Open TURNS Journée Utilisateurs #3. 18 mai 2010
|
|
- Jean-Claude Morel
- il y a 8 ans
- Total affichages :
Transcription
1 Open TURNS Journée Utilisateurs #3 18 mai 2010
2 Journée Utilisateurs Open TURNS #3 Ordre du jour Open TURNS et son Consortium Nouveautés de la Portage windows Nouvelles interfaces utilisateurs Ajouts scientifiques et technologiques Modifications de la documentation Open TURNS et les modules Le mécanisme de module Réseaux bayésiens Présentation «Réseaux bayésiens» (PH Wuillemin - Université Paris 6 / LIP6) Le module OT-Agrum : présentation et cas d application Mixtures de lois Le module OT-MixMod : présentation et cas d application Open TURNS et ses interfaces Améliorations de la TUI La GUI Eficas Exposés d études L interface Phimeca L interface Anatole3D Exposé 1 : Calculs de dynamique ferroviaire (Ch. Funfschilling SNCF) Exposé 2 : Incertitudes de mesure : le projet PLUME (A. Scattolin/JCh. Combier AIRBUS) Perspectives (à plus ou moins long terme) Processus stochastiques Calcul Haute Performance Approche bayésienne Chaos polynomial creux
3 Open TURNS pour quoi faire? Open TURNS a pour mission de propager les incertitudes à travers un modèle jusqu à une variable d intérêt, en proposant des fonctionnalités pour quantifier les incertitudes, en vue de hiérarchiser leur influence sur la variable d'intérêt. Open TURNS permet aussi de remplacer le modèle par une surface de réponse. Open TURNS est le support logiciel à la Méthodologie de Traitement des Incertitudes mise au point par EDF R&D et enrichie très largement par d autres industriels : Open TURNS, c est. Mais aussi une documentation : Etape A : Spécification du modèle : variables incertaines, modèle, variable(s) d intérêt, critère d analyse (Min/Max, Tendance centrale, Dépassement de seuil) Etape B : Quantification des incertitudes : détermination de la loi jointe du vecteur aléatorie d entrée Etape C : Propagation des incertitudes : quantification du critère d analyse Etape C : Hiérarchisation des incertitudes Une librairie C++ fournissant des services de calculs d incertitudes Une application autonome avec une IHM graphique Un module python proposant des opérateurs de haut niveau scientifique : Reference Guide, Utilisateur : Use Cases Guide, User Manual, Examples Guide technique : Architecture Guide, Wrapper Guide, Contribution Guide, Windows port doc. et une communauté sympathique : Openturns.org : site officiel de l outil, share.openturns.org : site d échanges autour de l outil
4 Open TURNS et son Consortium Le Consortium Open TURNS s organise autour de 2 Comités en étroite collaboration : Comité de Pilotage : de définir les grandes orientations de l outil : évolution métier et architecturale (portage sous différents environnements, ) d entériner le contenu des versions et leur date de sortie de valider les contributions externes (un protocole de contribution a été précisé récemment) de faire le lien avec les projets utilisant Open TURNS (Opus, CISSI,.) d organiser annuellement une Journée Utilisateurs Open TURNS Comité Technique : est le garant du contenu d Open TURNS (code + documentation) réalise les audits des contributions proposées organise les co-développements et la production des releases d Open TURNS
5 Open TURNS et son Consortium Comment contribuer / interagir avec Open TURNS? Niveau 1 : le contributeur veut partager autour de l outil en proposant des fonctionnalités en plus (développées sous forme de module C++ ou python), un script particulier (pré / post traitement de données, couplage avec un outil open source,.) Pas d exigences particulières à respecter (outre la qualité scientifique minimum!) Le dépôt reste de la responsabilité de son auteur Site de partage share.openturns.org Niveau 2 : le contributeur voudrait donner à sa contribution le «Label Open TURNS» Contribution à la librairie C++, à la TUI python, en langage R Conséquence : la contribution est à la charge de l équipe Open TURNS ( )maintenance, diffusion, Critères qualité Open TURNS à respecter (au final) : code source + documentation, qui sont décrits dans le Coding Rules Guide + Contribution Guide N hésitez pas à contacter l un de nous pour tout projet, ou qu il en soit et quel qu il soit! Les contacts EDF : supprimé EADS : supprimé Phimeca : supprimé ou via vos contacts spécifiques (projets, conférences, )
6 Open TURNS et son site Web Actuellement ou wwww.openturns.org - site avec les informations officielles
7 Open TURNS et son site Web Actuellement - site (blog) libre dédié à l échange entre utilisateurs
8 Open TURNS et son site Web Actuellement - site unifié avec différentes zones facilement accessibles
9 Nouveautés de la Portage Windows Objectif : rendre disponible sous Windows la librairie C++ et le module python d Open TURNS Principes : Linux reste la plateforme de développement Sous windows, pour pouvoir intégrer dans un produit logiciel la librairie Open TURNS C++, il est obligatoire d utiliser le compilateur gcc pour compiler le produit logiciel intégrant Open TURNS (gcc produit la librairie Open TURNS sous Windows) On fournit le nécessaire pour pouvoir intégrer la librairie Windows dans d autres projets logiciel windows ainsi que des exemples d implémentations de wrappers sous windows, ce qui permet aux utilisateurs de développer des wrappers sous windows Concrêtement : 2 paquets OT et OT-devel 0T : tous les binaires associés au produit OT + dépendances (R, ) permet d obtenir un environnement de travail autonome pour utilisation d OT (mais ne permet pas d intégrer OT dans un autre produit logiciel ni de développer des wrappers) OT-devel : fournit en plus les fichiers d en-tête de la librairie Open TURNS ainsi qu un environnement de développement compatible Open TURNS (gcc sous windows, autotools, ) Documentation : Windows Port Documentation qui détaille : Installer l environnement de cross compilation sous linux Comment générer la plate-forme windows sous linux Comment installer la plate-forme windows Quelques exemples de wrapper sous windows
10 Nouveautés de la Open TURNS est intégré à la version unstable de Debian Responsabilité : Christophe Prud homme, Université Joseph Fourier, Grenoble Intérêt pour Open TURNS : élargissement de la communauté des développeurs et utilisateurs potentiels Nouvelles interfaces utilisateurs Eficas : interface graphique open source, qui, via 2 catalogues, propose : Une aide à l écriture des scripts python Une aide à l écriture des fichiers de couplage Téléchargeable sur le site de partage d Open TURNS share.openturns.org Lien avec les types de données python : (en cours d enrichissement) Lien avec les listes python Pretty print implémenté pour la plupart des objets usuels : NumericalSample, Matrix, Lien avec les n-uplet python (tuple)
11 Nouveautés de la Ajouts technologiques : Modularisation de la TUI Mécanisme de remontée des erreurs depuis le wrapper : Objectif : rendre plus explicite le message d erreur indiquant qu une erreur d exécution du wrapper a eu lieu Auparavant : le message était noyé dans le fichier log qui n était pas affiché par défaut Actuellement : on peut afficher le message émis par le wrapper (ie renseigné par l utilisateur) Conséquences : modification des signatures des fonctions déclarées dans le wrapper
12 Nouveautés de la Ajouts scientifiques Nouveaux algorithmes de différentiation numérique, d optimisation Nouveaux algorithmes de reconstruction à noyaux pour le cas 1D Nombreuses améliorations en terme de précision numérique ou d efficacité Modifications de la documentation : La modularisation du Use Cases Guide avec table des matières interactive Liens entre documentations : Use Cases Guide vers le User Manual et le Reference Guide, Architecture Guide et Wrapper Guide : disponibles en Latex / anglais Coding Rules Guide remis à jour Windows Port Guide Versions html des documentations disponibles sur le site
13 Open TURNS et les modules Mécanisme de module d Open TURNS Accès simplifié au développement interne d Open TURNS Cycle de développement plus rapide (compilation, tests, etc.) A réserver aux nouvelles fonctionnalités Exemples de 2 modules produits depuis la JU#2 de juin 2009 : Module OT-Agrum : lien avec la librairie open source agrum qui permet de modéliser et simuler des modèles graphiques (dont les réseaux bayésiens) qui est développée par le laboratoire d informatique de Paris 6 : LIP6 travail réalisé en collaboration avec Pierre-Henri Wuillemin Intérêt pour Open TURNS : diffusion de l outil et de la démarche Incertitudes dans la communauté des Réseaux Bayésiens + enrichissement de la démarche Incertitudes Module OT-MixMod : lien avec la librairie open source MixMod qui permet de reconstruire une mixture gaussienne ou multinomiale sur un échantillon multi varié pour de l analyse discriminante et de la classification qui est développée par l Université de Franche Compté travail réalisé par Nolwenn Balin (EADS IW) Intérêt pour Open TURNS : enrichissement de l étape de quantification de la démarche Incertitudes : reconstruction semi paramétrique multi variée
14 Pourquoi les RB dans la démarche Incertitudes? La démarche Incertitudes nécessite (Etape B) de quantifier les variables incertaines Or, parfois, nous ne possédons aucune donnée directe sur la variable d entrée que l on veut rendre incertaine mais : On a des données sur des variables amont On connaît les relations d influence de ces variables amont sur la variable que l on veut rendre incertaine Influence : elle peut être Déterministe : y = f (x 1, x n ) Probabiliste : selon l état de (x 1, x n ), la variable y peut prendre plusieurs états avec des probabilités définies. En d autres mots, on connaît la loi de y sachant (x 1, x n ) : ( y (x 1, x n ) ) Les Réseaux Bayésiens apparaissent comme une nouvelle méthode de quantification des incertitudes et viennent enrichir l Etape B de la démarche.
15 Le module OT-Agrum : structure création de réseaux bayésiens Communication entre les 2 mondes propagation de lois agrum (C++) OT_Agrum (C++) BayesNetAgrum OpenTURNS (C++) BayesNet Distribution pyagrum (python) otagrum (python) BayesNetAgrum openturns (python) BayesNet from pyagrum import * from openturns import * from otagrum import * Distribution
16 Le module OT-Agrum : le cas simple d une plante On s intéresse à une plante et on aimerait connaître la hauteur qu elle atteindra potentiellement par exemple pour évaluer le risque que la plante nécessite un pot plus grand que le balcon. Mais. Nous ne possédons aucune donnée directe sur la hauteur habituellement atteinte par ce genre de plantes, ce qui interdit tout traitement statistique. Alors, que sait-on? On connaît l influence de la qualité de la lumière ainsi que du taux d humidité de l atmosphère sur la croissance de la plante On peut quantifier la qualité de la lumière chez nous ainsi que le taux d humidité sur le lieu de la plante On va pouvoir accéder à la variabilité de la croissance de la plante via une modélisation par réseaux bayésiens! Imaginons Quelques données météo d un lieu (tropical?) : Les trois quarts du temps, le balcon est en plein soleil A l ombre, il fait humide 8 fois sur 10 En plein soleil, l air est sec dans 6 fois sur 10 Quelques souvenirs de cours de biologie : En pleine lumière, si l air est humide, la plante profite : elle grandit en moyenne de 90 cm avec une variation de ± 10cm. Si l air est trop sec, elle ne dépassera pas les 30 cm, mais on peut raisonnablement espérer aux environs de 15 cm. A l ombre, si l air est trop sec, la plante a du mal à survivre : elle ne dépassera pas les 20 cm et peut tout aussi bien mourir! Si l air est humide, elle poussera quand même le plus souvent de 30 cm, d au moins 15cm, mais ne dépassera pas les 50 cm.
17 Le module OT-Agrum : le cas simple d une plante Construction de la structure du Réseau Bayésien : 3 variables : Light, Moisture, Height Plusieurs liens d influence : Lumière -> Humidité, (Lumière, Humidité) -> Croissance Quantification du Réseau Bayésien : remplissage de tables de probabilités conditionnelles Moisture Light Dim Bright Dry Height Uniforme (0, 20) Height Triangulaire (0, 15, 30) Wet Height Triangulaire (15, 30, 50) Height Normal (90, 10) Light Moisture Light Dry Wet Dim Bright Dim Bright
18 Le module OT-Agrum : le cas simple d une plante Croissance en milieu diversifié Croissance dans la cave Croissance en zone 100% humide
19 Le module OT-Agrum : le cas d une hauteur de digue On s intéresse au dimensionnement d une digue de protection d habitations contre les crues d un fleuve H = K S B Q Z m - Z v L 3/5 H : hauteur d eau au niveau Q : débit du fleuve K S : coefficient de frottement de Strickler du lit du cours d eau Z m et Z v : côtes du fond du cours d eau en amont et en aval L et B : longueur et largeur du tronçon du cours d eau étudié Z d : hauteur de la digue Objectif : comparer H et Zd en tenant compte des variabilités des entrées : K S, Z m et Z v et Q! Calculer Probabilité (H + Z v > Z d ) On a des données directes pour quantifier la variabilité de K S, Z m et Z v Mais la loi du débit dépend du mois et de l arrivée de phénomènes extrêmes de type crue ou étiage
20 Le module OT-Agrum : le cas d une hauteur de digue Lois des variables K S, Z m et Z v K S : Normale tronquée (µ = 30, σ = 7.5, min = 0) Z v = Triangulaire (min = 49, mode = 50, max = 51) Z m = Triangulaire (min = 54, mode = 55, max = 56) Loi du débit Q : réseau bayésien Relevés tri annuels pour le débit statistiques Etude du passé probabilité d apparition de crue / etiage en fonction du mois : crue plutôt en automne, étiage plutôt en été Lois Gamma pour les débits par mois en année «normale» Loi de Weibull pour le débit en etiage Loi de Gumbel pour le débit en crue Distribution du Débit selon les scenarios : Année normale Année en crue Année en étiage propagée jusqu à la hauteur d eau au niveau de la digue
21 Le module OT-Agrum : le cas d une hauteur de digue Débit lors d une année courante Débit lors d une crue Débit lors d un Etiage
22 Le module OT-Agrum : le cas d une hauteur de digue Supposons une hauteur de digue de 58 mètres (*) sommes-nous à l abri? trop craintifs? En année Normale En année de Crue En année d Etiage Proba (H + Zv > 58 m) = 3.0 e-3 IC (95%) = [2.4 e-3; 3.5e-3] Moyenne = 52.6 m Ecart-type = 1.5 m Proba (H + Zv > 58 m) = 0.40 IC (95%) = [0.32; 0.48] Moyenne = 57.5 m Ecart-type = 4.2 m Moyenne = m Ecart-type = 0.51 (*) cet exemple est fictif : toute ressemblance avec un quelconque ouvrage serait complètement fortuite
23 Le module OT-MixMod Module OT-MixMod
24 Open TURNS et ses interfaces : la TUI Améliorations de la TUI simplifier encore l écriture des scripts Open TURNS s interfacer avec d autres modules Python Utilisation des listes et des tuples pour les collections : >>> pt = NumericalPoint( 2 ) >>> pt[0] = 10. >>> pt[1] = 20. >>> length = pt.getdimension() >>> for i in range( length ): >>> print pt[i] >>> pt = NumericalPointWithDescription( 2 ) >>> pt[0] = 10. >>> pt[1] = 20. >>> desc = Description( 2) >>> desc[0] = x >>> desc[1] = y >>> pt.setdescription( desc ) Suppression du «cast» inutile : >>> dc = DistributionCollection( 2 ) >>> dc[0] = Distribution( Normal(0., 0.5) ) >>> dc[1] = Distribution( Uniform(1., 2.) ) >>> pt = NumericalPoint( (10., 20.) ) ou >>> pt = NumericalPoint( [10., 20.] ) >>> length = len( pt ) >>> for coord in pt: >>> print coord >>> pt = NumericalPointWithDescription ( (( x,10.), ( y,20.)) ) >>> dc = DistributionCollection( ( Normal(0., 0.5), Uniform(1., 2.) ) )
25 Open TURNS et ses interfaces : la TUI Améliorations de la TUI simplifier encore l écriture des scripts Open TURNS s interfacer avec d autres modules Python Classes concernées : ConfidenceInterval Description Graph Histogram HistogramPair Indices Interval NumericalPoint NumericalPointWithDescription TestResult UniVariatePolynomial UserDefinedPair toutes les collections Pretty printing : >>> pt = NumericalPoint( (10., 20.) ) >>> print pt [10,20] >>> print repr( pt ) class=numericalpoint name=unnamed dimension=2 values=[10,20] Décomposition du module Python en 19 sous-modules chargeables indépendamment : >>> from openturns.wrapper import * >>> from openturns.func import * Création de wrapper «à la volée» : >>> wrp = WrapperFile.FindWrapperByName( poutre ) >>> model = NumericalMathFunction( wrp ) base common wrapper typ statistics func diff optim solver graph uncertainty model_dist isoprobabilistictransformation analytical experiment simulation metamodel orthogonalbasis stattests
26 Open TURNS et ses interfaces : la GUI EFICAS La GUI Eficas = Interface graphique écrite en Python2.x / Qt4 pour simplifier l écriture : des fichiers de description des wrappers (XML) des scripts d étude probabiliste (Python) téléchargeable sur share.openturns.org (avec les instructions d installation) intégration à la formation Open TURNS EDF R&D EFICAS pour Open TURNS Wrapper anywrapper.xml mywrapper.xml mywrapper.comm EFICAS pour Open TURNS Study mystudy.py Python Open TURNS Résultat mystudy.comm
27 Open TURNS et ses interfaces : la GUI EFICAS La GUI Eficas pour Open TURNS Wrapper : 100% des fonctionnalités du wrapper La GUI Eficas pour Open TURNS Study : Seules certaines fonctionnalités sont supportées 100% des distributions Modèle physique issu d un wrapper uniquement (ni analytique en ligne ni Python) Affectation des distributions aux variables du modèle physique Matrice de corrélation des variables Une seule variable de sortie dans le modèle physique 3 types de critères : MinMax : Plan d expérience, Échantillonnage aléatoire Tendance centrale : Décomposition de Taylor, Échantillonnage aléatoire Dépassement de seuil : Simulation : Monte Carlo, LHS, Tirage d importance FORM / SORM : Cobyla, AbdoRackwitz 100% des résultats : Numériques, Graphiques anywrapper.xml Modèle Variables Corrélation Critère Résultats Distributions
28 Open TURNS l interface PHIMECA PhimecaSoft 3.0 Pourquoi PhimecaSoft? PhimecaSoft est né en même temps que Phimeca (en 2001) pour : A) Capitaliser au sein de Phimeca au sein d un outil pratique d utilisation les méthodes utiles aux études réalisées par les ingénieurs de Phimeca B) Etre une vitrine du savoir faire de Phimeca C) Etre un relais des études de Phimeca auprès de ses clients Pourquoi une v3.0? La variété des études est de plus en plus grande : de la fiabilité mécanique à la méthodologie incertitudes nécessité de repenser l organisation et l IHM Après pas loin de 10 ans, il devenait nécessaire de mettre à plat le code et le contenu scientifique (corrélations / copules) Pourquoi une base Open TURNS? Après quelques années d utilisation Open TURNS est maintenant «mature» Eviter des doublons de développement (par les mêmes équipes) Intégrer de nouvelles fonctionnalités (traitement statistique)
29 Open TURNS l interface PHIMECA PhimecaSoft 3.0 Principe Utilisation de la librairie Open TURNS Interface réalisée avec Qt4 Modification de l interface (en particulier l arbre des études) Architecture PhiBOOT PhiScript OpenTURNS
30 Open TURNS l interface PHIMECA PhimecaSoft 3.0 Environnement Linux / Windows Langage de commande Python
31 Open TURNS l interface PHIMECA PhimecaSoft 3.0 Nombreuses lois implémentées + traitement statistique de données Quelques modules complémentaires à Open TURNS Tous les services associés à un code commercial (hotline, etc)
32 Open TURNS Interfaces métiers
33 Open TURNS Interfaces métiers
34 Exposés d études Open TURNS Exposé 1 : Calculs de dynamique ferroviaire (Ch. Funfschilling SNCF) Exposé 2 : Incertitudes de mesure : le projet PLUME (A. Scattolin/JCh. Combier AIRBUS)
35 Perspectives (à plus ou moins long terme) Processus stochastiques L objectif est de pouvoir introduire dans OpenTURNS des capacités de modélisation, d estimation et de propagation d incertitudes décrites par des processus et champs stochastiques. Le périmètre envisagé est le suivant: Processus stochastique à valeur scalaire, vectorielle, champ scalaire ou vectoriel Champ stochastique à valeur scalaire ou vectorielle Processus de Markov, processus gaussiens, discrets ou continus, image de tels processus par un fonction numérique ou une fonctionnelle Champs isotropes ou anisotropes Les cas d utilisation pilotant la conception de cette extension vont de la modélisation de politiques de maintenance à la modélisation de processus vectoriels par la méthode de Box et Jenkins, en passant par la modélisation aérodynamique par champs stochastiques Calcul Haute Performance L objectif est double: Permettre l utilisation aisée de chaînes de calcul déployées sur des infrastructures de calcul réparties (grilles, clusters ) Offrir des algorithmes et des structures de données probabilistes performants tant dans l utilisation de la mémoire (support des grands volumes de données) que dans celle des ressources de calcul (algorithmes multithreadés) La stratégie adoptée est de s appuyer sur une abstraction générique des systèmes de batch (libbatch, drmaa) pour le développement d un wrapper Open TURNS distribué, et l utilisation des Thread Building Block pour l implémentation des algorithmes les plus critiques d Open TURNS
36 Perspectives (à plus ou moins long terme) Approche bayésienne La modélisation d une loi jointe par conditionnement en cascade La réactualisation bayésienne d une loi à priori par assimilation de données Polynômes de chaos creux Il s agit de valoriser le travail de thèse de Géraud Blatman, qu a développé une technique adaptative creuse de décomposition en chaos polynomial. Ce travail devrait conduire au développement d algorithmes de régression creuse type LARS/LASSO utilisables hors du cadre du chaos polynomial, utile pour la sélection de variables. Accessibilité depuis Scilab Le support de Scilab comme langage de projection de SWIG (Simplified Wrapper Interface Generator) est en cours de développement et a fait l objet d un Google Summer of Code en 2009, qui a fortement accéléré le développement. Lorsque ce travail sera achevé, il sera possible d interfacer une librairie C ou C++ à Scilab via SWIG, de manière identique à celle permettant d interfacer OpenTURNS avec python. Il sera alors possible d utiliser pleinement OpenTURNS dans l environnement Scilab. Cette action est pilotée par Michael Baudin de Scilab
37 Discussions La parole est à vous!
Une plate-forme pour la quantification des incertitudes sous Matlab
UQLab Une plate-forme pour la quantification des incertitudes sous Matlab Bruno Sudret Stefano Marelli ETH Zürich, Institute of Structural Engineering Chair of Risk, Safety & Uncertainty Quantification
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 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 détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
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 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailQuantification des Risques
Quantification des Risques Comment considérer les aléas dans une projection financière? PragmaRisk met à disposition des solutions et des méthodes permettant de considérer les aléas dans vos projections
Plus en détail1. Développement embarqué. André KPOZEHOUE DOMAINES DE COMPETENCES CONNAISSANCES TECHNIQUES
André KPOZEHOUE 11 Rue Georges Teissier, 42000 Saint-Etienne. Téléphone : 06 34 95 30 57 / 09 53 11 29 77 e-mail : kpoand@yahoo.fr Identifiant Skype : kpozehoue Mobilité géographique : France entière Disponibilité
Plus en détailRelease Notes POM v5
Release Notes POM v5 POM Monitoring http://www.pom-monitoring.com Ce document est strictement réservé à l usage de la société POM Monitoring. Il ne peut être diffusé ou transféré sans l autorisation écrite
Plus en détailW4 - Workflow La base des applications agiles
W4 - Workflow La base des applications agiles, W4 philippe.betschart@w4global.com Vous avez dit «workflow»? Processus : Enchaînement ordonné de faits ou de phénomènes, répondant à un certain schéma et
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en 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 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 détailCatalogue des stages Ercom 2013
Catalogue des stages Ercom 2013 Optimisations sur Modem LTE Poste basé à : Caen (14) Analyse et optimisation des performances des traitements réalisés dans un modem LTE. - Profiling et détermination des
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailProjet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA
Projet ANR Bruno Capra - OXAND MEFISTO : Maîtrise durable de la fissuration des infrastructures en bétons Contexte Problématique des Maîtres d Ouvrages Evaluation et prédiction de la performance des ouvrages
Plus en détailRetour d expérience en Astrophysique : utilisation du Cloud IaaS pour le traitement de données des missions spatiales
Retour d expérience en Astrophysique : utilisation du Cloud IaaS pour le traitement de données des missions spatiales Cécile Cavet cecile.cavet at apc.univ-paris7.fr Centre François Arago (FACe), Laboratoire
Plus en détailRTDS G3. Emmanuel Gaudin emmanuel.gaudin@pragmadev.com
RTDS G3 Emmanuel Gaudin emmanuel.gaudin@pragmadev.com PragmaDev Dédiée au développement d un AGL pour le développement des applications temps réel et embarquées. Réseau de partenaires: Formations, Service,
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailContrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs. Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle
Contrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle 1 CEA R & D for Nuclear Energy 5 000 people Nuclear systems
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailVérifier la qualité de vos applications logicielle de manière continue
IBM Software Group Vérifier la qualité de vos applications logicielle de manière continue Arnaud Bouzy Kamel Moulaoui 2004 IBM Corporation Agenda Analyse de code Test Fonctionnel Test de Performance Questions
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailRapport de Stage Christopher Chedeau 2 au 26 Juin 2009
Rapport de Stage Christopher Chedeau 2 au 26 Juin 2009 «Web. De l intégration de pages statiques HTML à un CMS, à la dynamisation d un site grâce au Javascript et l utilisation de nouvelles technologies
Plus en détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
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 http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailApplication de la méthode de surface de réponse stochastique à l analyse de stabilité d un tunnel pressurisé
Application de la méthode de surface de réponse stochastique à l analyse de stabilité d un tunnel pressurisé Guilhem Mollon 1, Daniel Dias 2, Abdul-Hamid Soubra 3 1 Doctorant, Laboratoire de Génie Civil
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
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 détailModerniser. le système d information et le portefeuille applicatif. www.bull.com
Moderniser le système d information et le portefeuille applicatif L évolution technologique des plates-formes, l ouverture du système d information et la modernisation du portefeuille applicatif sont des
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 détailStage Ingénieur en développement logiciel/modélisation 3D
Ingénieur en développement logiciel/modélisation 3D Schlumberger recrute un(e) stagiaire ingénieur en modélisation 3D pour la plate-forme Petrel. Vous serez intégré(e) au sein d une équipe innovante, Petrel
Plus en détailQuantification et hiérarchisation des incertitudes dans un processus de simulation numérique
Proposition de thèse CIFRE CERMICS-EDF Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique 13 Janvier 2015 1 Contexte industriel et problématique En tant qu équipement
Plus en détailArchitecture distribuée
Architecture distribuée Conception et développement d algorithmes distribués pour le moteur Baboukweb Jean-Christophe DALLEAU Département de Mathématiques et Informatique Université de La Réunion 26 juin
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailovermind La solution précède le problème 2008 Overmind - All rights reserved
La solution précède le problème Société Overmind vous propose des solutions d optimisation, d anticipation, de pilotage global capables de prendre en compte l interdépendance des variables en terme de
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 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 détailCATALOGUE DE LA GAMME EASYFOLDER OFFRE GESTION DE CONTENUS NUMERIQUES
CATALOGUE DE LA GAMME EASYFOLDER OFFRE GESTION DE CONTENUS NUMERIQUES Gestion Electronique de Documents (GED) Système d Archivage Electronique (SAE) Coffre Fort Numérique (CFN) et modules complémentaires
Plus en détailWEB15 IBM Software for Business Process Management. un offre complète et modulaire. Alain DARMON consultant avant-vente BPM alain.darmon@fr.ibm.
WEB15 IBM Software for Business Process Management un offre complète et modulaire Alain DARMON consultant avant-vente BPM alain.darmon@fr.ibm.com Claude Perrin ECM Client Technical Professional Manager
Plus en détailWhite Paper - Livre Blanc
White Paper - Livre Blanc Développement d applications de supervision des systèmes d information Avec LoriotPro Vous disposez d un environnement informatique hétérogène et vous souhaitez à partir d une
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailConstruction et sécurisation d'un système Linux embarqué. Frédéric AIME faime@janua.fr 0 950 260 370
Construction et sécurisation d'un système Linux embarqué Frédéric AIME faime@janua.fr 0 950 260 370 Différentes approches Création d'une distribution From Scratch Nécessite un investissement intellectuel
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 détailMaster Data Management en Open Source C est le Bon Moment
Master Data Management en Open Source C est le Bon Moment White Paper Sommaire Introduction... 2 Les Pré Requis du Marché Open Source... 2 La Liberté... 3 Prédire les Effets de l Open Source sur le MDM...
Plus en détailOutils de traitements de logs Apache
Outils de traitements de logs Apache 1) Anonymisation des logs 2) Outil visuel d'exploration des données 3) Adaptation d'un robot 1 Anonymisation des logs Objectifs : Anonymiser les logs du point de vue
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 détailCommuniqué de Lancement. Sage Intégrale V4.50
Communiqué de Lancement Sage Intégrale V4.50 Nouvelle Version Majeure Avec près de 3000 entreprises clientes, l Intégrale est le Progiciel de Gestion Intégré le plus déployé en France, ce qui révèle toutes
Plus en détailStages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr
Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE Contact : Mme Lapedra, stage@isoft.fr ISoft, éditeur de logiciels, est spécialisé dans l informatique décisionnelle et l analyse de données. Son expertise
Plus en détailUN PROCEDE DE SUPERVISION ET TELESURVEILLANCE A DISTANCE : UN OUTIL PEDAGOGIQUE FAVORISANT L INITIATION AU TRAVAIL DE GROUPE
UN PROCEDE DE SUPERVISION ET TELESURVEILLANCE A DISTANCE : UN OUTIL PEDAGOGIQUE FAVORISANT L INITIATION AU TRAVAIL DE GROUPE Cyril Noirel (1), Didier Theilliol (2), Christophe Aubrun (3), Jean Christophe
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
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 détailTable des matières PRESENTATION DU LANGAGE DS2 ET DE SES APPLICATIONS. Introduction
PRESENTATION DU LANGAGE DS2 ET DE SES APPLICATIONS Depuis SAS 9.2 TS2M3, SAS propose un nouveau langage de programmation permettant de créer et gérer des tables SAS : le DS2 («Data Step 2»). Ces nouveautés
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailLaboratoire d Informatique, de Traitement de l Information et des Systèmes EA 4108. 3 établissements T. Paquet D. Olivier T. Lecroq A.
Laboratoire d Informatique, de Traitement de l Information et des Systèmes EA 4108 3 établissements T. Paquet D. Olivier T. Lecroq A. Benshrair 7 équipes Disciplines 27-61, 25-26-43-64 L. Heutte DocApp
Plus en détailParcours en deuxième année
Parcours en deuxième année Unités d Enseignement (UE) ECTS Ingénierie des réseaux haut 4 débit Sécurité des réseaux et 4 télécoms Réseaux mobiles et sans fil 4 Réseaux télécoms et 4 convergence IP Infrastructure
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
Plus en 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 détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détailAXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES
1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte
Plus en détailIntervenants. Thomas d'erceville Project Manager. Christian NGUYEN Practice Manager IT Quality
Intervenants Thomas d'erceville Project Manager Christian NGUYEN Practice Manager IT Quality 2 14/04/2015 De l'assurance qualité à l'ingénierie des tests logiciels 1. Contexte général des tests mobiles
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailProjet d informatique M1BI : Compression et décompression de texte. 1 Généralités sur la compression/décompression de texte
Projet d informatique M1BI : Compression et décompression de texte Le but de ce projet est de coder un programme réalisant de la compression et décompression de texte. On se proposera de coder deux algorithmes
Plus en détailOffres de stages 2011/2012
Offres de stages 2011/2012 RBS LE MEILLEUR DE L INTEGRATION ET DE L EDITION L informatique est devenue un outil stratégique de développement et de différenciation pour les organisations du 21ème siècle
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailRetour d expérience RATP. Intégrer le test de performance au cœur du processus de développement agile. Challenges, techniques, résultats.
Retour d expérience RATP Intégrer le test de performance au cœur du processus de développement agile. Challenges, techniques, résultats. Les intervenants Alexis Bourgeois Chef de projet MOE (front web)
Plus en détailGestion budgétaire et financière
Élaboration et suivi de la programmation budgétaire Exécution budgétaire et comptable Aide au pilotage et contrôle financier externe Expertise financière et juridique Ministère de la Culture et de la Communication
Plus en détailAnalyse,, Conception des Systèmes Informatiques
Analyse,, Conception des Systèmes Informatiques Méthode Analyse Conception Introduction à UML Génie logiciel Définition «Ensemble de méthodes, techniques et outils pour la production et la maintenance
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailpythonocc: une plateforme de développement agile d applications CAO.
pythonocc: une plateforme de développement agile d applications CAO. PyConFR 2009 Cité des Sciences et de l Industrie, Paris Thomas Paviot*, Jelle Feringa* *pythonocc project: tpaviot@gmail.com; jelleferinga@gmail.com
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 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 détailEric Bertrand ebertrand@ixis-cib.com. 08/11/06 Maître de conférence 1
Calcul parallèle des options MC. Eric Bertrand ebertrand@ixis-cib.com 1 Plan Contexte du calcul parallèle Qualités requises Architecture Outillage Problèmes rencontrés perspectives 2 Contexte du calcul
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailManuel d utilisation du site web de l ONRN
Manuel d utilisation du site web de l ONRN Introduction Le but premier de ce document est d expliquer comment contribuer sur le site ONRN. Le site ONRN est un site dont le contenu est géré par un outil
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailBOOK REFERENCES ERGONOMIQUES Gfi Informatique
2014 BOOK REFERENCES ERGONOMIQUES Gfi Informatique SECTEUR INDUSTRIE-SERVICE CHORUS 2 : Refonte du référentiel des process Groupe Refondre le réferentiel des process Groupe grâce à la réalisation d un
Plus en détailComment optimiser votre. utilisation de POM? 23 avril 2015
Comment optimiser votre utilisation de POM? 23 avril 2015 Vos interlocuteurs Antoine Omont Directeur des Opérations Techniques Julien Thomas Lead Développeur POM Pierrick Martel Marketing Produit Sophie
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailInstitut Supérieure Aux Etudes Technologiques De Nabeul. Département Informatique
Institut Supérieure Aux Etudes Technologiques De Nabeul Département Informatique Support de Programmation Java Préparé par Mlle Imene Sghaier 2006-2007 Chapitre 1 Introduction au langage de programmation
Plus en détail