Théorie des graphes pour l analyse de réseaux réels
|
|
- Élisabeth Lepage
- il y a 8 ans
- Total affichages :
Transcription
1 Théorie des graphes pour l analyse de réseaux réels Bertrand Jouve Laboratoire ERIC - IXXI - Université Lyon 2
2 Plan 1 Entre théorie des graphes et réseaux réels 2 Partitionnement métrique Exemple d étude : organisation cortico-corticale 3 Décomposition en Clans Exemple d étude : procédure de vote 4 Graphes cospectraux Exemple d étude : modélisation de réseaux sociaux anciens 5 Réduction de graphe par démontabilité Exemple d étude : dynamique de parcellaires 6 Conclusion
3 Définition [Graphe] G = (V, E) où V est un ensemble non vide et E un ensemble de couples d éléments de V. [Réseau] Un réseau est un graphe dont les individus et les relations présentent des caractéristiques quantitatives ou qualitatives. [Système complexe] Grand nombre d entités en interaction formant un ensemble dont le comportement est imprévisible pour l observateur car résultant d interactions non triviales.
4 Définition [Graphe] G = (V, E) où V est un ensemble non vide et E un ensemble de couples d éléments de V. [Réseau] Un réseau est un graphe dont les individus et les relations présentent des caractéristiques quantitatives ou qualitatives. [Système complexe] Grand nombre d entités en interaction formant un ensemble dont le comportement est imprévisible pour l observateur car résultant d interactions non triviales. Deux objectifs pour l étude des sytèmes complexes : DESCRIPTIFS et PREDICTIFS.
5 La démarche générale 1 Etant donné un système complexe à étudier, définir les réseaux d interactions qui peuvent aider à sa compréhension. 2 Utiliser et enrichir l ensemble des outils mathématiques qui permettent l étude formelle de ces réseaux. 3 Appliquer aux systèmes à l étude et exploiter les résultats obtenus pour enrichir des approches SHS-centrées. 4 boucler sur 2. en particulier les apports et limites de la théorie des graphes : analyse des données, analyse spectrale, combinatoire, topologie. Des applications
6 et la différence par rapport à l analyse des réseaux classique...
7 Partitionnement métrique Problème : Partitionner le graphe en classes qui satisfont certaines propriétés définies à l avance en le plongeant dans un espace géométrique. Ce type d approche pour l analyse de graphes n est pas récent (Benzecri dans les années 70, Lebart dans les années 80,...) mais a été relancé dans les années 90 / 00 avec la construction de réseaux réels dans des domaines très variés.
8 G = (V, E) graphe non orienté. Objectif : Partitionner G en sous-graphes denses (communautés?). Principe de la méthode munir V d une dissimilarité d (souvent une comparaison des voisins) plonger (V, d) dans (R n, d 2 ) et étudier la forme du nuage plongé. projeter le nuage sur les 1 ères dimensions d une A.C.P. effectuer une Classification automatique des points de la projection. Exemple : d 2 (i, j) = V[i] V[j] V[i] + V[j]
9 Extension aux graphes orientés et ou pondérés. Objectif : Partitionner G en sous-graphes denses et différencier ceux qui sont des pseudo-sources ou pseudo-puits. La distance entre deux sommets i et j s écrit d 2 (i, j) = f ( V + [i], V + [j] ) + f ( V [i], V [j] ) ou plus généralement ) ) f (V + [i], V + [j], V + 2 [i], V +2 [j], + f (V + [i], V + [j], V + 2 [i], V +2 [j], Exemple : Si f est le carré de la métrique de Dice, d s écrit d 2 (i, j) = V[i] V[j] V[i] + V[j] d 2 (i, j) = V + [i] V + [j] V + [i] + V + [j] + V [i] V [j] V [i] + V [j] d est euclidienne ainsi que son extension aux graphes pondérés.
10 Résultats [1998 ; 2001] Si f est un indice de proximité pour tableaux de présence / absence, on construit des familles de dissimilarités pour graphes orientés qui héritent des propriétés de f. a =< a i, a j > b =< a i, 1 a j > c =< 1 a i, a j > d =< 1 a i, 1 a j > Exemple : d 2 = Résultats [2002] b+c 2a+b+c Dans certains cas, il est possible de déterminer formellement l information portée par les 1 ers axes factoriels de l A.C.P. Sous l hypothèse de 1 ères valeurs propres assez distantes, le graphe peut être perturbé.
11 Modèles jouets : G p=3,q=3 Les p premières dimensions portent le nombre de cliques Les p + 1 à p + q 1 dimensions suivantes portent les couplages. G GAR (4, 10, 0.6, 0.2)
12 Exemple d étude : organisation cortico-corticale Outils et résultats [1998 ; 2004] Extension sous contraintes du réseau neuronal. Questions : Représentation géométrique de réseaux orientés. SLN : associer hiérarchie et représentation bidimensionnelles. Quelle modularité corticale dans l organisation anatomo-fonctionnelle du cortex? Comment traiter une connaissance incomplète du réseau neuronal? Une ou plusieurs hiérarchies?
13 Exemple d étude : organisation cortico-corticale Questions : Quelle modularité corticale dans l organisation anatomo-fonctionnelle du cortex? Comment traiter une connaissance incomplète du réseau neuronal? Une ou plusieurs hiérarchies? Outils et résultats [1998 ; 2004] Extension sous contraintes du réseau neuronal. Représentation géométrique de réseaux orientés. SLN : associer hiérarchie et représentation bidimensionnelles.
14 Exemple d étude : organisation cortico-corticale Questions : Quelle modularité corticale dans l organisation anatomo-fonctionnelle du cortex? Comment traiter une connaissance incomplète du réseau neuronal? Une ou plusieurs hiérarchies? Outils et résultats [1998 ; 2004] Extension sous contraintes du réseau neuronal. Représentation géométrique de réseaux orientés. SLN : associer hiérarchie et représentation bidimensionnelles.
15 Notion de communautés La notion de communauté apparaît souvent centrale car elle permet une schématisation du réseau et donc une approche à un autre niveau de granulométrie. Pour autant elle n admet pas de définition unique. Si l on ne regarde que la structure du graphe, les définitions suivantes correspondent à des notions combinatoires bien étudiéees : Les sommets d une même communauté sont vus de la même manière par un invidividu extérieur à la communauté, Tous les éléments d une communauté se connaissent 2 à 2, Deux sommets d une communauté sont interchangeables....
16 Décomposition en clans Un tournoi est un graphe complet orienté. Problème : Etant donné un tournoi (ou un graphe orienté), comment peut-on le décomposer en ordres totaux (ou partiels) liés par des connexions en unidirection?
17 T est un tournoi. Définition Un Clan (ie. Intervalle) I de T est un sous-ensemble de sommets de T tel que tout sommet qui n est pas dans I soit domine soit est dominé par tous les sommets de T. Un 2-Clan est un clan à 2 éléments. Un tournoi sans clan non trivial (resp. 2-clan) est sommet-critique lorsque la suppression d un sommet quelconque crée un clan non trivial (resp. 2-clan).
18 T est un tournoi. Définition Un Clan (ie. Intervalle) I de T est un sous-ensemble de sommets de T tel que tout sommet qui n est pas dans I soit domine soit est dominé par tous les sommets de T. Un 2-Clan est un clan à 2 éléments. Un tournoi sans clan non trivial (resp. 2-clan) est sommet-critique lorsque la suppression d un sommet quelconque crée un clan non trivial (resp. 2-clan). Remarque : Un tournoi dont les clans acycliques sont triviaux sont les tournois sans 2-clans et réciproquement. Si d est bien choisie, l approche géométrique sur un tournoi exhibe un partitionnement dont les classes sont "proches" de clans acycliques [2005] : nous rigidifions le critère.
19 Objectif : Caractériser les tournois sans 2-clans et qui sont sommet-critiques pour cette propriété. Remarque : Les questions et résultats de décomposabilité et d indécomposabilité en clans et 2-clans pour les tournois s étendent aux structures binaires ([2012 soumis])
20 Etat de l art étudiés Tournois dont les clans sont triviaux [Schmerl and Trotter, 1993 ; Ille, 1997] caractérisés Parmi ces tournois, ceux qui sont sommet-critiques pour cette propriété [Ille, 1997] étudiés Les tournois dont une partition en ordres totaux admet r sous-ensembles et sommet-critiques pour cette propriété [Neumann-Lara, 1984] Résultats [2005 ; 2010] caractérisés Tournois sans 2-clans (ie. tous les clans acycliques sont triviaux) et sommets critiques pour cette propriété : T [ C k1, C k2,..., C kp ]. Exemple : O 3 [ C 3, C 5, C 7 ] =
21 Exemple d étude : procédure de vote Les tournois apparaissent notamment lors des procédures de votes. n candidats numérotés de 1 à n et p votants Chaque votant doit classer les candidats sans ex-æquo. L objectif est d agréger les p ordres totaux obtenus en un seul. Procédure de Condorcet (dite aussi vote majoritaire) : Les candidats sont les sommets d un tournoi T et il existe un arc de i vers j si une majorité de votant préfère i à j. Paradoxe de Condorcet : une telle procédure peut créer des cycles. Exemple : n = 4 et p = 3 Votant 1 : 1 > 2 > 3 > 4 Votant 2 : 3 > 1 > 2 > 4 Votant 3 : 2 > 3 > 1 > 4 Questions : Comment agréger les préférences?
22 Exemple d étude : procédure de vote Outils On cherche l ordre O à distance minimale du tournoi T. Si la distance est le nombre minimal d arcs à inverser (indice de Slater), on obtient un ordre de Slater. A un tournoi peuvent correspondre plusieurs ordres de Slater et la distance d(o, T) peut être importante. On cherche un partitionnement en clans acycliques.
23 Exemple d étude : procédure de vote Outils On cherche l ordre O à distance minimale du tournoi T. Si la distance est le nombre minimal d arcs à inverser (indice de Slater), on obtient un ordre de Slater. A un tournoi peuvent correspondre plusieurs ordres de Slater et la distance d(o, T) peut être importante. On cherche un partitionnement en clans acycliques.
24 Graphes cospectraux Croiser les méthodes pour trouver les communautés. Tout graphe peut être codé de façon biunivoque par une matrice binaire. Problème : Qu ajoute la connaissance d invariants, comme le spectre de la matrice d adjacence, sur la compréhension de la structure du graphe, de ses communautés? Dans quelle mesure, disposer des distributions de valeurs propres est-il une aide à la comparaison de 2 graphes? Remarque : On a déjà utilisé le spectre de matrices pour l ACP sur tableau de distances. On essaie ici de s affranchir de la métrique.
25 Définition Deux graphes sont dits cospectraux s ils ont même spectre Sp (ensemble des solutions en λ de l équation Au = λu). Objectif : Augmenter la connaissance sur les graphes cospectraux. En particulier, déterminer de nouvelles classes de graphes déterminés par leur spectre. Remarque : Deux graphes isomorphes sont cospectraux mais la réciproque est fausse. Exemple : Deux graphes non isomorphes cospectraux pour la matrice d adjacence et non cospectraux pour le Laplacien L = D A. Sp A = { 2; 0; 0; 0; 2} Dans la suite, on parlera de spectre d un graphe pour désigner le spectre de sa matrice d adjacence. Tous les graphes considérés sont connexes.
26 Etat de l art (un peu...) chemins : Les chemins sont déterminés par le spectre [Schen et al., 2005] arbres : Presque tous les arbres sont cospectraux [Schwenk, 1973] cycles : Les cycles sont déterminés par le spectre [Smith, 1970] monocles impairs : Les monocles de cycle impair sont déterminés par le spectre [Haemers et al., 2008] Résultats [2008] monocles pairs : Les monocles de cycle pair sont déterminés par le spectre. Exemple : L(6, 4)
27 Définition Une communauté parfaite d un graphe G est un sous-graphe complet de G qui est un intervalle de G. Résultat [Van den Heuvel and Pejic 2001] Si le laplacien L du graphe a une valeur propre λ non nulle de multiplicité au moins k 1 dont les vecteurs propres associés possèdent exactement les mêmes k coordonnées non nulles alors ces k coordonnées correspondent soit aux sommets d une k-communauté parfaite soit aux sommets d un k-ensemble stable.
28 Exemple d étude : modélisation de réseaux sociaux anciens
29 Exemple d étude : modélisation de réseaux sociaux anciens
30 Exemple d étude : modélisation de réseaux sociaux anciens Hypothèse : Les données de noms et de lieux présentes dans l ensemble de ces contrats permettent l émergence de réseaux de relations qui sont descriptifs de l organisation de la société.
31 Exemple d étude : modélisation de réseaux sociaux anciens Questions : 1 Identifier les réseaux sociaux dans le monde paysan des XIIIe-XVIe siècles. 2 Hiérarchiser les individus et leur rôle au sein de ces réseaux. 3 Analyser l évolution de ces réseaux (passage de la guerre de cent ans.
32 Exemple d étude : modélisation de réseaux sociaux anciens Outils et résultats BDD de contrats agraires ( et ) : 8706 individus et arêtes Mise en forme des données, définition des liens pour la construction des réseaux. Structure en communautés parfaites, club huppé et individus relais. Comparaison des graphes à différentes périodes.
33 Exemple d étude : modélisation de réseaux sociaux anciens Travaux en cours : dynamique et spatialisation
34 Exemple d étude : modélisation de réseaux sociaux anciens Travaux en cours : dynamique et spatialisation
35 Réduction de graphe par démontabilité Notion d homotopie en topologie : deux objets sont homotopes si on peut passer de l un à l autre par une déformation continue de l objet sur lui-même. Problème : dans quel mesure peut-on étudier la forme d un graphe en utilisant des outils de topologie comme l homotopie?
36 Il existe un lien assez classique entre les graphes et la topologie par le biais des complexes simpliciaux. Rappel : Un complexe simplicial K, d ensemble de sommets V, est une collection d ensembles non vides de V (les simplexes) telle que : V = σ K σ et (σ K, x σ)σ \ {x} K. Définition (G) est le complexe simplicial dont les k-simplexes sont les sous-graphes complets à k sommets. Une réduction élémentaire de (G) est la suppression d une paire de simplexes (σ,τ) avec τ face propre maximale de σ et τ libre (ie. face d aucun autre simplexe). Exemple :
37 Il existe un lien assez classique entre les graphes et la topologie par le biais des complexes simpliciaux. Rappel : Un complexe simplicial K, d ensemble de sommets V, est une collection d ensembles non vides de V (les simplexes) telle que : V = σ K σ et (σ K, x σ)σ \ {x} K. Définition (G) est le complexe simplicial dont les k-simplexes sont les sous-graphes complets à k sommets. Une réduction élémentaire de (G) est la suppression d une paire de simplexes (σ,τ) avec τ face propre maximale de σ et τ libre (ie. face d aucun autre simplexe). Exemple :
38 Il existe un lien assez classique entre les graphes et la topologie par le biais des complexes simpliciaux. Rappel : Un complexe simplicial K, d ensemble de sommets V, est une collection d ensembles non vides de V (les simplexes) telle que : V = σ K σ et (σ K, x σ)σ \ {x} K. Définition (G) est le complexe simplicial dont les k-simplexes sont les sous-graphes complets à k sommets. Une réduction élémentaire de (G) est la suppression d une paire de simplexes (σ,τ) avec τ face propre maximale de σ et τ libre (ie. face d aucun autre simplexe). Exemple :
39 Il existe un lien assez classique entre les graphes et la topologie par le biais des complexes simpliciaux. Rappel : Un complexe simplicial K, d ensemble de sommets V, est une collection d ensembles non vides de V (les simplexes) telle que : V = σ K σ et (σ K, x σ)σ \ {x} K. Définition (G) est le complexe simplicial dont les k-simplexes sont les sous-graphes complets à k sommets. Une réduction élémentaire de (G) est la suppression d une paire de simplexes (σ,τ) avec τ face propre maximale de σ et τ libre (ie. face d aucun autre simplexe). Objectif : construire une homotopie combinatoire sur les graphes identifiable à l homotopie sur les complexes simpliciaux, qui procède par élimination de sommets. L homotopie (simple) sur les complexes est une succession d ajouts et de réductions élémentaires.
40 Sommet simplicial Le voisinage fermé de i dans G est l ensemble V G [i] = V g (i) {i}. Définition Un sommet i est simplicial si V G [i] est complet. Un graphe G est démontable par sommets simpliciaux s il existe un ordre 1, 2,, n de ses sommets tel que i est simplicial dans G {1, 2,, i 1}. Proposition [Dirac, 1961] Un graphe fini G est triangulé (ou cordé) ssi G est démontable par sommets simpliciaux. Exemple :
41 Sommet simplicial Le voisinage fermé de i dans G est l ensemble V G [i] = V g (i) {i}. Définition Un sommet i est simplicial si V G [i] est complet. Un graphe G est démontable par sommets simpliciaux s il existe un ordre 1, 2,, n de ses sommets tel que i est simplicial dans G {1, 2,, i 1}. Proposition [Dirac, 1961] Un graphe fini G est triangulé (ou cordé) ssi G est démontable par sommets simpliciaux. Exemple :
42 Sommet démontable Définition [Quillot, 1983 ; Nowakowski and Winkler, 1983] Un sommet i est démontable s il existe j tel que V G [i] V G [j]. Un graphe G est démontable s il existe un ordre 1, 2,, n de ses sommets tel que i est démontable dans G {1, 2,, i 1}. Exemple : Remarque : un sommet simplicial est démontable. Proposition [Quillot, 1983 ; Nowakowski and Winkler, 1983] Un graphe fini G est policier-gagnant ssi G est démontable. Remarque : faux dans le cas infini (cf. arbre).
43 Sommet démontable
44 Sommet s-démontable Définition [2008] Un sommet i est s-démontable si V G (i) est démontable. Un graphe G est s-démontable s il existe un ordre 1, 2,, n de ses sommets tel que i est démontable dans G {1, 2,, i 1}. Exemple : ni sommet simplicial, ni sommet démontable. Remarque : simplicial démontable s-démontable Définition [2010] On dira que G et H ont le même type de s-homotopie s il existe s s s s G = J 1, J 2,, J k 1, J k = H tels que G = J 1 J 2... J k 1 J k = H où s représente l addition ou la suppression d un sommet s-démontable.
45 Sommet s-démontable Définition [2008] Un sommet i est s-démontable si V G (i) est démontable. Un graphe G est s-démontable s il existe un ordre 1, 2,, n de ses sommets tel que i est démontable dans G {1, 2,, i 1}. Exemple : ni sommet simplicial, ni sommet démontable. Remarque : simplicial démontable s-démontable Définition [2010] On dira que G et H ont le même type de s-homotopie s il existe s s s s G = J 1, J 2,, J k 1, J k = H tels que G = J 1 J 2... J k 1 J k = H où s représente l addition ou la suppression d un sommet s-démontable.
46 Sommet s-démontable Résultat [2008, 2010] G ց s H (G) ց s (H). Exemple : L implication inverse est fausse :
47 Sommet s-démontable Définition Deux complexes simpliciaux ont même type d homotopie simple si l on peut passer de l un à l autre par une succession de réductions et d expansions élémentaires. Résultat [BFJ 2010] [G] s = [H] s [ (G)] s = [ (H)] s Exemple :
48 Exemple d étude : dynamique de parcellaires Question : 1 Quelle lecture des paysages disparus donnent les compoix? 2 Dans les recherches sur les sociétés, l histoire du paysage ou du climat, le compoix peut-il remplacer la carte? 3 Comment comparer des documents cartographiés et non cartographiés pour étudier la dynamique de parcellaires sur une longue période?
49 Exemple d étude : dynamique de parcellaires Outils et résultats Comparer les graphes duaux de parcellaires Caler ces graphes sur des invariants connus
50 Conclusion Un positionnement volontaire dans le domaine de la combinatoire appliquée. Comment la théorie des graphes peut s accorder avec une science des réseaux qui doit traiter de la dynamique et du multiplexage?
Introduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
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 détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en 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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
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 détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailchapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
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 détailSimulation centrée individus
Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailUne nouvelle approche de détection de communautés dans les réseaux sociaux
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Une nouvelle approche de détection de communautés dans les réseaux sociaux Mémoire (INF 6021) pour l obtention du grade de Maîtrise
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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailRétablissement d un réseau cellulaire après un désastre
Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailIntroduction au maillage pour le calcul scientifique
Introduction au maillage pour le calcul scientifique CEA DAM Île-de-France, Bruyères-le-Châtel franck.ledoux@cea.fr Présentation adaptée du tutorial de Steve Owen, Sandia National Laboratories, Albuquerque,
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en 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 détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailBaccalauréat ES Amérique du Nord 4 juin 2008
Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détail1 Définition et premières propriétés des congruences
Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailOn ne peut pas entendre la forme d un tambour
On ne peut pas entendre la forme d un tambour Pierre Bérard Institut Fourier Laboratoire de Mathématiques Unité Mixte de Recherche 5582 CNRS UJF Université Joseph Fourier, Grenoble 1 Introduction 1.1 Position
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailREVUE DE STATISTIQUE APPLIQUÉE
REVUE DE STATISTIQUE APPLIQUÉE H. ABDALLAH G. SAPORTA Mesures de distance entre modalités de variables qualitatives; application à la classification Revue de statistique appliquée, tome 51, n o 2 (2003),
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 détailLES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION
LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION DES NOMBRES par Jean-Luc BREGEON professeur formateur à l IUFM d Auvergne LE PROBLÈME DE LA REPRÉSENTATION DES NOMBRES On ne conçoit pas un premier enseignement
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailCHAPITRE I INTRODUCTION
CHAPITRE I INTRODUCTION A. Histoire D un certain point de vue le début de l histoire de la théorie des nœuds date du temps d Alexandre de Macédoine, plus précisément de sa résolution du problème du fameux
Plus en détailDate : 18.11.2013 Tangram en carré page
Date : 18.11.2013 Tangram en carré page Titre : Tangram en carré Numéro de la dernière page : 14 Degrés : 1 e 4 e du Collège Durée : 90 minutes Résumé : Le jeu de Tangram (appelé en chinois les sept planches
Plus en détailTD 1 - Structures de Traits et Unification
TD 1 - Structures de Traits et Unification 1 Définitions Un trait (en: feature) est un couple attribut-valeur. Une structure de traits (en: feature structure) est un ensemble de traits. On peut les représenter
Plus en détailPLAN NOTATIONS UTILISÉES
PLAN COURS 3 AGRÉGATION ORDINALE Master IAD DMDC PATRICE PERNY LIP6 Université Paris 6 1 2 2/29 NOTATIONS UTILISÉES I) O A : ordres complets sur A P A : Préordres sur A (complets ou partiels) PC A : Préordres
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en 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 détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailUniversité de Bangui. Modélisons en UML
Université de Bangui CRM Modélisons en UML Ce cours a été possible grâce à l initiative d Apollinaire MOLAYE qui m a contacté pour vous faire bénéficier de mes connaissances en nouvelles technologies et
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailEléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
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 détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailIntroduction à la théorie des graphes
CAHIERS DE LA CRM Introduction à la théorie des graphes Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE Table des matières Avant-propos But de ce fascicule................................
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en 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 détail