Première partie I. Aspects administratifs. Option reconnaissance des formes. Aspects pratiques. Le programme. Organisation du cours.
|
|
- Anne-Marie Durand
- il y a 8 ans
- Total affichages :
Transcription
1 Option reconnaissance des formes ntroduction Guillaume Wisniewski Première partie Aspects administratifs Université Paris Sud LMS janvier 2011 Aspects pratiques Le programme Emploi du temps 11 séances de 3h mardi matin, 8h30-12h30 salle : D103 Équipe pédagogique Guillaume Wisniewski (guillaume.wisniewski@limsi.fr) Mathieu Dubois (mathieu.dubois@limsi.fr) Toutes les infos sur le site du cours _rdf_m1/index.html arbre de décision + méthodes (2-3 semaines) classifieur linéaire (2-3 semaines) analyse de données (2-3 semaines) apprentissage par renforcement (2-3 semaines) programme prévisionnel rythme «adaptable» vous pouvez donner votre avis Organisation du cours Travaux pratiques Évaluation Séance de cours 1. présentation rapide des aspects«théoriques» 2. mise en œuvre manipulations 3. discussion (court) compte-rendu de TP code examen final objectifs : mettre en œuvre les algorithmes vus dans la partie théorique conséquence : ne pas perdre son temps avec des détails de programmation pas de langage imposé, mais : nous (enseignants) ne connaissons pas tous les langages utiliser un langage non adapté risque de vous compliquer fortement la tâche
2 Ce qu il faut savoir faire Conclusions Python lire et analyser des données depuis un fichier : sel: Na 1 Cl 1 amoniac: N 1 H 3 table de hachage utiliser des classes / structures pour représenter des types simples (vecteurs, arbres, ) manipuler des listes (tableau de taille variable) et des tables de hachage écrire un produit scalaire langage conseillé squelette de TP correction Java si vous y tenez squelette de TP Sinon tout ce que vous voulez mais à vos risques et périls Question de vocabulaire (1) Attention : La reconnaissance des formes, qu est-ce que c est? Question de vocabulaire (2) (pattern recognition) analyse de données historiquement : plusieurs «point de départ» domaine récent dont le vocabulaire n est pas fixé évoluation rapide domaine applicatif versus domaine de recherche À la recherche d une définition (avec L. Bottou) Conséquence : on ne va pas parler que de RDF reconnaissance des formes fouille de données (data mining) intelligence artificielle apprentissage automatique (machine learning) data science domaines différents avec des intersection plus ou moins grande
3 Métaphore Les protagonistes (1) Comment les Grecs «comprenaient» le ciel? Aristote ( ) Le «modèle des sphères» Aristote : le monde est parfait «Les astres sont des sphères parfaites, entrainées par le mouvement de sphères homocentriques tournant autour de la Terre, centre de l Univers» Deferent and epicycle système formalisé par Ptolémé en vigueur pendant tout le Moyen-Âge + accord avec la bible accord avec les observations modèle de plus en plus complexe : jusqu à 50 sphères combinées Ptolémée (90 168) Problème le modèle ne correspond pas aux observations mouvement rétrograde de certaines planètes Les protagonistes (2) Tycho Brahe ( ) Johannes Kepler ( )
4 L observatoire de Tycho Tables rudolphines (armillary) (sextant) pas de téléscope mais une approche moderne de la collecte de données observation quotidienne de étoiles et de 7 planètes note toutes les positions à ±10 arc 1re loi de Kepler résultat = Tabulae Rudolphinae, Kepler (1627) étude des données 3 lois de Kepler (sans justifications) 2e loi de Kepler Les planètes du système solaire décrivent des trajectoires elliptiques dont le Soleil occupe l un des foyers. 3e loi de Kepler La ligne reliant la planète au soleil balaye une aire identique en un temps identique quelque soit la position de la planète sur l ellipse. Validations Contexte Lien entre la période de révolution de deux planètes et la longueur de leur grand axe le système de Kepler (1605) est fondé uniquement sur l étude des données correspond quasiment à notre vision actuelle du mouvement planétaire Validation Pa2 Pb2 = Ra3 Rb3 Gallilé en utilisant un téléscope conclut que Vénus tourne autour du soleil (1610) Newton publie les Principiae en 1687 et montre que les lois de Kepler (avec de petites corrections) dérivent de sa mécanique et de la force de gravité.
5 Épilogue Ce qu il faut en retenir C est l histoire de la méthode scientifique moderne 1. importance des données 1. récupérer les meilleures données possibles 2. construire un modèle le plus proche possible des données 3. valider le modèle validation externe ou avec des données de test et surtout avec une histoire convaincante Objet du cours avoir accès à une masse de données permet d extraire des connaissances utiles modéliser à priori un phénomène n est pas forcément une bonne idée 2. importance des solutions simple principe du rasoir d Occam les hypothèses les plus simples sont les plus vraisemblables Résumé Aujourd hui tout est stocké dans des ordinateurs «facilement» accessible mase de données Problématiques stockage, accès, transferts de données, droit, croyance générale : masses de données utiles extraction de connaissances objectif du cours : comment exploiter au mieux les données ; transformer les données brutes en connaissances masse de données (corpus) connaissances informations prédictions Ceci est un corpus http :// Troisième partie Corpus de données Historique des précipitation à Paris-Montsouris
6 Un peu plus de détails Que peut-on faire avec ces données? Version de travail (Athènes) Les visualiser (1) Mois Précipitation moyenne (mm) Janvier 56,9 Février 46,7 Mars 40,7 Avril 30,8 Mai 22,7 Juin 10,6 Juillet 5,8 Août 6,0 Septembre 13,9 Octobre 52,6 Novembre 58,3 Decembre 69,1 Que peut-on faire avec ces données? Les visualiser (2) En les croisant avec les données de températures Prédiction importance de la représentation Quelle température fera-t-il le mois prochain à Athènes? corrélation identification des saisons en multipliant les observations identification de certains type de climats Est-ce la connaissance de la courbe de température m aide? Est-ce qu il est plus facile de répondre à la question pour Paris? Est-ce que je peux évaluer la qualité de mon système de prédiction? sans avoir à attendre le mois prochain pour Athènes? pour Paris?
7 Un sujet d actualité Comment extraire des motifs à partir de données? Peut-on les utiliser pour prédire de nouvelles valeurs? L exploitation des données est importante car c est : méthode scientifique nécessité de savoir exploiter des données c est la base de la méthode scientifique (observations lois/règles) les données (et leur exploitation) au cœur de beaucoup d avancés récentes source de revenus modèle économique des entreprises du web (Google, Facebook, Amazon, ) fournisse un service gratuit seule «valeur» : capacité à exploiter les données collectées nouvelle «approche de programmation» «rêve» de l intelligence artificielle : l ordinateur qui apprend il y a des algorithmes que l on ne peut pas/sait pas formaliser Laquelle de ces deux personnes est une femme? Laquelle de ces deux personnes est une femme? réponse évidente!!! quel raisonnement a été mis en œuvre? comment le traduire en algorithme? décision floue, multi-critère et difficile à exprimer Approche reconnaissance des formes Une nouvelle manière de développer des applications collecte des exemples extraction automatique des connaissances programme Principe : ne pas formuler explicitement les connaissances fournir des exemples Deux approches : données existantes comment les exploiter tâche à effectuer comment trouver / collecter les données À quoi ça sert s attaquer à des problèmes difficiles : vision automatique, reconnaissance de la parole, robotique reconnaissance de la parole, traduction automatique, diagnostique médical jeux (problèmes A-complet)
8 Références Exemples de données (1) 06stats.html?_r=3 what-is-data-science.html Carte de crédit intérêt de savoir utiliser des méthodes statistiques pour exploiter de grandes masses de données aussi bien d un point de vu économique (facebook, google, ) que scientifique (CERN et autre). Facebook s Data Science Group «on any given day, a team member could author a multistage processing pipeline in Python, design a hypothesis test, perform a regression analysis over data samples with R, design and implement an algorithm for some data-intensive product or service in Hadoop, or communicate the results of our analyses to other members of the organization» Exemple de données (2) tous les achats sont enregistrés détection des fraudes/comportement à risque ciblage accord de prêt Navigation Web historique de la navigation ciblage/marketing optimisation des sites / du traffic Exemple de données (3) fmr functional Magnetic Resonance maging variation de pression sanguine en réponse à des stimuli brain computer interface Big Science détecteur ATLAS du CERN 40M événements par secondes, 25Mo par événement 1Po de données générées par secondes à analyser même situation en biologie, astronomie, Et encore tous les textes et discussion du parlement européen sont disponibles avec leur traduction/interprétation corpus parallèle : les phrases sont alignés utilisable pour apprendre : des dictionnaires des systèmes de traduction automatique des mémoires de traduction analyse «politique» des données Conclusion Données toutes les formes (textes, vidéos, base de données, ) toutes les tailles (de quelques dizaines à plusieurs millions) différentes complexités (de quelques mots aux enregistrements de centaines de capteurs) historique des achats historique des passages de frontières liste des appels analyse de traffic ntérêt test A/B pour choisir les prix Tout le monde aimerait exploiter au mieux les données : pollution gouvernement données médicales scientifiques marketing individus objectif du cours : interacting with data, methods & theory
Chapitre 9 : Applications des lois de Newton et Kepler à l'étude du mouvement des planètes et des satellites
I- Les trois lois de Kepler : Chapitre 9 : Applications des lois de Newton et Kepler à l'étude du mouvement des planètes et des satellites Les lois de Kepler s'applique aussi bien pour une planète en mouvement
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 détailBig Data et Prévisions. Philippe Picard, le 24 juin 2015. Page 1
Big Data et Prévisions Philippe Picard, le 24 juin 2015. Page 1 Vous dites prévisions et prédictions? Neptune Météo Marées Boson de Higgs Loto PMU Economie Sismique + Nostradamus _ Philippe Picard, le
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 détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailCOTTAZ Céline DESVIGNES Emilie ANTHONIOZ-BLANC Clément VUILLERMET DIT DAVIGNON Nicolas. Quelle est la trajectoire de la Lune autour de la Terre?
COTTAZ Céline DESVIGNES Emilie ANTHONIOZ-BLANC Clément VUILLERMET DIT DAVIGNON Nicolas Quelle est la trajectoire de la Lune autour de la Terre? Terminale S1 Lycée Elie Cartan Olympiades de Physiques 2003-2004
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 détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détaillivret-guide des séances année scolaire 2007-2008
Le Planétarium Peiresc est une réalisation de l association des Amis du Planétarium Numéro spécial rentrée 2007 d Aix en Provence, avec le soutien de : Ville d Aix-en en-provence Conseil Général des Bouches
Plus en détailLes datas = le fuel du 21ième sicècle
Les datas = le fuel du 21ième sicècle D énormes gisements de création de valeurs http://www.your networkmarketin g.com/facebooktwitter-youtubestats-in-realtime-simulation/ Xavier Dalloz Le Plan Définition
Plus en détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailApprentissage 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 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 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 détailÀ PROPOS DE TALEND...
WHITE PAPER Table des matières Résultats de l enquête... 4 Stratégie d entreprise Big Data... 5 Intégration des Big Data... 8 Les défis liés à la mise en œuvre des Big Data... 10 Les technologies pour
Plus en détail20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT
20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà
Plus en détailPOLY-PREPAS Centre de Préparation aux Concours Paramédicaux. - Section Audioprothésiste / stage i-prépa intensif -
POLY-PREPAS Centre de Préparation aux Concours Paramédicaux - Section Audioprothésiste / stage i-prépa intensif - 70 Chapitre 8 : Champ de gravitation - Satellites I. Loi de gravitation universelle : (
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 détailCours 1 : Qu est-ce que la programmation?
1/65 Introduction à la programmation Cours 1 : Qu est-ce que la programmation? Yann Régis-Gianas yrg@pps.univ-paris-diderot.fr Université Paris Diderot Paris 7 2/65 1. Sortez un appareil qui peut se rendre
Plus en détailLa révolution des satellites de Jupiter
La révolution des satellites de Jupiter Guide de l'élève Manuel d'accompagnement du logiciel Exercice d'astronomie Version 2 Département de Physique Gettysburg College Gettysburg, PA 17325 Email : clea@gettysburg.edu
Plus en détailProgrammation parallèle et distribuée
Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2014) Marc Parizeau, Département de génie électrique et de génie informatique Plan Mégadonnées («big data») Architecture Hadoop distribution
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 détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailProgrammation parallèle et distribuée
Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2015) Marc Parizeau, Département de génie électrique et de génie informatique Plan Données massives («big data») Architecture Hadoop distribution
Plus en détailLe Big Data est-il polluant? BILLET. Big Data, la déferlante des octets VIVANT MATIÈRE SOCIÉTÉS UNIVERS TERRE NUMÉRIQUE TERRE (/TERRE)
Donner du sens à la science Rechercher Se connecter / S'inscrire Suivre VIVANT MATIÈRE SOCIÉTÉS UNIVERS TERRE NUMÉRIQUE MES THÈMES Types DOSSIER Paru le 15.11.2012 Mis à jour le 29.01.2014 Big Data, la
Plus en détailMESURE DE LA MASSE DE LA TERRE
MESURE DE LA MASSE DE LA TERRE Pour déterminer la masse de la Terre, inutile d essayer de la faire monter sur une balance, mais on peut la déterminer à l aide des lois de NEWTON et des lois de KEPLER.
Plus en détailLe Soleil. Structure, données astronomiques, insolation.
Le Soleil Structure, données astronomiques, insolation. Le Soleil, une formidable centrale à Fusion Nucléaire Le Soleil a pris naissance au sein d un nuage d hydrogène de composition relative en moles
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 détailHORLOGE ET MONTRE IN SITU : MÉCANIQUE 2
IN SITU : MÉCANIQUE 2 HORLOGE ET MONTRE Réalisation : Toni Marin CNDP, le Département d Enseignement de la Generalitat de Catalunnya, 2000 Durée : 04 min 12 s Le film démarre par un historique chronologique
Plus en détailLes participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.
Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision
Plus en détailIntelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
Plus en détailManipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner
Le cas Orion Star Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner Le cas Orion Star... 1 Manipulation de données avec SAS Enterprise Guide et modélisation
Plus en détailAnticiper et prédire les sinistres avec une approche Big Data
Anticiper et prédire les sinistres avec une approche Big Data Julien Cabot Directeur Big Data Analytics OCTO jcabot@octo.com @julien_cabot OCTO 2013 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél
Plus en 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 détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailBIG DATA en Sciences et Industries de l Environnement
BIG DATA en Sciences et Industries de l Environnement François Royer www.datasio.com 21 mars 2012 FR Big Data Congress, Paris 2012 1/23 Transport terrestre Traçabilité Océanographie Transport aérien Télémétrie
Plus en détailUTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY
UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY Yvan Le Bras yvan.le_bras@irisa.fr Cyril Monjeaud, Mathieu Bahin, Claudia Hériveau, Olivier Quenez, Olivier Sallou, Aurélien Roult, Olivier
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
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 détailSYSTEME DE PARTICULES. DYNAMIQUE DU SOLIDE (suite) Table des matières
Physique Générale SYSTEME DE PARTICULES DYNAMIQUE DU SOLIDE (suite) TRAN Minh Tâm Table des matières Applications de la loi de Newton pour la rotation 93 Le gyroscope........................ 93 L orbite
Plus en détailBig Data et Marketing : les competences attendues
Big Data et Marketing : les competences attendues Laurence Fiévet Responsable Marketing Corporate Oney Banque Accord LA DYNAMIQUE DU MARKETING Selon la définition de Kotler et Dubois, «Le marketing est
Plus en détailMises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger.
Cet ouvrage est fondé sur les notes d un cours dispensé pendant quelques années à l Institut universitaire de technologie de Grenoble 2, au sein du Département statistique et informatique décisionnelle
Plus en détailSciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION
Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information
Plus en détailSillage Météo. Notion de sillage
Sillage Météo Les représentations météorologiques sous forme d animation satellites image par image sont intéressantes. Il est dommage que les données ainsi visualisées ne soient pas utilisées pour une
Plus en détailVision prospective et obstacles à surmonter pour les assureurs
smart solutions for smart leaders Le «Big Data» assurément Rédigé par Pascal STERN Architecte d Entreprise Vision prospective et obstacles à surmonter pour les assureurs Un avis rendu par la cour de justice
Plus en détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
Plus en 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 détailChapitre 02. La lumière des étoiles. Exercices :
Chapitre 02 La lumière des étoiles. I- Lumière monochromatique et lumière polychromatique. )- Expérience de Newton (642 727). 2)- Expérience avec la lumière émise par un Laser. 3)- Radiation et longueur
Plus en détailLe plan d actions pour passer aux prochains paliers 10 étapes pour développer vos revenus et vos résultats en affaires
Le plan d actions pour passer aux prochains paliers 10 étapes pour développer vos revenus et vos résultats en affaires Si vous souhaitez développer votre audience, votre clientèle et vos revenus, voici
Plus en détailLes Entrepôts de Données
Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations
Plus en détailIntelligence Economique - Business Intelligence
Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit
Plus en détailSOMMAIRE. Nos Outils Speechmark Social Club Speechmark Campus Speechmark Test
CATALOGUE PRINTEMPS 2014 Depuis 1996 nous avons formé plus de 10 000 dirigeants,, créatifs,, producteurs, réalisateurs, acheteurs d arts, experts en média, journalistes Vous rêvez de réaliser des présentations
Plus en détail1 er Avril 2015 Data Science & Big Data Etat de l art Donner plus d intelligence aux données
1 er Avril 2015 Data Science & Big Data Etat de l art Donner plus d intelligence aux données Votre interlocuteur Didier Gaultier Directeur Data Science Business & Decision Professeur de Statistique à l
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailApprentissage Statistique
Apprentissage Statistique Master DAC - Université Paris 6, patrick.gallinari@lip6.fr, http://www-connex.lip6.fr/~gallinar/ Année 2014-2015 Partie 1 Introduction Apprentissage Automatique Problématique
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 détailISTEX, vers des services innovants d accès à la connaissance
ISTEX, vers des services innovants d accès à la connaissance Synthèse rédigée par Raymond Bérard, directeur de l ABES, à partir du dossier de candidature d ISTEX aux Initiatives d excellence et des réunions
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 détailMapReduce. Nicolas Dugué nicolas.dugue@univ-orleans.fr. M2 MIAGE Systèmes d information répartis
MapReduce Nicolas Dugué nicolas.dugue@univ-orleans.fr M2 MIAGE Systèmes d information répartis Plan 1 Introduction Big Data 2 MapReduce et ses implémentations 3 MapReduce pour fouiller des tweets 4 MapReduce
Plus en détailCONFERENCE TECHNOM AIDE IBM
Conférence Big Data CONFERENCE TECHNOM AIDE IBM Le BIG DATA : le nouveau pétrole de la société. En présence de : Christophe MENICHETTI (spécialiste BIG DATA chez IBM) JN. SCHNEIDER et F. WEYGAND (professeurs
Plus en détailEntraînement au concours ACM-ICPC
Entraînement au concours ACM-ICPC Concours ACM-ICPC : format et stratégies Page 1 / 16 Plan Présentation Stratégies de base Page 2 / 16 Qu est-ce que c est? ACM-ICPC : International Collegiate Programming
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
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 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 détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailLes technologies du Big Data
Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR
Plus en détailAgenda de la présentation
Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining
Plus en détailNe cherchez plus, soyez informés! Robert van Kommer
Ne cherchez plus, soyez informés! Robert van Kommer Le sommaire La présentation du contexte applicatif Le mariage: Big Data et apprentissage automatique Dialogues - interactions - apprentissages 2 Le contexte
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 détailAP 2nde G.T : «Organiser l information de manière visuelle et créative»
AP 2nde G.T : «Organiser l information de manière visuelle et créative» Les TICE, un mode d accès à mon autonomie bien sûr! «L'autonomie n'est pas un don! Elle ne survient pas par une sorte de miracle!
Plus en détailPrésentation de la majeure ISN. ESILV - 18 avril 2013
Présentation de la majeure ISN ESILV - 18 avril 2013 La Grande Carte des Métiers et des Emplois Sociétés de service Entreprises Administrations Grand- Public Sciences Utiliser Aider à utiliser Vendre APPLICATIONS:
Plus en détailTP 03 B : Mesure d une vitesse par effet Doppler
TP 03 B : Mesure d une vitesse par effet Doppler Compétences exigibles : - Mettre en œuvre une démarche expérimentale pour mesurer une vitesse en utilisant l effet Doppler. - Exploiter l expression du
Plus en détailCOURS 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 détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailIntroduction à la méthodologie de la recherche
MASTER DE RECHERCHE Relations Économiques Internationales 2006-2007 Introduction à la méthodologie de la recherche geraldine.kutas@sciences-po.org Les Etapes de la Recherche Les étapes de la démarche Etape
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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailFormation continue. Ensae-Ensai Formation Continue (Cepe)
CertifiCat de data scientist Formation continue Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist La demande de data scientists est croissante mais peu de formations existent. Ce certificat
Plus en détailAccélérer l agilité de votre site de e-commerce. Cas client
Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible
Plus en détailQUELS ÉCRANS UTILISENT LES 13-24 ANS ET POUR QUELS USAGES?
QUELS ÉCRANS UTILISENT LES 13-24 ANS ET POUR QUELS USAGES? Colloque «Les écrans et les jeunes : quelle place, quelle offre, quelles évolutions?» 9 décembre 2014 Direction des études et de la prospective
Plus en détailAnalyse prédictive. L essor et la valeur de l analyse prédictive dans la prise de décisions
ÉTUDE TECHNIQUE Analyse prédictive L essor et la valeur de l analyse prédictive dans la prise de décisions «Donnez-moi un point d appui et un levier et je soulèverai le monde.» Archimède, 250 av. J.-C.
Plus en détailPanorama des solutions analytiques existantes
Arnaud LAROCHE Julien DAMON Panorama des solutions analytiques existantes SFdS Méthodes et Logiciels - 16 janvier 2014 - Données Massives Ne sont ici considérés que les solutions autour de l environnement
Plus en détailT o u s d r o i t s r é s e r v é s 2 0 1 4-2 0 1 5 O S I s o f t, L L C. SÉMINAIRES RÉGIONAUX
Le parcours vers l intelligence opérationnelle Présenté par Martin Jetté, directeur, Marketing et opérations Amérique du Nord mjette@osisoft.com Horaire de la présentation Le parcours vers l intelligence
Plus en détailProgrammation parallèle et distribuée (Master 1 Info 2015-2016)
Programmation parallèle et distribuée (Master 1 Info 2015-2016) Hadoop MapReduce et HDFS Note bibliographique : ce cours est largement inspiré par le cours de Benjamin Renaut (Tokidev SAS) Introduction
Plus en détailLES 11 COMPÉTENCES CLÉ DU COACH SELON LE RÉFÉRENTIEL ICF OBJECTIFS CERTIFICATION PRINCIPES ET ORIENTATIONS
ACTIVISION Coaching : un cursus de formation complet accrédité ICF pour acquérir les compétences et la posture du coach professionnel. Une formation professionnelle, pour des professionnels, par des professionnels.
Plus en détailFouillez facilement dans votre système Big Data. Olivier TAVARD
Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche
Plus en détailProgrammation Web. Madalina Croitoru IUT Montpellier
Programmation Web Madalina Croitoru IUT Montpellier Organisation du cours 4 semaines 4 ½ h / semaine: 2heures cours 3 ½ heures TP Notation: continue interrogation cours + rendu à la fin de chaque séance
Plus en détailConcevoir et déployer un data warehouse
Concevoir et déployer un data warehouse Ralph Kimball Éditions Eyrolles ISBN : 2-212-09165-6 2000 2 Le cycle de vie dimensionnel Avant d étudier de plus près les spécificités de la conception, du développement
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailComprendre l Univers grâce aux messages de la lumière
Seconde / P4 Comprendre l Univers grâce aux messages de la lumière 1/ EXPLORATION DE L UNIVERS Dans notre environnement quotidien, les dimensions, les distances sont à l échelle humaine : quelques mètres,
Plus en détailVI- Exemples de fiches pédagogiques en 3 ème année primaires
21 VI- Exemples de fiches pédagogiques en 3 ème année primaires 22 PROJET I : Séquence 3 ORAL (Réception) Compréhension orale : Activité d écoute : 1 ère fiche pédagogique L objectif de cette séance est
Plus en détailUn spectromètre à fibre plus précis, plus résistant, plus pratique Concept et logiciel innovants
& INNOVATION 2014 NO DRIVER! Logiciel embarqué Un spectromètre à fibre plus précis, plus résistant, plus pratique Concept et logiciel innovants contact@ovio-optics.com www.ovio-optics.com Spectromètre
Plus en détailData 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares
Plus en détailLes 10 étapes incontournables pour réaliser un site internet performant et accessible
COMITÉ DE COMMUNICATION DE L AOMF FICHE-CONSEIL N 2 Les 10 étapes incontournables pour réaliser un site internet performant et accessible Les 10 étapes que vous retrouvez ci-dessous peuvent faire partie
Plus en détailPersonnalisation: Pour bien démarrer Créer une expérience digitale unique pour chaque visiteur. Par John Carione, Acquia
Personnalisation: Pour bien démarrer Créer une expérience digitale unique pour chaque visiteur Par John Carione, Acquia Personnalisation: Pour bien démarrer Créer une expérience digitale unique pour chaque
Plus en détailProjet de programme pour l enseignement d exploration de la classe de 2 nde : Informatique et création numérique
Projet de programme pour l enseignement d exploration de la classe de 2 nde : Informatique et création numérique 19 mai 2015 Préambule L informatique est tout à la fois une science et une technologie qui
Plus en détailTENDANCES MARKETING DIGITAL. pour l industrie agroalimentaire en B2B et B2C
TENDANCES MARKETING DIGITAL 2014 pour l industrie agroalimentaire en B2B et B2C Credit photos Flickr EDUCATION Les réseaux sociaux ont vu se développer les conversations entre les marques et leurs consommateurs
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailPhysique Chimie. Utiliser les langages scientifiques à l écrit et à l oral pour interpréter les formules chimiques
C est Niveau la représentation 4 ème 2. Document du professeur 1/6 Physique Chimie LES ATOMES POUR COMPRENDRE LA TRANSFORMATION CHIMIQUE Programme Cette séance expérimentale illustre la partie de programme
Plus en détail