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailRÉSUMÉ DE THÈSE. L implantation des systèmes d'information (SI) organisationnels demeure une tâche difficile
RÉSUMÉ DE THÈSE L implantation des systèmes d'information (SI) organisationnels demeure une tâche difficile avec des estimations de deux projets sur trois peinent à donner un résultat satisfaisant (Nelson,
Plus en détailAnalyse empirique et modélisation de la dynamique de la topologie de l Internet
Analyse empirique et modélisation de la dynamique de la topologie de l Internet Sergey Kirgizov Directrice de thèse: Clémence Magnien Complex Networks, LIP6, (UPMC, CNRS) Paris, 12 décembre 2014 Plan 1
Plus en détail3 minutes. relation client. avec Orange Consulting. pour tout savoir sur la. construisez et pilotez votre relation client
3 minutes pour tout savoir sur la relation client construisez et pilotez votre relation client avec Orange Consulting 1 la relation client au coeur de la transformation digitale de l entreprise Aujourd
Plus en détailDétection d utilisateurs malveillants dans les réseaux sociaux
Détection d utilisateurs malveillants dans les réseaux sociaux Luc-Aurélien Gauthier Patrick Gallinari Laboratoire d Informatique de Paris 6 Université Pierre et Marie Curie 4, place Jussieu 75005 Paris
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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailBigdata et Web sémantique. les données + l intelligence= la solution
Bigdata et Web sémantique les données + l intelligence= la solution 131214 1 big data et Web sémantique deux notions bien différentes et pourtant... (sable et silicium). «bigdata» ce n est pas que des
Plus en détailStratégie IT : au cœur des enjeux de l entreprise
Stratégie IT : au cœur des enjeux de l entreprise Business Continuity Convention Tunis 27 Novembre 2012 Sommaire Sections 1 Ernst & Young : Qui sommes-nous? 2 Stratégie IT : au cœur des enjeux de l entreprise
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailTraitement et exploration du fichier Log du Serveur Web, pour l extraction des connaissances: Web Usage Mining
Traitement et exploration du fichier Log du Serveur Web, pour l extraction des connaissances: Web Usage Mining Mostafa HANOUNE*, Fouzia BENABBOU* *Université Hassan II- Mohammedia, Faculté des sciences
Plus en détailL arbre qui tombe est plus bruyant que la forêt qui pousse
L arbre qui tombe est plus bruyant que la forêt qui pousse ENS 28 02 13 Pierre Veltz ENS VELTZ 28 02 2013 1.Le nouveau monde (hyper)industriel 2. Le contexte : grand rattrapage et mondialisation à maille
Plus en détailComprehensive study on Internet related issues / Étude détaillée sur les questions relatives à l Internet. November/Novembre 2014
Comprehensive study on Internet related issues / November/Novembre 2014 Étude détaillée sur les questions relatives à l Internet 1 Study scope / Domaines de l'étude 1. Access to Information and Knowledge
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailFORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis
FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités
Plus en détailMapReduce. Malo Jaffré, Pablo Rauzy. 16 avril 2010 ENS. Malo Jaffré, Pablo Rauzy (ENS) MapReduce 16 avril 2010 1 / 15
MapReduce Malo Jaffré, Pablo Rauzy ENS 16 avril 2010 Malo Jaffré, Pablo Rauzy (ENS) MapReduce 16 avril 2010 1 / 15 Qu est ce que c est? Conceptuellement Données MapReduce est un framework de calcul distribué
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailBill 69 Projet de loi 69
1ST SESSION, 41ST LEGISLATURE, ONTARIO 64 ELIZABETH II, 2015 1 re SESSION, 41 e LÉGISLATURE, ONTARIO 64 ELIZABETH II, 2015 Bill 69 Projet de loi 69 An Act to amend the Business Corporations Act and the
Plus en détailL IMPACT DES RESEAUX SOCIAUX SUR LES COMPORTEMENTS DES JEUNES CONSOMMATEURS
Magdalena Grębosz Jacek Otto Ecole Polytechnique de Lodz, Pologne L IMPACT DES RESEAUX SOCIAUX SUR LES COMPORTEMENTS DES JEUNES CONSOMMATEURS L Introduction L Internet est actuellement le plus grand réseau
Plus en détailINSERTION TECHNIQUES FOR JOB SHOP SCHEDULING
INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE POUR L'OBTENTION DU GRADE DE DOCTEUR ES SCIENCES PAR Tamas KIS Informaticien mathématicien diplômé de l'université
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailAGROBASE : un système de gestion de données expérimentales
AGROBASE : un système de gestion de données expérimentales Daniel Wallach, Jean-Pierre RELLIER To cite this version: Daniel Wallach, Jean-Pierre RELLIER. AGROBASE : un système de gestion de données expérimentales.
Plus en détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
Plus en détailFrequently Asked Questions
GS1 Canada-1WorldSync Partnership Frequently Asked Questions 1. What is the nature of the GS1 Canada-1WorldSync partnership? GS1 Canada has entered into a partnership agreement with 1WorldSync for the
Plus en détailPhilippe Lemerle Big Data Secteur public. Copyright 2015, Oracle and/or its affiliates. All rights reserved.
Philippe Lemerle Big Data Secteur public 1 Le Monde se crée une copie numérique de lui même (*) (*) The world is making a digital copy of itself Paul Sonderegger, Oracle Approche réductioniste propriétés
Plus en détailLa solution idéale de personnalisation interactive sur internet
FACTORY121 Product Configurator (summary) La solution idéale de personnalisation interactive sur internet FACTORY121 cité comme référence en «Mass Customization» au MIT et sur «mass-customization.de» Specifications
Plus en détailPARIS ROISSY CHARLES DE GAULLE
GPS 2 34 1 E 49 0 46 N GPS* 2 56 56 E 49 0 12 N Votre contact / Your contact: et / and: Accueil : Cabines téléphoniques publiques Reception: Public telephone kiosks Navette Shuttle AÉROPORT DE TT CAR TRANSIT
Plus en détailE-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement.
E-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement. N.Bard, S.Boin, F.Bothorel, P.Collinet, M.Daydé, B. Depardon, F. Desprez, M.Flé, A.Franc, J.-F. Gibrat, D.
Plus en détailForthcoming Database
DISS.ETH NO. 15802 Forthcoming Database A Framework Approach for Data Visualization Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of
Plus en détailCOMPTABILITÉ. PCG : provisions pour grosses réparations vs amortissements par composants. Cette étude a pour objet. reflexion. Résumé de l article
PCG : provisions pour grosses réparations vs amortissements par composants Eric DELESALLE Expert-comptable, Commissaire aux comptes Professeur agrégé CNAM-INTEC Président de la Commission de droit comptable
Plus en détailCaroline Hurault-Delarue 1, Cécile Chouquet 2, Nicolas Savy 2, Isabelle Lacroix 1, Christine Damase- Michel 1
Trajectoires individuelles d'exposition aux psychotropes au cours de la grossesse et partitionnement en fonction du profil d'exposition : utilisation des K-means pour données longitudinales Caroline Hurault-Delarue
Plus en détailFaceBook aime les Maths!
FaceBook aime les Maths! Michel Rigo http://www.discmath.ulg.ac.be/ http://orbi.ulg.ac.be/ Réseaux Visualizing my Twitter Network by number of followers. Michael Atkisson http://woknowing.wordpress.com/
Plus en détailEnhancing cybersecurity in LDCs thru multi-stakeholder networking and free software
WSIS cluster action line C5 22-23 may 2008 Pierre OUEDRAOGO, Institut de la Francophonie Numérique (IFN) pierre.ouedraogo@francophonie.org Enhancing cybersecurity in LDCs thru multi-stakeholder networking
Plus en détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailP R E T S P R E F E R E N T I E L S E T S U B V E N T I O N S D I N T E R Ê T S
P R E T S P R E F E R E N T I E L S E T S U B V E N T I O N S D I N T E R Ê T S Il est courant pour les employeurs d octroyer à leurs employés des prêts préférentiels ou des subventions d intérêts. L économie
Plus en détailGroupe de Discussion Big Data Aperçu des technologies et applications. Stéphane MOUTON stephane.mouton@cetic.be
Groupe de Discussion Big Data Aperçu des technologies et applications Stéphane MOUTON stephane.mouton@cetic.be Recherche appliquée et transfert technologique q Agréé «Centre Collectif de Recherche» par
Plus en détailEléments de statistique
Eléments de statistique L. Wehenkel Cours du 9/12/2014 Méthodes multivariées; applications & recherche Quelques méthodes d analyse multivariée NB: illustration sur base de la BD résultats de probas en
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailPIB : Définition : mesure de l activité économique réalisée à l échelle d une nation sur une période donnée.
PIB : Définition : mesure de l activité économique réalisée à l échelle d une nation sur une période donnée. Il y a trois approches possibles du produit intérieur brut : Optique de la production Optique
Plus en détailRecherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014
Recherche et Diffusion de l Information dans les Réseaux Philippe Robert Le 8 avril 2014 Présentation Présentation Directeur de recherche à l INRIA Responsable de l équipe de recherche Réseaux, Algorithmes
Plus en détailPopulation responses to environmental forcing : approaches to model and monitor habitat characteristics
Approche systémique des pêches Boulogne-sur sur-mer 2008 Population responses to environmental forcing : approaches to model and monitor habitat characteristics Pierre Petitgas (1), M. Huret (1), B. Planque
Plus en détailSamuel Decout, Sandra Luque. Sandra.luque@cemagref.fr
!""#$%&'()*+,-#,'((.'(&),#/#%&)0/1$*(.'("/+%&0(.2&/3)+/+('*(4/5'6#(.'(7/(%$**'%15)+,(8(( 9)7)'6:($65'#+0('+(9)7)'6:(4$#'01'#0( ( (!"#$%&#'"#(%#)*"+,-.(("#*,-&&"#"+#/&0*"# Samuel Decout, Sandra Luque Sandra.luque@cemagref.fr
Plus en détailI>~I.J 4j1.bJ1UlJ ~..;W:i 1U
~I ~~I ~ ~WI~I ~WI ~~'~.M ~ o~wj' js'~' ~ ~JA1ol..;l.:w I>~I.J 4j1.bJ1UlJ ~..;W:i 1U Exercice 1: Le modele TCP/IP est traditionnellement considere comme une pile de 5 couches. Pour chaque couche, expliquer
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailGraphes d attaques Une exemple d usage des graphes d attaques pour l évaluation dynamique des risques en Cyber Sécurité
Graphes d attaques Une exemple d usage des graphes d attaques pour l évaluation dynamique des risques en Cyber Sécurité Emmanuel MICONNET, Directeur Innovation WISG 2013, UTT le 22/1/13 2 / CyberSécurité,
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
Plus en détailTravailler avec les télécommunications
Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la
Plus en détailIntroduction. M2206 Intégration web. Introduction. Introduction 20/01/2014
Introduction M2206 Intégration web http://www.atinternet.fr/ressources/ressources/etudespubliques/barometre-des-moteurs/ Référencement des sites web et moteurs de recherche Introduction Introduction http://www.go-gulf.com/blog/social-networking-user/
Plus en détail