Etiquetage morphosyntaxique probabiliste
|
|
- Sabine St-Pierre
- il y a 7 ans
- Total affichages :
Transcription
1 Etiquetage morphosyntaxique probabiliste Traitement Automatique des Langues Master Informatique Université Paris-Est Marne-la-Vallée Matthieu Constant
2 Références de base du cours Christopher D. Manning and Hinrich Schütze, 1999, Foundations of Statistical Natural Language Processing, Massachussetts Insititute of Technology Ruslan Mitkov, 2003, The Oxford Handbook of Computational Linguistics, Oxford University Press
3 Plan introduction étiquettes morphosyntaxiques et ambiguïté caratéristiques des analyseurs quelques rappels sur les probabilités analyseurs stochatisques architecture d'un analyseur par modèles de Markov par apprentissage de règles de transformation (Brill)
4 INTRODUCTION
5 Analyse morphosyntaxique processus d'assigner une étiquette morphosyntaxique à chaque mot d'un texte exemple : Max donne une pomme à Léa N V DET N PREP N terminologie équivalente : étiquette morphosyntaxique partie du discours (Part-of-Speech = POS)
6 INTRODUCTION Etiquettes morphosyntaxiques et ambiguïté
7 Etiquettes - 1 en général, les étiquettes sont données aux mots en utilisant des critères formels : distribution syntaxique (ex. DET A N) fonction syntaxique (ex. nom tête d'un groupe nominal) appartenance à une classe morphologique ou syntaxique
8 Etiquettes - 2 le jeu d'étiquettes utilisé est très variable suivant les analyseurs une étiquette peut contenir les informations suivantes : une catégorie grammaticale (obligatoire) ex. verbe, nom, adjectif, adverbe, déterminant,... des informations flexionnelles ex. genre, nombre, personne, temps, mode,... des informations morphosyntaxiques ex. distinction entre nom propre et nom commun
9 Etiquettes - 3 extension possible : une étiquette peut contenir des traits sémantiques quelques traits : humain, concret, abstrait exemple d'entrée : avocat avocat => nom commun humain avocat => nom commun concret mais la limite entre étiquetage morphosyntaxique et étiquetage morphosyntaxique devient flou!
10 Echantillon de jeu d'étiquettes pour l'anglais - 1 AT : article (ex. a) BEZ : mot is IN : préposition (ex. for) JJ : adjectif (ex. beautiful) JJR : adjectif comparatif (ex. clearer) MD : modal (ex. should) NN : nom commun singulier (ex. car) NNP : nom propre singulier (ex. George) NNS : nom commun pluriel (ex. cars) PN : pronom personnel (ex. we)
11 Echantillon de jeu d'étiquettes pour l'anglais - 2 RB : RBR : TO : VB : VBD : VBG : VBN : adverbe (ex. nicely) adverbe comparatif (ex. sooner) mot to verbe à l'infinitif (ex. sing) verbe au passé (ex. changed) verbe au gérondif (ex. eating) verbe au participe passé (ex. been)
12 Ambiguïté - 1 exemple de phrase ambigue : La belle femme ferme le voile. ambiguités : la : déterminant, nom ou pronom belle : adjectif ou nom ferme : adjectif, nom ou verbe le : déterminant ou pronom voile : nom ou verbe
13 Ambiguïté - 2 en général, les mots sont ambigus certains mots n'ont qu'une seule étiquette âge : nom masculin singulier ânerie : nom féminin singulier éducatif : adjectif masculin singulier
14 INTRODUCTION Caractéristiques des analyseurs
15 Caractéristiques des étiqueteurs les mots sont des tokens utilisation de contextes très locaux (2-3 mots) bonne précision : 96-98% de mots correctement étiquetés
16 Approches règles construites manuellement modèle de Markov modèle de Markov caché transformations automatiquement apprises arbres de décisions...
17 Quelques applications recherche d'information extraction d'information analyse syntaxique
18 INTRODUCTION Quelques rappels sur les probabilités
19 Probabilités soit A un événement dans un univers donné la probabilité de cet événement est notée P(A) : avec P A = f A n [0,1] f(a) : nombre de fois que A se produit n : nombre de tous les possibles dans l'univers
20 Probabilité conditionnelle - 1 soient A et B deux événements on note P(A B), la probabilité conditionnelle que A se produise sachant que B s'est déjà produit : P A B = P A,B P B avec P(A,B) la probabilité que les deux événements A et B se produisent ensemble
21 Probabilité conditionnelle - 2 soient les n événements A 1,..., A n généralisation : P A 1,..., A n =P A 1. P A 2 A 1. P A 3 A 1, A 2... P A n A 1... A n 1
22 Indépendance deux événements A et B sont indépendants l'un de l'autre si P(A,B) = P(A).P(B) A et B sont aussi conditionnellement indépendant : soit C un événement, alors P(A,B C) = P(A C).P(B C)
23 Indépendance Soient les n événements A 1,..., A n indépendants Généralisation : P A 1,..., A n C =P A 1 C.P A 2 C... P A n A n 1
24 Théorème de Bayes théorème : P B A = P B, A P A = P A B. P B P A déterminer l'événement B qui maximise P(B A) argmax B P A B.P B P A = argmax B P A B. P B car P(A) est constante quelque soit B
25 Hypothèses de Markov on suppose que les événements A 1,..., A n apparaissent dans un certain ordre Markov fait deux approximations : horizon limité : un événement ne dépendant que de son précédent P A n 1 A 1,..., A n = P A n 1 A n invariant temporel : la probabilité ne dépend pas du temps
26 Plan introduction étiquettes morphosyntaxiques et ambiguïté caratéristiques des analyseurs quelques rappels sur les probabilités analyseurs stochatisques architecture d'un analyseur par modèles de Markov par apprentissage de règles de transformation (Brill)
27 ANALYSEURS STOCHASTIQUES
28 ANALYSEURS STOCHASTIQUES Architecture des analyseurs
29 Architecture générale tokenisation analyse lexicale ambigüe levée d'ambiguité
30 Tokenisation découpage d'une séquence de caractères en tokens un token peut être : un mot simple un symbole de ponctuation un nombre un caractère blanc
31 Analyse lexicale ambigue assigner à chaque token l'ensemble des étiquettes possibles méthodes : utilisation d'un lexique listes de mots modèles à états finis utilisation d'un guesser (devineur) application de règles morphologiques application de règles contextuelles application de priorités
32 Levée d'ambiguité probabiliste à base de deux types d'informations information sur le mot à étiqueter information contextuelle syntaxique combinaison de ces deux informations apprentissage des ces informations sur des corpus en général annotés (étiquetés) à la main
33 Informations sur les mots - 1 étant donné un mot, on est capable de déterminer la probabilité de lui assigner une étiquette soient un mot w et une étiquette t, la probabilité d'avoir l'étiquette t sachant que l'on a le mot w est : P t w = f w,t f w f(w,t) est le nombre de fois que w est étiqueté par t dans le corpus d'apprentissage f(w) est le nombre d'occurrences du mot
34 Informations sur les mots - 2 implémentation simpliste d'un étiqueteur : on assigne à chaque mot l'étiquette la plus probable indépendement du contexte exemple : le mot tables serait étiqueté comme nom, car il apparaît plus souvent comme un nom que comme un verbe. résultats plutôt bons : environ 90% de précision
35 informations sur les mots - 3 étant donné une étiquette t, on peut aussi calculer la probabilité qu'elle soit celle d' un mot w P w t = f w,t f t moins intuitif! Mais utile pour la suite...
36 Information contextuelle syntaxique on est capable de déterminer la probabilité d'avoir une étiquette t k quand elle est précédée de l'étiquette t j dans le texte P t k t j = f t j,t k f t j exemple : a new play P(NN JJ) = 0.45 P(VBP JJ) = dans le Brown Corpus, d'après (Manning et Schütze, 1999)
37 ANALYSEURS STOCHASTIQUES Modèle de Markov
38 Définition du problème - 1 Soient w 1,n = w 1 w 2... w n, une séquence de n mots t 1,n = t 1 t 2... t n, une séquence d'étiquettes associée à w 1,n Etant donné w 1,n, le but est de trouver t = t 1,n tel qu'elle maximise P(t 1,n w 1,n ) t = argmax t 1,n P t 1,n w 1,n = argmax t 1,n P w 1,n t 1,n.P t 1,n cf. théorème de Bayes
39 Définition du problème - 2 en appliquant trois hypothèses : horizon limité (Markov) : P(t n t 1,n-1 ) = P(t n t n-1 ) indépendance des mots : P(w 1,..., w n ) = P(w 1 )...P(w n ) l'identité d'un mot dépend de son étiquette : P(w i t 1,n ) = P(w i t i ) on obtient [avec P(t 1 t 0 ) = 1.0 par convention] : n t = argmax t 1,n i=1 P w i t i. P t i t i 1
40 Algorithme d'apprentissage après parsing d'un corpus annoté pour chq étiquette t k faire pour chq étiquette t j faire P(t k t j ) = f(t j,t k )/f(t j ) fin fin pour chq étiquette t j faire pour chq mot w i faire P(w i t j ) = f(w i,t j )/f(t j ) fin fin
41 Exemple - 1 second tag first tag AT BEZ IN NN VB PERIOD AT BEZ IN NN VB PERIOD statistiques sur le Brown Corpus, tirées de (Manning et Schütze, 1999)
42 Exemple - 2 AT BEZ IN NN VB PERIOD bear is move on president progress the statistiques sur le Brown Corpus, tirées de (Manning et Schütze, 1999)
43 Représentation sous la forme d'un automate AT the VB bear 0.01 NN bear BEZ is IN 0.3 on AT the VB move 0.03 NN move PERIOD. 0.4
44 Représentation sous la forme d'un automate AT the VB bear 0.01 NN bear BEZ is IN 0.3 on AT the VB move 0.03 NN move PERIOD. 0.4
45 Résolution du problème méthode naïve : on évalue l'équation pour chaque possibilité d'étiquetage => complexité exponentielle méthode itérative : algorithme de Viterbi en partant de la position 1 jusqu'à n à chaque état de cette position, on calcule le meilleur chemin (et sa probabilité) en se servant des états et transitions entrants.
46 Algorithme de Viterbi trois étapes : initialisation induction finalisation calcul de deux fonctions : d i (j) indique la probabilité d'être dans l'état j (ou étiq j) au mot i g i+1 (j) indique l'état (ou étiq) le plus probable au mot i sachant que nous sommes dans l'état j du mot i + 1
47 #initialisation d 1 (PERIOD) = 1.0 Algorithme d 1 (t) = 0.0 pour chq étiq t PERIOD #induction #n: longueur de la phrase pour i=1 à n faire pour chq étiq t j faire d i+1 (t j ) = max tk (d i (t k ).P(w i+1 t j ).P(t j t k )) fin fin g i+1 (t j ) = argmax tk (d i (t k ).P(w i+1 t j ).P(t j t k ))
48 Algorithme # terminaison #X1,...,Xn : étiquettes assignées X n+1 = argmax t d n+1 (t) pour j = n à 1 faire [pas -1] X j = g j+1 (X j+1 ) fin
49 ANALYSEURS STOCHASTIQUES Etiqueteurs basés sur des transformations
50 Etiqueteurs basés sur des transformations limitation des approches par le modèle de Markov : le contexte est limité à 2 mots (voire 3) idée : pourquoi ne pas étendre à des contextes plus grand capturant des informations complexes transformations : transforme un étiquetage imparfait en un autre avec moins d'erreurs, si l'on se trouve dans certains contextes les types de contextes sont spécifiés à la main les transformations sont apprises automatiquement
Apprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détail! Text Encoding Initiative
Format XML: suite! le contenu d un élément est la concaténation de! texte! et d éléments (imbrication)! => structure arborescente! pas de chevauchement de balises! => exemple : une analyse syntagmatique
Plus en détailChap 4: Analyse syntaxique. Prof. M.D. RAHMANI Compilation SMI- S5 2013/14 1
Chap 4: Analyse syntaxique 1 III- L'analyse syntaxique: 1- Le rôle d'un analyseur syntaxique 2- Grammaires non contextuelles 3- Ecriture d'une grammaire 4- Les méthodes d'analyse 5- L'analyse LL(1) 6-
Plus en détailfiche D AUTOCORRECTION Frimousse, une petite chienne qu'on a adoptée le mois dernier, est intelligente et docile.
fiche D AUTOCORRECTION 3.4 Les accords sont corrects dans chaque groupe du nom. On met souvent sur le dos de l inattention les erreurs d orthographe grammaticale. Bien accorder les mots exige de l observation
Plus en détailLe défi : L'avantage Videojet :
Note d'application Impression-pose d'étiquettes Améliorez votre rendement : passez des applicateurs mécaniques à l'étiquetage Direct Apply TM Le défi : Au cours de ces 20 dernières années, les systèmes
Plus en détailRecherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA
RÉCITAL 2005, Dourdan, 6-10 juin 2005 Recherche d information en langue arabe : influence des paramètres linguistiques et de pondération de LSA Siham Boulaknadel (1,2), Fadoua Ataa-Allah (2) (1) LINA FRE
Plus en détailUTILISATION DU WEB COMME MEGA-BASE DE DONNÉES LINGUISTIQUE : APPLICATION À LA TRADUCTION DE COOCCURRENCES LEXICALES FRANÇAISES-ANGLAISES
UTILISATION DU WEB COMME MEGA-BASE DE DONNÉES LINGUISTIQUE : APPLICATION À LA TRADUCTION DE COOCCURRENCES LEXICALES FRANÇAISES-ANGLAISES Chrystel Millon & Stéphanie Léon Equipe DELIC Université de Provence
Plus en détailEcole Technique «Transformation de données documentaires» Poitiers, 14-16 mars 2011. Atelier 1: Sphinx. import, conversion, export de données
Ecole Technique «Transformation de données documentaires» Poitiers, 14-16 mars 2011 Atelier 1: Sphinx import, conversion, export de données Introduction à la Recherche d'ist via le Web INRA Grignon, 03/2011
Plus en détailUn dictionnaire électronique pour apprenant de l'arabe (langue seconde) basé sur corpus
JEP-TALN 2004, Traitement Automatique de l Arabe, Fès, 20 avril 2004 Un dictionnaire électronique pour apprenant de l'arabe (langue seconde) basé sur corpus ZAAFRANI Riadh Faculté des Sciences Juridiques,
Plus en détailContemporary Engineering Sciences, Vol. 2, 2009, no. 4, 191-208
Contemporary Engineering Sciences, Vol. 2, 2009, no. 4, 191-208 Conception d un Tuteur Intelligent en langage naturel français pour l enseignement de la modélisation conceptuelle des données d un système
Plus en détail1 On peut consulter et interroger ce corpus sur le site de l équipe DELIC : http://www.up.univmrs.fr/delic/crfp.
Ce que les corpus nous apprennent sur la langue Bilger Mireille (Université de Perpignan) - bilger@univ-perp.fr Cappeau Paul (Université de Poitiers) - Paul.Cappeau@univ-poitiers.fr La description syntaxique
Plus en détailAnnotations manuelles et automatiques de corpus
Annotations manuelles et automatiques de corpus Cyril Grouin cyril.grouin@limsi.fr 1 Définitions Base de données : ensemble structuré de données (feuille Excel). Id Ville Pays 01 Paris France 02 Dublin
Plus en détailUrbanisation de système d'information. PLM 3 (Product Lifecycle Management) Élaborations, versions, variantes, configurations
Urbanisation de système d'information PLM 3 (Product Lifecycle Management) Élaborations, versions, variantes, configurations 1 Mise en gestes L'existence de tout produit, et de tout service commence par
Plus en détailRéussir son entrée en grammaire au CE1
CE1 Réussir son entrée en grammaire au CE1 Françoise Bellanger Aurélie Raoul-Bellanger ISBN : 978-2-7256-3249-0 Retz, 2013 pour la présente édition Direction éditoriale : Sylvie Cuchin Édition : Charlotte
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 détailÉvaluation et implémentation des langages
Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation
Plus en détailProbabilités conditionnelles
Probabilités conditionnelles Exercice Dans une usine, on utilise conjointement deux machines M et M 2 pour fabriquer des pièces cylindriques en série. Pour une période donnée, leurs probabilités de tomber
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailLES PRONOMS INTERROGATIFS
LES PRONOMS INTERROGATIFS 1) Le pronom interrogatif permet de questionner. Qui a le droit de vote dans cette assemblée? Il y a du camembert et du brie, lequel veux-tu? 2) Il y a deux catégories de pronoms
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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailANALYSE SÉMANTICO-DISCURSIVE DES COLLOCATIONS LEXICALES EN CORPUS SPÉCIALISÉ : LA BASE CONNAISSANCE-S
ANALYSE SÉMANTICO-DISCURSIVE DES COLLOCATIONS LEXICALES EN CORPUS SPÉCIALISÉ : LA BASE CONNAISSANCE-S Estelle Dubreil et Béatrice Daille LINA FRE CNRS 2729 Université de Nantes France Résumé : L association
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 25/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailInitiation à la programmation en Python
I-Conventions Initiation à la programmation en Python Nom : Prénom : Une commande Python sera écrite en caractère gras. Exemples : print 'Bonjour' max=input("nombre maximum autorisé :") Le résultat de
Plus en détailmes m est mets/met mais mets
GRAMMATICAUX DE CATÉGORIES DIFFÉRENTES MES HOMOPHONES M EST METS/MET MAIS METS 1 Homophones grammaticaux de catégories différentes mes m est mets/met mais mets mes : déterminant possessif pluriel, féminin
Plus en détailDémarches d urbanisation : réorganiser le Système d Information en structurant ses fonctions dans des blocs fonctionnels communicants.
Plan du chapitre Master Informatique et Systèmes Urbanisation des Systèmes d Information Architecture d Entreprise 04 Architecture du SI : identifier et décrire les services, structurer le SI 1 2 3 4 5
Plus en détailCaractéristiques du nom
DU MATÉRIEL NOM POUR ALLOPHONES 1 Nom et groupe nominal Caractéristiques du nom 1 LES CARACTÉRISTIQUES SÉMANTIQUES DU NOM Le nom commun désigne une personne ou une chose qui appartient à une même espèce.
Plus en détailUrbanisation des Systèmes d Information Architecture d Entreprise. 04 Architecture du SI : identifier et décrire les services, structurer le SI
Plan du chapitre Master Informatique et Systèmes Urbanisation des Systèmes d Information Architecture d Entreprise 04 Architecture du SI : identifier et décrire les services, structurer le SI 1 2 3 1.1
Plus en détailADAPT: un modèle de transcodage des nombres. Une application des systèmes de production au développement
ADAPT: un modèle de transcodage des nombres Une application des systèmes de production au développement Référence Barrouillet, P., Camos, V., Perruchet, P., & Seron, X. (2004). A Developmental Asemantic
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
Plus en détailApplication d un algorithme de traduction statistique à la normalisation de textos
Application d un algorithme de traduction statistique à la normalisation de textos Gabriel Bernier-Colborne 1 (1) Observatoire de linguistique Sens-Texte Université de Montréal gabriel.bernier-colborne@umontreal.ca
Plus en détailDétection des propositions syntaxiques du français : en vue de l alignement des propositions de textes parallèles français-japonais
Détection des propositions syntaxiques du français : en vue de l alignement des propositions de textes parallèles français-japonais Yayoi Nakamura-Delloye To cite this version: Yayoi Nakamura-Delloye.
Plus en détail1 Description générale. Résumé
Station Sensunique: une plateforme Web modulaire, collaborative et évolutive d acquisition assistée de ressources terminologiques et non terminologiques (orientée Langues Contrôlées) Izabella Thomas 1,
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailmajuscu lettres accent voyelles paragraphe L orthographe verbe >>>, mémoire préfixe et son enseignement singulier usage écrire temps copier mot
majuscu conjugaison >>>, L orthographe singulier syllabe virgule mémoire lettres et son enseignement graphie suffixe usage accent ; écrire féminin temps voyelles mot point Renforcer l enseignement de l
Plus en détailquelque quelque(s) quel(s) que/quelle(s) que quel(s) / quelle(s) qu elle(s)
GRAMMATICAUX DE CATÉGORIES DIFFÉRENTES QUELQUE HOMOPHONES QUELQUE(S) QUEL(S) QUE/QUELLE(S) QUE QUEL(S)/QUELLE(S) QU ELLE(S) 1 Homophones grammaticaux de catégories différentes quelque quelque(s) quel(s)
Plus en détailACCÈS SÉMANTIQUE AUX BASES DE DONNÉES DOCUMENTAIRES
ACCÈS SÉMANTIQUE AUX BASES DE DONNÉES DOCUMENTAIRES Techniques symboliques de traitement automatique du langage pour l indexation thématique et l extraction d information temporelle Thèse Défense publique
Plus en détailTrois approches du GREYC pour la classification de textes
DEFT 2008, Avignon (associé à TALN 08) Trois approches du GREYC pour la classification de textes Thierry Charnois Antoine Doucet Yann Mathet François Rioult GREYC, Université de Caen, CNRS UMR 6072 Bd
Plus en détailDéterminants possessifs
POSSESSIFS MATÉRIEL POUR ALLOPHONES 1 Déterminants Déterminants référents Déterminants possessifs Le déterminant possessif indique une relation d appartenance, de possession, de parenté, d origine, etc.,
Plus en détailGrammaires d unification
Cours sur le traitement automatique des langues (IV) Violaine Prince Université de Montpellier 2 LIRMM-CNRS Grammaires d unification Grammaire catégorielle Grammaire syntagmatique généralisée (GPSG) Les
Plus en détailLe verbe avoir (to have) infinitif = avoir. j ai nous avons tu as vous avez. Exemples: J ai une copine à Montréal.
Leçon 7 - La Vie est belle La vie de Nafi, une jeune Française d origine sénégalaise parle de sa vie. Elle est étudiante en sociologie à l Université de Toulouse. Aujourd hui, elle parle de sa vie. -Est-ce
Plus en détailCompte-rendu de Hamma B., La préposition en français
Compte-rendu de Hamma B., La préposition en français Badreddine Hamma To cite this version: Badreddine Hamma. Compte-rendu de Hamma B., La préposition en français. Revue française de linguistique appliquée,
Plus en détailOASIS www.oasis-open.org/committees/xacml/docs/docs.shtml Date de publication
Statut du Committee Working Draft document Titre XACML Language Proposal, version 0.8 (XACML : XML Access Control Markup Language) Langage de balisage du contrôle d'accès Mot clé Attestation et sécurité
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 détailCH.6 Propriétés des langages non contextuels
CH.6 Propriétés des langages non contetuels 6.1 Le lemme de pompage 6.2 Les propriétés de fermeture 6.3 Les problèmes de décidabilité 6.4 Les langages non contetuels déterministes utomates ch6 1 6.1 Le
Plus en détailIFT2255 : Génie logiciel
IFT2255 : Génie logiciel Chapitre 6 - Analyse orientée objets Section 1. Introduction à UML Julie Vachon et Houari Sahraoui 6.1. Introduction à UML 1. Vers une approche orientée objet 2. Introduction ti
Plus en détailCORRIGES Plan de la séance
CORRIGES Plan de la séance 1. Corriges Compréhension écrite 2. Corriges Compréhension orale 3. Corriges Syntaxe 4. Corriges Vocabulaire 5. Corriges Conjugaison 6. Corriges Lecture d'élargissement 7. Corriges
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 détaila) La technique de l analyse discriminante linéaire : une brève présentation. 3 étapes de la méthode doivent être distinguées :
a) La technique de l analyse discriminante linéaire : une brève présentation. Nous nous limiterons ici à l'analyse discriminante linéaire et à deux groupes : - linéaire, la variante utilisée par ALTMAN
Plus en détailLA RECHERCHE DOCUMENTAIRE
LA RECHERCHE DOCUMENTAIRE Introduction I. Les étapes de la recherche d'information II. Méthodologie spécifique 2.1 Bibliothèque 2.2 Internet Conclusion INTRODUCTION Lorsque on débute une réflexion sur
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailStructuration des décisions de jurisprudence basée sur une ontologie juridique en langue arabe
Structuration des décisions de jurisprudence basée sur une ontologie juridique en langue arabe Karima Dhouib, Sylvie Després Faiez Gargouri ISET - Sfax Tunisie, BP : 88A Elbustan ; Sfax karima.dhouib@isets.rnu.tn,
Plus en détailModel checking temporisé
Model checking temporisé Béatrice Bérard LAMSADE Université Paris-Dauphine & CNRS berard@lamsade.dauphine.fr ETR 07, 5 septembre 2007 1/44 Nécessité de vérifier des systèmes... 2/44 Nécessité de vérifier
Plus en détailUtilisation des tableaux sémantiques dans les logiques de description
Utilisation des tableaux sémantiques dans les logiques de description IFT6281 Web Sémantique Jacques Bergeron Département d informatique et de recherche opérationnelle Université de Montréal bergerja@iro.umontreal.ca
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailArtlcle 1:...Règ,lement g,énéral
Amendement n Q 1: au Règlem;e,nt G;énéral des, concours die,pronostics, sportlfa dénommés «' Cate, et Sport» Article 11 Les dispositions des articles 1, 3 et 7 du Règlement général des concours de pronostics
Plus en détailLouis-Philippe Gagnon Auditeur De Système D Alarme LABORATOIRES DES ASSUREURS DU CANADA 12 Novembre, 2014
Louis-Philippe Gagnon Auditeur De Système D Alarme LABORATOIRES DES ASSUREURS DU CANADA 12 Novembre, 2014 UL and the UL logo are trademarks of UL LLC 2012 2 OBJECTIFS DE LA MISE À L'ESSAI ET INSPECTION
Plus en détailOutils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP
Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Christophe Joubert Séminaire VASY 2002 30 Octobre 2002 Aix les Bains Contexte du projet
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailExercice pour les tuteurs
3 LES ÉTAPE CONSTITUANTS 3 DE LA PHRASE 1 Les constituants de la phrase Exercice pour les tuteurs Nous vous proposons ici un troisième exercice pour vous aider à comprendre quelles sont les fautes qui
Plus en détail«courtier» : un broker ou un dealer au sens de la Loi de 1934 dont l'établissement principal est situé aux États-Unis d'amérique;
NORME CANADIENNE 35-101 DISPENSE CONDITIONNELLE D INSCRIPTION ACCORDÉE AUX COURTIERS ET AUX REPRÉSENTANTS DES ÉTATS-UNIS PARTIE 1 DÉFINITIONS 1.1 Définitions - Dans la présente norme, on entend par : «courtier»
Plus en détailLe code à barres EAN 13 mes premiers pas...
Le code à barres EAN 13 mes premiers pas... k étape 1 Vous venez d adhérer à GS1 France, Vous souhaitez connaître les démarches à suivre pour mettre en place un code à barres sur vos emballages. Ce guide
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 détailOCL - Object Constraint Language
OCL - Object Constraint Language Laëtitia Matignon laetitia.matignon@univ-lyon1.fr Département Informatique - Polytech Lyon Université Claude Bernard Lyon 1 2012-2013 Laëtitia Matignon SIMA - OCL - Object
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 détailINDEX Fonctionnement... 20 Schéma de câblage... 24
FRANÇAIS Pag 18 INDEX Fonctionnement... 20 Activation du lecteur de cartes... 21 Enregistrer des cartes d'accès... 22 Annulation des cartes d'accès... 22 Réglage du temps d'activation de la gâche électrique...
Plus en détailACCORD DE PRÊT. Membre ou Conseil de (ci-après appelé «l'emprunteur»)
ACCORD DE PRÊT INTERVENU CE jour du mois de 20. N o de prêt du Prêteur : ENTRE : La Société canadienne d'hypothèques et de logement ou Un prêteur approuvé par la Société canadienne d'hypothèques et de
Plus en détailÉléments d informatique Cours 3 La programmation structurée en langage C L instruction de contrôle if
Éléments d informatique Cours 3 La programmation structurée en langage C L instruction de contrôle if Pierre Boudes 28 septembre 2011 This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailEfficience de l actif de l entreprise
Solutions d assurance-vie Efficience de l actif de l entreprise Gérer. Profiter. Préserver. Une solution intelligente pour les professionnels : l assurance-vie permanente, un actif unique pouvant offrir
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailNom de l application
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Direction Générale des Etudes Technologiques Institut Supérieur des Etudes Technologiques de Gafsa Département Technologies de l Informatique
Plus en détailProblème : Calcul d'échéanciers de prêt bancaire (15 pt)
Problème : Calcul d'échéanciers de prêt bancaire (15 pt) 1 Principe d'un prêt bancaire et dénitions Lorsque vous empruntez de l'argent dans une banque, cet argent (appelé capital) vous est loué. Chaque
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 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 détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailCadre formel pour la modélisation de la gestion des processus métier par une équipe médicale interdisciplinaire
Cadre formel pour la modélisation de la gestion des processus métier par une équipe médicale interdisciplinaire Mounira Kezadri-Hamiaz 1, Daniela Rosu 1, Szymon Wilk 2, Craig Kuziemsky 1, Wojtek Michalowski
Plus en détailParcours DIWEB : (Données, Interaction et Web)
Parcours DIWEB : (Données, Interaction et Web) Semestre 2 (et vue sur le M2) Pierre Pompidor Faculté des Sciences Novembre 2010 Pierre Pompidor (Université Montpellier 2) Master Informatique - Spécialité
Plus en détailAtelier ATOLL pour les grammaires d arbres adjoints
TALN 2001, Tours, 2-5 juillet 2001 Atelier ATOLL pour les grammaires d arbres adjoints François Barthélemy 1, Pierre Boullier 2, Philippe Deschamp 2, Linda Kaouane 2 et Éric Villemonte de la Clergerie
Plus en détailMATHÉMATIQUES ET INFORMATIQUE
Premier volet : la théorie des langages 1 Christian Retoré 2 MATHÉMATIQUES ET INFORMATIQUE Les mathématiques de la linguistique computationnelle 1947, un grand millésime : à Jean-Yves Girard, Gérard Huet
Plus en détailCAHIER DES CHARGES ETIQUETTES MP06-EU (FORMAT ODETTE)
Mars 2006 MAT/SF CAHIER DES CHARGES ETIQUETTES MP06-EU (FORMAT ODETTE) CAHIER DES CHARGES : ETIQUETTE MP06-EU (format ODETTE) Sommaire 1. Objet... 2 2. Domaine d'application... 2 3. Type de supports d'étiquettes
Plus en détailCréation d'un questionnaire (sondage)
Création d'un questionnaire (sondage) Le but de ce petit tuto est d'avoir les séquences pas à pas pour la création d'un questionnaire de façon à ne pas devoir rechercher la manière de procéder si l'outil
Plus en détailDiagramme de classes
Diagramme de classes Un diagramme de classes décrit les classes et leurs relations (associations, généralisation/spécialisation, ). classe association méthodes attributs héritage Diagramme de classes :
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 détailLogique binaire. Aujourd'hui, l'algèbre de Boole trouve de nombreuses applications en informatique et dans la conception des circuits électroniques.
Logique binaire I. L'algèbre de Boole L'algèbre de Boole est la partie des mathématiques, de la logique et de l'électronique qui s'intéresse aux opérations et aux fonctions sur les variables logiques.
Plus en détailPlan. Exemple: Application bancaire. Introduction. OCL Object Constraint Language Le langage de contraintes d'uml
OCL Object Constraint Language Le langage de contraintes d'uml Plan 1. Introduction 2. Les principaux concepts d'ocl Object Constraint Language 1 Object Constraint Language 2 Exemple: une application bancaire
Plus en détailSauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS
Sauvegarde collaborative entre pairs 1 Sauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS Sauvegarde collaborative entre pairs 2 Introduction Pourquoi pair à pair? Utilisation de ressources
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 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 détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailFormation Pédagogique 3h
Formation Pédagogique 3h Carole MOULIN Conseillère Pédagogique généraliste Bourgoin 2 20 mars 2013 Ecrire c est: Copier Ecrire sans erreurs sous la dictée Concevoir et écrire une phrase, des phrases, un
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 détailINF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies
INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH
Plus en détaile-science : perspectives et opportunités pour de nouvelles pratiques de la recherche en informatique et mathématiques appliquées
Emilie MANON, Joanna JANIK, Gabrielle FELTIN e-science : perspectives et opportunités pour de nouvelles pratiques de la recherche en informatique et mathématiques appliquées 1 Introduction : La recherche
Plus en détailPrévalence et étiologie. Le retard mental : langage et communication. Définitions et classifications (2) Définitions et classifications
Le retard mental : langage et communication M. - A. SCHELSTRAETE Unité CODE Prévalence et étiologie Prévalence: 25 / 1000 20 / 1000 déficience légère (QI > 50) 4-5 / 1000 déficience grave (QI < 50) = fréquence
Plus en détailInterférences lexicales entre deux langues étrangères: anglais et français
Interférences lexicales entre deux langues étrangères: anglais et français Université de Marmara Résumé: Dans cet article, nous nous interrogerons sur les transferts lexicaux qui se réalisent entre l anglais
Plus en détailTEXT MINING. 10.6.2003 1 von 7
TEXT MINING 10.6.2003 1 von 7 A LA RECHERCHE D'UNE AIGUILLE DANS UNE BOTTE DE FOIN Alors que le Data Mining recherche des modèles cachés dans de grandes quantités de données, le Text Mining se concentre
Plus en détailÉvaluation de G-LexAr pour la traduction automatique statistique
TALN 2011, Montpellier, 27 juin 1 er juillet 2011 Évaluation de G-LexAr pour la traduction automatique statistique Wigdan Mekki (1), Julien Gosme (1), Fathi Debili (2), Yves Lepage (3), Nadine Lucas (1)
Plus en détail