S y l l a b u s RECONNAISSANCE DES FORMES : CLASSIFICATION ET REGROUPEMENT IFT A
|
|
- Achille Grégoire
- il y a 8 ans
- Total affichages :
Transcription
1 RECONNAISSANCE DES FORMES : CLASSIFICATION ET REGROUPEMENT IFT A S y l l a b u s Jean-Marie Beaulieu Département d'informatique Téléphone: poste 2564 Courriel: jean-marie.beaulieu@ift.ulaval.ca Hiver 2002
2 Page 2 A. Cours Titre : RECONNAISSANCE DES FORMES: CLASSIFICATION ET REGROUPEMENT Sigle (Université Laval) : IFT Nombre de crédits : 3 Session : hiver 2002 Salle : 2512 pavillon Adrien-Pouliot Horaire : mercredi de 8h30 à 11h20 B. Professeur Nom et prénom : Bureau : Beaulieu, Jean-Marie 3952 pavillon Adrien-Pouliot Téléphone: poste 2564 Courriel: jean-marie.beaulieu@ift.ulaval.ca Disponibilités : lundi, mardi et jeudi de 14h30 à 16h30. (je suis à mon bureau surtout l'après-midi) Page web: Il y a une page web pour le cours à: Il y aura probablement utilisation de WebCT C. Description et objectifs du cours Description : Principes théoriques de la reconnaissance des formes. Classification bayésienne. Probabilité conditionnelle. Classes gaussiennes multidimensionnelles. Classification supervisée. Histogramme. Apprentissage de fonction discriminante linéaire: perceptron. Regroupement et classification non supervisée. Algorithme itératif: migration de la moyenne et isodata. Groupement hiérarchique par agglomération ou par division. Sélection des traits caractéristiques. Exemples d'applications. PR : Aucun. Objectifs : Etudier les principes théoriques de la reconnaissance des formes. Comprendre les méthodes et algorithmes utilisés dans la mise en application de ces principes. Comprendre les avantages et les limites de ces techniques. Savoir quand et comment ces principes et techniques peuvent être utilisés dans la pratique.
3 Page 3 D. Evaluation des apprentissages Évaluation: exercices et travaux 40 % examen partiel 30 % examen final 30 % La note de passage est fixée à 60%. Les dates d'examens seront déterminées en classe. Une seule feuille de notes sera autorisée pour le 1 er examen et à déterminer pour l'examen final. On pourra discuter lors du premier cours d'autres modalités d'évaluation. E. Contenu L'analyse des données a grandement profité de l'arrivée de l'ordinateur. Copiant au besoin l'intelligence humaine, la "reconnaissance des formes" émergea comme une discipline autonome et très prometteuse. Elle vise la reconnaissance, la classification et le regroupement de données expérimentales, d'observations, de formes ou de profils présents dans les données. Les domaines d'application sont nombreux: télédétection, robotique et automatisation, médicale (e.g. rayon X, électrocardiogramme), reconnaissance de la voix et de texte, contrôle de la qualité... La classification est une reconnaissance supervisée, où les caractéristiques de chacune des classes sont connues. Une approche probabiliste sera utilisée pour définir les classes. Un processus de décision statistique est alors utilisé pour choisir à quelle classe une donnée observée doit être assignée. La performance de la classification est définie par son pouvoir de discrimination et sa probabilité d'erreur. La décision peut être basée sur une fonction discriminante. Un processus d'apprentissage permet d'accumuler les expériences passées pour améliorer la décision. Le regroupement est une reconnaissance non-supervisée, où un processus automatique sépare les données observées en groupes distincts (avec aucune connaissance préalable des classes présentes). Chaque groupe doit contenir seulement des éléments similaires. Des mesures, fonctions de la distance entre points (données) ou groupes de points, doivent être définies pour traduire la similarité qui existe entre ces points. Des techniques itératives permettent la modification progressive des groupes vers la solution optimum (ex.: le perceptron, la migration de la moyenne, isodata). Les groupes peuvent également être formés par le chaînage des points (données) similaires. Des mesures de la similarité entre groupes de données permettent la formation de hiérarchies de groupes.
4 Page 4 INTRODUCTION: perception et classification. CLASSIFICATION: critère de Bayes probabilités conjointes et conditionnelles classes gaussiennes multidimensionnelles CLASSIFICATION SUPERVISEE: estimation des paramètres d'une classe histogramme espace des représentations et fonction discriminante apprentissage: fonction discriminante linéaire algorithme du perceptron REGROUPEMENT ou CLASSIFICATION NON-SUPERVISEE: notion de mesure et de distance entre points ou groupes définition d'un groupe bien formé et d'une bonne partition algorithme itératif: migration de la moyenne isodata groupement hiérarchique par agglomération ou par division mesure de similarité entre groupes regroupement par chaînage: Minimum Spanning Tree. SELECTION DES TRAITS CARACTERISTIQUES: normalisation et réduction de la corrélation transformation linéaire et valeur propre analyse discriminante de Fisher Exemples d'applications: Vision par ordinateur, Télédétection, Médicale, Reconnaissance de la voix, etc...
5 Page 5 F. Bibliographie Notes de cours obligatoires Des NOTES de cours seront obligatoires et disponibles selon des modalités à discuter en classe. Il n'y a pas de MANUEL de cours obligatoire. RÉFÉRENCES 1) R.O. Duda, P.E.Hart & D.G. Stork, 2001, PATTERN CLASSIFICATION, John Wiley & Sons, Nouvelle edition de Duda & Hart. 2) Sing-Tze Bow, 1984, PATTERN RECOGNITION, Marcel Dekker, Inc, New York. Texte qui couvre tous les aspects de la reconnaissance de formes, bon niveau, un manque au niveau de l'organisation et des explications. 3) Celeux, Diday, Govaert, Lechevallier et Ralambondrainy, 1989, CLASSIFICATION AUTOMATIQUE DES DONNEES, Dunod, Paris, Mathématique, bon manuel, nuées dynamiques, classification optimale, analyse factorielle et discriminante. 4) R.O. Duda & P.E. Hart, 1973, PATTERN CLASSIFICATION AND SCENE ANALYSIS, John Wiley & Sons Très bon manuel, un peu trop mathématique, explique bien la classification bayésienne 5) A. Faure, 1985, PERCEPTION ET RECONNAISSANCE DES FORMES, Editests, Paris. Un peu de confusion dans l'organisation, une partie sur les capteurs. 6) A.D. Gordon, 1981, CLASSIFICATION, Chapman and Hall, Londres, QA g sciences Bonne couverture du regroupement hiérarchique. 7) M. James, 1985, CLASSIFICATION ALGORITHMS, John Wiley & Sons, New York. QA j Bon texte, contenu simple, de bas niveau, avec exemples de programmes, traite surtout la classification. 8) J.-C. Simon, 1985, LA RECONNAISSANCE DES FORMES PAR ALGORITHMES, Masson, Paris. Présentation formelle, et très mathématique. 9) C.W. Therrien, 1989, DECISION, ESTIMATION AND CLASSIFICATION, John Wiley & Sons, New York. Très bonne présentation de la classification, mathématique. 10) J.T. Tou & R.C. Gonzalez, 1974, PATTERN RECOGNITION PRINCIPLES, Addison-Wesley C. Très bon manuel, bon niveau de présentation (i.e. pas trop mathématique), bon choix de sujets, bon pour le regroupement.
6 Page 6 11) H.C. Andrews, 1972, INTRODUCTION TO MATHEMATICAL TECHNIQUES IN PATTERN RECOGNITION, John Wiley & Sons, New York. Q327 a Bon livre, mathématique, vieux. 12) J.-P. Benzecri, 1980, L'ANALYSE DES DONNEES, tomes 1 & 2, Dunod, Paris. QH83 b Une revue de l'analyse des données en taxinomie, et de l'analyse des correspondances. 13) Mike James, 1987, PATTERN RECOGNITION, PSP Professional Books, Oxford. Q327 j pour le traitement de l'image, 14) W.S. Meisel, 1972, COMPUTER-ORIENTED APPROACHES TO PATTERN RECOGNITION,Academic Press, New York. Q327 m bon livre, mathématique, vieux. 15) Ramakant Nevatia, 1982, MACHINE PERCEPTION, Prentice Hall Inc., Surtout pour l'analyse de l'image. 16) H. Niemann, 1981, PATTERN ANALYSIS, Spring-Verlag, New York. Q327 n surtout pour l'analyse de l'image, peu utile pour ce cours. 17) E.A. Patrick, 1972, FUNDAMENTALS OF PATTERN RECOGNITION, Prentice-Hall, Englewood Cliffs, N.J.. Q327 p Bon livre, très mathématique, exposé des principaux résultats mathématiques de reconnaissance des formes. 18) J.-G. Postaire, 1987, DE L'IMAGE A LA DECISION, Dunod, Paris. Bas niveau, approche par la courbure de la densité de probabilité, pour l'image, certaines sections utiles. 19) M. Roux, 1985, ALGORITHMES DE CLASSIFICATION, Masson, Paris. QA r Traite surtout le regroupement hiérarchique, limité, avec exemples de programmes. 20) I.L. Thomas, V.M. Benning & N.P. Ching, 1987, CLASSIFICATION OF REMOTELY SENSED IMAGES, Adam Hilger, Bristol. TA1632 t classification en télédétection. 21) S. Watanabe, 1985, PATTERN RECOGNITION: HUMAN AND MECHANICAL, John Wiley & Sons, New York. Q327 w perception, moins mathématique, beaucoup de chapitres inutiles pour ce cours.
MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010
E MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010 Professeure :Elissar Toufaily Plage horaire du cours : Cours en salle Jeudi 15h 30-18h30 Local 4221 PAP Du 2 septembre. 2010 au 9
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
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 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 détailHIVER 2004 MÉTHODOLOGIE DE LA RECHERCHE EN MARKETING MRK - 65384
Professeur : Raoul Graf FSA-Université Laval Pavillon Palasis Prince Bureau 2413 Tél. : 418 656 2131 ext. 2688 Courriel : Raoul.Graf@mrk.ulaval.ca HIVER 2004 MÉTHODOLOGIE DE LA RECHERCHE EN MARKETING MRK
Plus en détailPLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique
Département de génie de la production automatisée Programme de baccalauréat Professeur Pontien Mbaraga, Ph.D. Session/année Automne 2004 Groupe(s) 01 PLAN DE COURS GPA750 Ordonnancement des systèmes de
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 détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailPOL 1100 (Méthodes de recherche en politique) Hiver 2012 Local B-0305 Lundi de 13h00-14h30
Faculté des arts et des sciences Département de science politique POL 1100 (Méthodes de recherche en politique) Hiver 2012 Local B-0305 Lundi de 13h00-14h30 Professeur : Erick Lachapelle Bureau : C-3124
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 détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailPREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE
PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE Jean-Paul Valois, Claude Mouret & Nicolas Pariset Total, 64018 Pau Cédex MOTS CLEFS : Analyse spatiale, ACP, Lissage, Loess PROBLEMATIQUE En analyse multivariée,
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 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 détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailUNIVERSITÉ LAVAL. PLAN DE COURS PROGRAMME en GESTION du DÉVELOPPEMENT TOURISTIQUE. Titre et sigle du cours : Marketing touristique, MRK 20578
1 UNIVERSITÉ LAVAL FACULTÉ DES SCIENCES DE L'ADMINISTRATION Certificat en gestion du développement touristique PLAN DE COURS PROGRAMME en GESTION du DÉVELOPPEMENT TOURISTIQUE IDENTIFICATION Titre et sigle
Plus en détailCours d été des établissements privés de la région de Québec. Document d information et formulaire d inscription aux parents
Été 2015 Été 2015 Cours d été des établissements privés de la région de Québec Document d information et formulaire d inscription aux parents Cours d été des établissements privés de la région de Québec
Plus en détailSIO-6029-Z1 : Gestion de projet et du changement
E SIO-6029-Z1 : Gestion de projet et du changement Hiver 2012 Enseignant : Jean-Pierre Bélanger, Chargé de cours Plage horaire du cours : Cours en salle : Mercredi 18h30 à 21h20 Local : PAP-2327 Du 11
Plus en détailReprésentation et analyse des systèmes linéaires
ISAE-NK/Première année présentation et analyse des systèmes linéaires Petite classe No Compléments sur le lieu des racines. Condition sur les points de rencontre et d éclatement Les points de rencontre,(les
Plus en détailMéthodes quantitatives en sciences humaines. 2 Pratique : 2 Étude personnelle : 2. BUREAU poste courriel ou site web
360-300-RE HIVER 2008 MATHÉMATIQUES Plan de cours COURS : Méthodes quantitatives en sciences humaines PROGRAMME : 300.A0 Sciences humaines DISCIPLINE : Mathématiques Pondération : Théorie : 2 Pratique
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailPLAN DE COURS. Reconnaître le rôle des mathématiques ou de l informatique dans la société contemporaine (0011)
PLAN DE COURS Titre du cours : Logiciels appliqués en sciences Numéro du cours : 360-ESZ-03 Programme : Sciences de la Nature 200B0 Pondération : 1-2-3 Session : Hiver 2010 Enseignant : Éric Gaul François
Plus en détailGauthier, Benoît (dir.). 2010. Recherche sociale : de la problématique à la collecte des données. Québec : Presses de l Université du Québec.
Faculté des arts et des sciences Département de science politique POL 1100 (Méthodes de recherche en politique) Automne 2011 Local B-0245 Lundi de 13h00-14h30 Professeur : Éric Montpetit Bureau : C-4012
Plus en détailASR-2102 : Produits financiers: assurances et rentes
ASR-2102 : Produits financiers: assurances et rentes NRC 10985 Hiver 2012 Temps consacré : 3-0-6 Crédit(s) : 3 Connaître les produits financiers suivants: produits d'assurance-vie, produits d'assurance
Plus en détailUNIVERSITE PARIS 1 PANTHEON SORBONNE
UNIVERSITE PARIS 1 PANTHEON SORBONNE École de Management de la Sorbonne (UFR 06 Gestion et économie d entreprise) MASTER 2 RECHERCHE FINANCE DE MARCHE Année universitaire 2014-2015 VOS INTERLOCUTEURS DIRECTEUR
Plus en détailMRK 2106 MARKETING RELATIONNEL Hiver 2010 3 crédits Mercredi de 8h30 à 11h20
MRK 2106 MARKETING RELATIONNEL Hiver 2010 3 crédits Mercredi de 8h30 à 11h20 Site Web du cours : http://www.webct.ulaval.ca Professeur : Coordonnées : Courriel : Téléphone : Fax : Disponibilités : Soutien
Plus en détailConception d un lecteur de musique intelligent basé sur l apprentissage automatique.
Université de Mons Faculté des Sciences Institut d Informatique Service d Algorithmique Conception d un lecteur de musique intelligent basé sur l apprentissage automatique. Mémoire réalisé par Xavier DUBUC
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
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 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 détailOrganisation Gestion du temps. Participation Notes et résumés Etudes et examens
Organisation Gestion du temps Participation Notes et résumés Etudes et examens Le SIEP de Mons organise des ateliers dynamiques pour t aider à découvrir ta Avec des conseils pratiques, des trucs et astuces!
Plus en détailNUMÉRO (GR) TITRE DU COURS CYCLE
PLAN DE COURS Professeur : Frédéric Laurin AUTOMNE 2012 TRIMESTRE ET ANNÉE MBA-6001-01et 02 LES ENVIRONNEMENTS DE L ENTREPRISE 2 e NUMÉRO (GR) TITRE DU COURS CYCLE 1. DESCRIPTION DU COURS L'objectif du
Plus en détailMasters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance»
Masters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance» Introduction au Data Mining K. EL HIMDI elhimdi@menara.ma 1 Sommaire du MODULE Partie 1 : Introduction au Data Mining Partie 2 :
Plus en détailUniversité du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.
Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local
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 détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 détailITIL Gestion de la capacité
ITIL Sommaire 1 GENERALITES 3 2 PERIMETRE DE LA GESTION DES CAPACITES 3 3 ACTIVITES ET LIVRABLES DE LA GESTION DES CAPACITES 4 3.1 ACTIVITES ITERATIVES OU GESTION DE PERFORMANCES : 4 3.2 GESTION DE LA
Plus en détailMASTER 2 RECHERCHE FINANCE DE MARCHE. Année universitaire 2015 2016 VOS INTERLOCUTEURS
École de Management de la Sorbonne MASTER 2 RECHERCHE FINANCE DE MARCHE Année universitaire 2015 2016 VOS INTERLOCUTEURS DIRECTEUR : Monsieur Constantin MELLIOS RESPONSABLE PÉDAGOGIQUE : Madame Lyne Rose
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 détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
Plus en détailIV - Programme détaillé par matière (1 fiche détaillée par matière)
IV - Programme détaillé par matière (1 fiche détaillée par matière) Matière : Asservissement numérique Introduction aux systèmes échantillonnés (signal échantillonné, échantillonnage idéal, transformation
Plus en détailSIO-2105 : La Fonction conseil en SIO SECTION Z1 Automne 2010
E SIO-2105 : La Fonction conseil en SIO SECTION Z1 Automne 2010 Enseignante : Anne Chartier (professeure agrégée) Plage horaire du cours : Cours en salle : Mardi 12h30 à 15h20 Local 2327 PAP Du 30 août
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 détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailVu la circulaire n 2033-134 du 8 septembre 2003 relative aux modalités d accueil en milieu professionnel des élèves mineurs de moins de seize ans :
CONVENTION RELATIVE A L ORGANISATION DE SEQUENCE D OBSERVATION EN MILIEU PROFESSIONNEL DANS LE CADRE DE L OPERATION «BRAVO LES ARTISANS de Charente-Maritime» Vu la circulaire n 2033-134 du 8 septembre
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailInformatique et sciences du numérique
Informatique et sciences du numérique Philippe Marquet Colloque IREM, Lyon 25 mai 2013 Informatique et sciences du numérique Septembre 2012 : ISN, spécialité en classe de terminale S Pourquoi introduire
Plus en détailGIE-3100 : Gestion des ressources humaines en contexte interculturel
GIE-3100 : Gestion des ressources humaines en contexte interculturel NRC 87190 Automne 2011 Crédit(s) : 3 «Gérer efficacement des personnes vivant dans différents continents et appartenant à des cultures
Plus en détailApprentissage symbolique et statistique à l ère du mariage pour tous
Apprentissage symbolique et statistique à l ère du mariage pour tous Stéphane Canu asi.insa-rouen.fr/enseignants/~scanu RFIA 2014, INSA Rouen 2 juillet 2014 Apprentissage : humain vs. machine Les apprentissages
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailANALYSE DU RISQUE DE CRÉDIT
ANALYSE DU RISQUE DE CRÉDIT Banque & Marchés Cécile Kharoubi Professeur de Finance ESCP Europe Philippe Thomas Professeur de Finance ESCP Europe TABLE DES MATIÈRES Introduction... 15 Chapitre 1 Le risque
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 détailBaccalauréat universitaire (bachelor) en mathématiques et sciences informatiques
Baccalauréat universitaire (bachelor) en mathématiques et sciences informatiques CONDITIONS GENERALES Art. A 3 Baccalauréat universitaire en mathématiques et sciences informatiques 1. La Faculté décerne
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 détailPlan de cours. 1. Mise en contexte. 2. Place du cours dans le programme. 3. Descripteur du cours
Faculté des sciences Centre de formation en technologies de l information Plan de cours Cours : INF 735 Entrepôt et forage de données Trimestre : Hiver 2015 Enseignant : Robert J. Laurin 1. Mise en contexte
Plus en détailDESCRIPTIF DE MODULE S4 ADG : Mathématique pour la Gestion
Sous filière : IAME DESCRIPTIF DE MODULE S4 ADG : Mathématique pour la Gestion COORDONNATEUR DU MODULE: Professeur FEKRI Mohammed Département : RIM Objectif : Ce module a pour objectif d initier les élèves
Plus en détailBIBLIOTHÈQUE MEMPHRÉMAGOG
BIBLIOTHÈQUE MEMPHRÉMAGOG SESSION 4 11 MARS AU 7 MAI 2015 Différents ateliers informatiques sont offerts par les Amis de la Bibliothèque Memphrémagog. Durée : 3 heures Coût : 20 $ / atelier (payable lors
Plus en détailRecherche et méthodologie en criminologie (CRM 6725 A & B)
Département de criminology/department of criminology Hiver 2014 Fernando Acosta facosta@uottawa.ca Pavillon des Sciences sociales, bureau 13022 Téléphone : (613) 562-5800 (1790) Mercredi : 8h30-11h30 Salle
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailFORMATIONS LINGUISTIQUES DIPLOMES, TESTS & EXAMENS D ESPAGNOL COCEF
FORMATIONS LINGUISTIQUES DIPLOMES, TESTS & EXAMENS D ESPAGNOL COCEF CHAMBRE OFFICIELLE DE COMMERCE D ESPAGNE EN FRANCE CAMARA OFICIAL DE COMERCIO DE ESPAÑA EN FRANCIA www.cocef.com 22, rue Saint Augustin
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
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 détailDURÉE DE VIE ET DE. Michel JAMBU, Centre National d'etudes des Télécommunications France Direction scientifique
ESTIMATION ET PRÉDICTION DE LA FIDÉLITÉ, DE LA DURÉE DE VIE ET DE LA VALEUR ÉCONOMIQUE DES CLIENTS PAR DES TECHNIQUES DE DATAMINING Michel JAMBU, Centre National d'etudes des Télécommunications France
Plus en détailPrésenta;on du cours
MTI820 Entrepôts de données et intelligence d affaires Présenta;on du cours Hiver 2015 C. Desrosiers Département de génie logiciel et des TI MTI820 Hiver 2013 C. Desrosiers 1 InformaBons de base Titre:
Plus en détailRepenser l organisation du temps scolaire Corinne Azélie, Marc Zanoni et vous Vallon Pont d Arc, 3 février 2015
Repenser l organisation du temps scolaire Corinne Azélie, Marc Zanoni et vous Vallon Pont d Arc, 3 février 2015 Que pensez-vous? De vos nouveaux rythmes : Du point de vue des enseignants? 2 points positifs
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détailFormation Actuaire Data Scientist. Programme au 24 octobre 2014
Formation Actuaire Data Scientist Programme au 24 octobre 2014 A. Eléments logiciels et programmation Python 24h Objectif : Introduction au langage Python et sensibilisation aux grandeurs informatiques
Plus en détailCOURS EN LIGNE DU CCHST Manuel du facilitateur/de l administrateur
COURS EN LIGNE DU CCHST Manuel du facilitateur/de l administrateur Préparé par En partenariat avec CCHST Centre canadien d'hygiène et de sécurité au travail VUBIZ Fournisseur de services de formation Dernière
Plus en détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailDell Software International Limited City Gate Park Mahon Cork Ireland
Formation Big Data Analytics Séminaire de Méthodologie en Data Science Transformez Vos Données en Actions 2 jours : Mardi 8 et Mercredi 9 Décembre 2015 + 1 jour en option : «Mains sur le Clavier» Lieu
Plus en détailLa transformation du travail au quotidien suite à l implantation d un nouveau logiciel de gestion
La transformation du travail au quotidien suite à l implantation d un nouveau logiciel de gestion Pierre-Sébastien Fournier Sylvie Montreuil Maude Villeneuve Jean-Pierre Brun Un facteur de risque Intensification
Plus en détailLE CARNET DE BORD INFORMATISE (CBI)
LE CARNET DE BORD INFORMATISE (CBI) 1. L'utilisation du CBI vous est apparue 1. complexe 2. -3 3. -2 4. -1 5. 1 6. 2 7. 3 8. simple 2. Une formation à l'utilisation du CBI est 1. inutile 2. -3 3. -2 7.
Plus en détailPLAN DE COURS. Département de sociologie Université du Québec à Montréal
PLAN DE COURS Département de sociologie Université du Québec à Montréal Sigle : SOC 1011 Groupe : 10 Titre : Méthodes de recherche en sociologie I Session : Hiver 2015 Enseignant : Romain Paumier Téléphone
Plus en détailAgenda et détails des formations
Agenda et détails des formations AGENDA des formations LE DEVIS UNIQUE CCAM 1H30 Jeudi 25 septembre : 10h30 à 12h00 Mardi 30 septembre : 14h30 à 16h00 Jeudi 2 octobre : 14h30 à 16h00 Mercredi 29 octobre
Plus en détailNom Prénom :... Mon livret de stage
Nom Prénom :..... Mon livret de stage 1. Présentation Tuteur de stage : NOM et Prénom: Fonctions dans l entreprise : Téléphone et poste : Stagiaire NOM et Prénom : Né(e) le : Stage effectué du au Professeur
Plus en détailCours d été 2015. Aux parents et élèves de 5 e secondaire
Cours d été 2015 Aux parents et élèves de 5 e secondaire Durant l été, la Commission scolaire offre à ses élèves de 5 e secondaire trois services : 1. Des cours en présentiel, dans les matières suivantes
Plus en détailRÈGLEMENT FACULTAIRE SUR LA RECONNAISSANCE DES ACQUIS. Faculté des lettres et sciences humaines
RÈGLEMENT FACULTAIRE SUR LA RECONNAISSANCE DES ACQUIS Faculté des lettres et sciences humaines PRÉAMBULE Ce règlement facultaire sur la reconnaissance des acquis s inscrit dans le cadre de la Politique
Plus en détail413.323.1. du 23 février 2004. Le Département de l'economie,
Règlement concernant l organisation et la formation à l'ecole supérieure jurassienne d'informatique de gestion (ESIG) (Version en vigueur jusqu'au 31 août 2012) du 23 février 2004 Le Département de l'economie,
Plus en détailCONVENTION DE FORMATION PROFESSIONNELLE CONTINUE Réf. MCCO1
CONVENTION DE FORMATION PROFESSIONNELLE CONTINUE Réf. MCCO1 Entre ODILE DOLLE COMMUNICATION SARL / ELIDO 2 carrefour de la Croix-Rouge, F- 75006 PARIS Organisme de formation n 11753537875 enregistré auprès
Plus en détailIndustrie 4.0 L usine connectée
En partenariat avec Industrie 4.0 L usine connectée Les nouveaux métiers de l industrie 4.0: Méthodologie de conception des certifications Mardi 29 avril 2014 Séminaire ISA-France / Espace Hamelin Jean-Luc
Plus en détailIFT785 Approches Orientées Objets. FINAL Été 2002. Remise : Jeudi 19 août 2002 à 9h00 am
IFT785 Approches Orientées Objets FINAL Été 2002 2 e session d examen Début : Lundi 16 septembre 2002 à 9h00 am Remise : Jeudi 19 août 2002 à 9h00 am Professeur : Sylvain GIROUX Note : /100 points Remarques
Plus en détailFORMATIONS LINGUISTIQUES : DIPLOMES & TEST D ESPAGNOL
FORMATIONS LINGUISTIQUES : DIPLOMES & TEST D ESPAGNOL CHAMBRE OFFICIELLE DE COMMERCE D ESPAGNE EN FRANCE 22, Rue Saint Augustin 75002 Paris Tél. : 01 42 61 33 10 Fax: 01 42 61 16 22 Contact : Arlette Pereira
Plus en détailPlan de cours. Chiffriers et bases de données en gestion commerciale
Collège Lionel-Groulx 100, rue Duquet Sainte-Thérèse, (Québec) J7E 3G6 Téléphone : (450) 430-3120 Télécopieur : (450) 430-2783 Site Internet : http://www.clg.qc.ca Session : Hiver 2009 No de cours : 420-CJ0-LG
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 détailFACULTÉ DES SCIENCES DE L ADMINISTRATION UNIVERSITÉ LAVAL MARKETING RELATIONNEL MRK-22339
FACULTÉ DES SCIENCES DE L ADMINISTRATION UNIVERSITÉ LAVAL Trimestre : Hiver Responsable du cours : Michel Zins 1. INTRODUCTION MARKETING RELATIONNEL MRK-22339 Ce cours est obligatoire pour les étudiants
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailCONVENTION DE STAGE SALARIÉ
CONVENTION DE STAGE SALARIÉ AVERTISSEMENT Les personnes qui sollicitent le bénéfice d une convention de stage doivent être obligatoirement inscrites et participer réellement à un cycle de formation ou
Plus en détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en détailMon-complement-retraite.com Aide en ligne
Mon-complement-retraite.com Aide en ligne Sommaire J ai créé mon compte Je n ai pas de compte Je ne connais pas mon numéro de contrat J ai oublié mon mot de passe 2 J ai créé mon compte : Pour accéder
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
Plus en détailProgramme et calendrier niveau 1 :2014-2015
Module 1 : Le corps humain Anatomie Physiologie Pathologie Énergétique chinoise 1 (pour les formations : amma et thaïlandais) 45 heures Module 2 : Application technique Amma initiation Amma professionnel
Plus en détailÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab
ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour
Plus en détailNombre de crédits Nombre d'évaluation UE Majeure de spécialité 6 2. UE mineure de spécialité 3 ou 2 1. UE libre 1 1
Mode d'évaluation Pour les sessions normales, le nombre d'évaluations dépendra de la nature de l UE. Ainsi: les UE majeures comportent deux évaluations: une évaluation à mi-parcours (devoir sur table ou
Plus en détail