Exemple 1 - heat shock protein beta 9. Comparaison de séquences deux à deux. Exemple 3 : domaine conservé. Exemple 2 - E.coli peptidyl trna hydrolase
|
|
- Adam Fortin
- il y a 6 ans
- Total affichages :
Transcription
1 Exemple 1 - heat shock protein beta 9 Comparaison de séquences deux à deux >human MQRVGNTFSN ESRVSRCPS VGLERNRV TMPVRLLRDS PQEDNDH RDGFQMKLD HGFPEELVV QVDGQWLMVT GQQQLDVRDP ERVSYRMSQK VHRKMLPSNL SPTMTCCLT PSGQLWVRGQ CVLLPEQ TGPSPRLGSL GSKSNLTR >mouse MQRVGSSFST GQREPGENRV SRCPSVL ERNQVTLPV RLLRDEVQGN GCEQPSFQIK VDQGFPED LVVRIDGQNL TVTGQRQHES NDPSRGRYRM EQSVHRQMQL PPTLDPMT CSLTPSGHLW LRGQNKCLPP PEQTGQSQK PRRGGPKSSL QNESVKNP Équipe Bonsai année 2013 human mouse 1 MQRVGNTFS------NESRVSRCPSVGLERNRVTMPVRLLRDSPQ ::. :. : :.. 1 MQRVGSSFSTGQREPGENRVSRCPSVLERNQVTLPVRLLRDE---V human 45 EDNDHRDGFQMKLDHGFPEELVVQVDGQWLMVTGQQQLDVRDPERVS :....:.. : :. : ::.. :.:..... mouse 48 QGNGCEQPSFQIKVDQGFPEDLVVRIDGQNLTVTGQRQHESNDPSRGR human 95 YRMSQKVHRKM-LPSNLSPTMTCCLTPSGQLWVRGQCVLLPEQTG.. : : mouse 98 YRMEQSVHRQMQLPPTLDPMTCSLTPSGHLWLRGQNKCLPPPEQTGQ human 144 S--PRLGSLGSKSNLTR :... mouse 148 SQKPRRG--GPKSSLQNESVKNP 168 similarité globale, alignement global Équipe Bonsai Comparaison de séquences deux à deux 1/39 Équipe Bonsai Comparaison de séquences deux à deux 2/39 Exemple 2 - E.coli peptidyl trn hydrolase Exemple 3 : domaine conservé E : Salmonella typhimurium LT2, section 83 of 220 of the complete genome bp e.coli : Escherichia coli peptidyl trn hydrolase. 585 bp >HEN1 HUMN MMLNSDTMELDLPPTHSETESGFSDCGGGGPDGGPGGPGGGQRGPEPGEPGRKDLQHLSREERRRRR RTKYRTHTRERIRVEFNLFELRKLLPTLPPDKKLSKIEILRLICYISYLNHVLDV >HES5 MOUSE MPSTVVEMLSPKEKNRLRKPVVEKMRRDRINSSIEQLKLLLEQEFRHQPNSKLEKDILEMVSYLK HSKFGPKSLHQDYSEGYSWCLQEVQFLTLHSDTQMKLLYHFQRPPPPKEPPPGPQ PRSSKVSTSRQPCGLWRPW E TCGGCCGTGGCTTTTGTTGTTGGTCTGGCGTCCC TGGTCTCCCTCCGGGCGTCGCGTTTCTTGGCGGCGGCCCGGC e.coli 1 gtgacgattaaattgattgtcggcctggcgaacccc 287 tggatctgcctcctggcgtcgccaaatttaaattgggcggtggccatggt E GGTGCGGTTGCCGCGCGCGCCTGCGGCGCTGGTCGTCG GGCCCTGGTCTGGCTCTCGCGCTGGGCTTCCC e.coli 37 ggtgctgaatacgccgcaacgcgacataatgctggtgcctggttcgttga 337 ggtcacaatggactgaaagacatcatcagtaaattgggtaataaccctaa E TTTCTGGCGGGCGCCTGCGCGCGCCGTTGCGTGGGCCTTTCT CTTTCCCGTTCGCGTTGGTTGGTCTCCGGCGTTG e.coli 87 cttactggcagagcgtttgcgcgctccgctgcgcgaagaggctaaattct 387 ctttcaccgtttacgcatcggaatcggtcatccgggcgataaaaataaag HEN1 H PDKKLSKIEILRLICYISY :..::.:.::..:. :... HES5 M PNSKLEKDILEMVSYLKH E TTGGCTTCCTCCGCTCCGCTGGGGGGGTGTTCGCCTGCTG TTGTTGGTTTCGTGCTGGGTCCCCCTGTTTCTGCTTTT e.coli 137 ttggttatacttcgcgagtcactcttggaggcgaagatgtccgcctgtta 437 ttgtcggttttgtgttaggcaaaccgcctgttagtgaacagaagttaatt E GTCCCCCCGTTCTGCCTCGTGGTGCGTTGGCGCTGGC GTGGGCCTTGCGGCGGCCGCTGTCGGTTGTGGTTCG e.coli 187 gtcccgactacatttatgaatctcagcggcaaagccgttgcggcgatggc 487 gatgaagccattgacgaagcggcgcgttgtactgaaatgtggtttacaga E CGTTTTTCCGTTTCGCCGGCGTTTTGGTCGCTCCGCGGC GGGTCTGGCCGCCGCCGTTTGCTCCTTTGGCGCTC e.coli 237 cagttttttccgcattaatccggacgaaattctggtggcccacgacgaac 537 tggcttgaccaaagcaacgaaccgattgcacgcctttaaagcgcaataa similarité globale sur une partie, alignement semi-global Équipe Bonsai Comparaison de séquences deux à deux 3/39 similarité sur une sous-partie, alignement local Équipe Bonsai Comparaison de séquences deux à deux 4/39 Pourquoi comparer des séquences? Dotplot quelques problèmes rassembler un ensemble de fragments d DN séquencés (fragment assembly) recherche d homologie (entre gènes) trouver des régions similaires (domaines protéiques) identifier les positions introns/exons (comparaison d un gène à son RNm) un outil graphique pour la comparaison principe mettre les séquences le long des axes d une matrice mettre un point là où il y a un match une diagonale (une suite de points en diagonale) une région similaire Équipe Bonsai Comparaison de séquences deux à deux 5/39 Équipe Bonsai Comparaison de séquences deux à deux 6/39
2 Dotplot - exemple Dotplot match (identité) mismatch C T C G G C T T C G C T T G G T T G deux genes... et leurs proteines. Équipe Bonsai Comparaison de séquences deux à deux 7/39 problème de bruit (filtrage trop faible) Équipe Bonsai Comparaison de séquences deux à deux 8/39 Dotplot - Filtrage blocs d identité idée : ne représenter que des fenêtres exactes et de longueur fixe exemple de programme : dottup très sélectif et peu sensible blocs de similarité avec un seuil de score (Maizel & Lenk ) idée : ne représenter que des fenêtres possédant un score supérieur à un seuil exemple de programme : dotmatcher bonne sélectivité et bonne sensibilité filtrer les blocs pour éliminer ceux qui se chevauchent idée : observez la ressemblance globale exemple de programme : dotpath accorder un poids physico-chimique aux matchs (Staden ) variation de l intensité, ne pas se contenter de et prise en compte des propriétés des acides aminés Équipe Bonsai Comparaison de séquences deux à deux 9/39 Dotplot : taille des mots et seuil taille 10 et 20, seuil de 1% à 100% 1 match 50% 80% 100% Équipe Bonsai Comparaison de séquences deux à deux 10/39 Dotplot : dotpath Dotplot : repérer des similarités locales dotpath finds all matches of size wordsize or greater between two sequences. It then reduces the matches found to the minimal set of long matches that do not overlap. This is a way of finding the (nearly) optimal path aligning two sequences. It is not the true optimal path as produced by the algorithms used in water or needle, but for very closely related sequences it will produce the same result and will work well with very long sequences Équipe Bonsai Comparaison de séquences deux à deux 11/39 horizontalement : séquence nucléaire du gène de l actine de muscle de Pisaster ochraceus verticalement : cdn de ce même gène Équipe Bonsai Comparaison de séquences deux à deux 12/39
3 Dotplot : repérer des répétitions Dotplot : son information Sur une seule séquence et son complémentaire inversé 1 répétition en tandem (micro/mini-satellite) 2 palindrome protéine ribosomale S1 de Escherichia Coli sur elle-même Équipe Bonsai Comparaison de séquences deux à deux 13/39 Équipe Bonsai Comparaison de séquences deux à deux 14/39 Dotplot : inv. centrées sur origine de réplication Entre deux séquences (même espèce ou espèces proches) : Dotplot : inv. centrées sur origine de réplication Entre deux séquences (même espèce ou espèces proches) : inversion d un segment ( palindrome) (génomes de Tropheryma whipplei) Équipe Bonsai Comparaison de séquences deux à deux 15/39 (génomes de Yersinia pestis / Escherichia coli) Équipe Bonsai Comparaison de séquences deux à deux 16/39 Dotplot : inv. centrées sur origine de réplication Dotplot : avantages et inconvénients Entre deux séquences (même espèce ou espèces proches) : les plus : simple très informatif les moins : interprétation pas de mesure objective identification pas de méthode de détection automatique besoin d une mesure quantitative de similarité (génomes de Yersinia pestis / Escherichia coli) (génomes de Escherichia coli / Escherichia fergusonii) Équipe Bonsai Comparaison de séquences deux à deux 17/39 Équipe Bonsai Comparaison de séquences deux à deux 18/39
4 lignement lignement 3 types d alignement global match sur deux séquences complètes. local match sur des sous-séquences semi-global chevauchements Équipe Bonsai Comparaison de séquences deux à deux 19/39 données : une paire de séquences (DN / protéine) une schéma de score : comment compter ce qui se ressemble? but : déterminer le degré de similarité (meilleur score) montrer la similarité (meilleur alignement) décrit la ressemblance grâce à 3 opérations (mutations ponctuelles) insertion délétion identité/substitution mesure la ressemblance en donnant un poids à chaque opération poids positif ( récompense ) aux bonnes parties de l alignement e.g appariement de deux lettres identiques ou proches poids négatif ou nul ( pénalité ) aux mauvaises parties de l alignement e.g appariement de deux lettres non relatés, non-appariement Équipe Bonsai Comparaison de séquences deux à deux 20/39 Composantes d un schéma de scores Comment calculer le meilleur alignement? score (ou poids) pour une identité/substitution : matrice s de similarité exemple : s(a, b) = score d alignement des nucléotides a et b score (ou poids) d un indel (insertion/délétion) exemple : score unitaire = 2 par indel score de l alignement = somme des scores des événements élémentaires exemple : C G T C G T C G T - G = 4 Équipe Bonsai Comparaison de séquences deux à deux 21/39 prenons 2 séquences de longueur n toutes les deux : alignement de longueur maximale 2n exemple avec les séquences T et C T C T/ C / C /C T T/C /C T/ /C /C / / T T/ / T/ / / / T C T- T- -T -C C- C- -T T- T- C- -C C- T-- --C --T C-- T-- -T- -T- -C- C-- C-- une suite de couples de lettres en suivant les flèches donne un alignement Équipe Bonsai Comparaison de séquences deux à deux 22/39 Difficulté du problème lignement global nombre max d alignements (séq. de lg n) ( 2n n ) = (2n)! (n!) 2 22n 2πn pour deux séquences de longueur 100 : alignements grâce à la représentation en tableau : complexité en temps et en espace O(n 2 ) (proportionnel au produit de la longueur des séquences) pour deux séquences de longueur 100 : opérations Needleman & Wunsch, 1970 évaluation d une ressemblance globale entre deux séquences recherche du meilleur alignement global. Équipe Bonsai Comparaison de séquences deux à deux 23/39 Équipe Bonsai Comparaison de séquences deux à deux 24/39
5 lignement local lignement semi-global Smith & Waterman, 1981 évaluation d une ressemblance locale entre deux séquences recherche de la région de plus forte similarité. alignement global G G C T G C C C C - T T G - T C C T T C C T G alignement local G C C C C T T G T C - C T T G G C T G C C C C T T G T C C T T C T G les séquences présentent une similarité que l alignement global ne révèle pas CGCCTTGGTTCTCGG CGC-----G-T----GG CGC-CTTGGTTCTCGG ---CGCGTGG l alignement global préfère le 1er alignement l alignement semi-global préfère le 2eme alignement Équipe Bonsai Comparaison de séquences deux à deux 25/39 Équipe Bonsai Comparaison de séquences deux à deux 26/39 lignement semi-global Pénalité associée aux gaps Principe ne pénalise pas les gaps (séries d indels) aux extrémités sinon, similaire à l alignement global permet de détecter des similarités de ce type : fonctions de gaps différentes algorithmes différents la plus simple fonction linéaire : g l ( l : longueur du gap) fonctions plus réalistes : fonctions affines : o + e l o : pénalité d ouverture de gap e : pénalité d extension de gap fonctions logarithmiques Équipe Bonsai Comparaison de séquences deux à deux 27/39 Équipe Bonsai Comparaison de séquences deux à deux 28/39 Influence du jeu de scores sur l alignement Comment bien choisir? jeux de score B C D Match Cost Mismatch Cost Gap Open Penalty (o) Gap Extension Penalty (e) TGCGGGCTG L1 : (7 matches, 2 mismatches, 1 gap of 1 bp, 1 gap of 2 bp) GGCG--CC-TG TGCGGGCTG L2 : (7 matches, 2 mismatches, 1 gap of 1 bp, 1 gap of 2 bp) GGCGC--C-TG TGCGGGCTG L3 : (7 matches, 2 mismatches, 1 gap of 3 bp) GGCG---CCTG TGCGGGCTG L4 : (7 matches, 2 mismatches, 3 gaps of 1 bp) GGCG-C-C-TG peu de connaissance a priori spécificité aux données valeurs typiques pour une fonction de gap affine 0.5 < o < < e < 1.0 toujours prendre (en valeur absolue) o > 1 2 substitution CCTG--CGT-GC CCTGCGTGC CCT-C-TCGT-TGC CCTCTCGTTGC poids naturels (Thorne, Kishino & Felsenstein, 1991) estimation de la vraisemblance que les deux séquences proviennent du même ancêtre Équipe Bonsai Comparaison de séquences deux à deux 29/39 Équipe Bonsai Comparaison de séquences deux à deux 30/39
6 Evaluer la qualité d un alignement? Quelques principes informels C C T G C G T G C C C G T G C G T - - T C C C T G C G T G C C C - - T G C G T G C C T T G C G T - G C - - C T C C T C G C T - C G C C C T G C G T G C C C T G - - C G T G C robustesse aux paramètres choisis pour le calcul du score On peut douter d un alignement si de faibles changements (environ 10%) dans l établissement des pénalités d insertion-délétion modifient sensiblement cet alignement. fréquence des indels On peut douter d un alignement s il nécessite plus d une insertion en moyenne pour 20 acides aminés. deux séquences nucléiques d au moins 100 bases et identiques à 50% n ont pas forcément de relation biologique. des séquences protéiques de 100 résidus ou plus, possèdant au moins 25% d identité entre elles ont certainement un ancêtre commun (Doolittle, PDB). Équipe Bonsai Comparaison de séquences deux à deux 31/39 Équipe Bonsai Comparaison de séquences deux à deux 32/39 Le pourcentage d identité pproche empirique dépend de la composition en bases, ou acides aminés dépend de la longueur des séquences Une fausse bonne idée test de la robustesse du score S : score de l alignement entre U et V méthode 1. Génération de 100 (200, 1000,...) permutations de V (même longueur, même composition) 2. lignements avec U 3. Distribution des scores d alignement Où se situe S dans cette distribution? Équipe Bonsai Comparaison de séquences deux à deux 33/39 Équipe Bonsai Comparaison de séquences deux à deux 34/39 Exemple Exemple lignement local pour CCGTGCGTTC et CCTGCGTGC C C G T G C G T C C - - T G C G T score du meilleur alignement local : 16 score s-w 0 0 : :================================== :========================================= :==================================== :========= 20 7 :== 24 8 :== 28 2 : 32 0 : 36 0 : 40 0 : 44 0 : 500 séquences aléatoires 48 0 : Human alpha haemoglobin (141 aa) vs. Human myoglobin (153 aa) VLSPDKTNVKWGKVGHGEYGELERMFLSFPTTKTYFPHF-DLS-----HGSQVKGHGKKVDLTNVHVDDMPNLSL ::.. :..::::.:...:.:.: :.:. :.:. :.:.:...:...: ::.:.:: : GLSDGEWQLVLNVWGKVEDIPGHGQEVLIRLFKGHPETLEKFDKFKHLKSEDEMKSEDLKKHGTVLTLGGILKKKGHHEEIKPL SDLHHKLRVDPVNFKLLSHCLLVTLHLPEFTPVHSLDKFLSVSTVLTSKYR :: :.....:.:...:... :..:...: :.....:.:. QSHTKHKIPVKYLEFISECIIQVLQSKHPGDFGDQGMNKLELFRKDMSNYKELGFQG Chicken lysozyme (129 aa) vs. Bovine ribonuclease (124 aa) KVFGRCELMKRHGLDNYRGYSLGNWVCKFESNFNTQTNRNTDGSTDYGILQINSRWWCNDGRTP--GSRNLCNIPCSLLSSD :. ::..:..:..... :...:. : : :..:...: KET----KFERQHMDSSTSSSSNYCNQMMKSRNLTKDRCKPVNTFVHESLDVQV--CSQKNVCKNGQTNCYQSYSTMSITD ITSVNCKKIVSDGDGMNWVWRNRCKGTDVQWIRGCRL.....:.....: :.:..... CRET-GSSKYPNCYKTTQNKHIIVCEGNPYVPVHFDSV Équipe Bonsai Comparaison de séquences deux à deux 35/39 Équipe Bonsai Comparaison de séquences deux à deux 36/39
7 PRSS sur les globin PRSS : Probability of Random Shuffle Sequence < : : one = represents 1 library sequences : : : :* :==* :======*== :==============*========== :========================*============ :============================= * :================================= * :=============================================*===== :========================================= * :================================ * :========================================*========== :=============================== * :======================== * :=========================*==== :================== * :================*======= :=============*===== :==== * :========*= :===== * :====* :===*=== :==* :==* :=*= :=* :* :* :* :* : unshuffled s-w score: := For 500 sequences, a score >= 177 is expected 3.096e-06 times : PRSS poulet/bovin PRSS : Probability of Random Shuffle Sequence < : : one = represents 1 library sequences : : : :* :==* :======*== :==============*== :========================* :=================================*= :=========================================*== :=============================================*=========== :==============================================*=== :============================================* :========================================*==== :========================= * :============================ * :==================== * :====================*=== :================* :========== * :======== * :========*= :=== * :====*= :===*== :==* :==* :=* :=*=== :* :* :*= :* : : unshuffled s-w score: := For 500 sequences, a score >= 43 is expected times : Équipe Bonsai Comparaison de séquences deux à deux 37/39 Équipe Bonsai Comparaison de séquences deux à deux 38/39 pproche statistique Definition (E-value) Nombre de fois attendu de trouver un alignement de score supérieur à S par hasard quand on aligne une séquence de longueur n avec une séquence de longueur m. décrit le bruit aléatoire qui existe lorsque on aligne des séquences croit de manière proportionnelle en fonction de n et de m décroit de manière exponentielle en fonction du score S plus la E-value est proche de 0, plus la similarité est significative Équipe Bonsai Comparaison de séquences deux à deux 39/39
La gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST.
La gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST. Gaël Le Mahec - p. 1/12 L algorithme BLAST. Basic Local Alignment Search Tool est un algorithme de recherche
Plus en détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
Plus en détailIMMUNOLOGIE. La spécificité des immunoglobulines et des récepteurs T. Informations scientifiques
IMMUNOLOGIE La spécificité des immunoglobulines et des récepteurs T Informations scientifiques L infection par le VIH entraîne des réactions immunitaires de l organisme qui se traduisent par la production
Plus en détailPerl Orienté Objet BioPerl There is more than one way to do it
Perl Orienté Objet BioPerl There is more than one way to do it Bérénice Batut, berenice.batut@udamail.fr DUT Génie Biologique Option Bioinformatique Année 2014-2015 Perl Orienté Objet - BioPerl Rappels
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailLe signal GPS. Les horloges atomiques à bord des satellites GPS produisent une fréquence fondamentale f o = 10.23 Mhz
Le signal GPS Les horloges atomiques à bord des satellites GPS produisent une fréquence fondamentale f o = 10.23 Mhz Deux signaux en sont dérivés: L1 (fo x 154) = 1.57542 GHz, longueur d onde = 19.0 cm
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailLe No.1 de l économie d énergie pour patinoires.
Le No.1 de l économie d énergie pour patinoires. Partner of REALice system Economie d énergie et une meilleure qualité de glace La 2ème génération améliorée du système REALice bien connu, est livré en
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailCryptographie. Cours 3/8 - Chiffrement asymétrique
Cryptographie Cours 3/8 - Chiffrement asymétrique Plan du cours Différents types de cryptographie Cryptographie à clé publique Motivation Applications, caractéristiques Exemples: ElGamal, RSA Faiblesses,
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 détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailOnce the installation is complete, you can delete the temporary Zip files..
Sommaire Installation... 2 After the download... 2 From a CD... 2 Access codes... 2 DirectX Compatibility... 2 Using the program... 2 Structure... 4 Lier une structure à une autre... 4 Personnaliser une
Plus en détailInstructions Mozilla Thunderbird Page 1
Instructions Mozilla Thunderbird Page 1 Instructions Mozilla Thunderbird Ce manuel est écrit pour les utilisateurs qui font déjà configurer un compte de courrier électronique dans Mozilla Thunderbird et
Plus en détailInstitut français des sciences et technologies des transports, de l aménagement
Institut français des sciences et technologies des transports, de l aménagement et des réseaux Session 3 Big Data and IT in Transport: Applications, Implications, Limitations Jacques Ehrlich/IFSTTAR h/ifsttar
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailComment Définir une Plage de données Pour Utiliser Fonctions de Filtres et de Tris
Comment Définir une Plage de données Pour Utiliser Fonctions de Filtres et de Tris Diffusé par Le Projet Documentation OpenOffice.org Table des matières 1. Définir les plages...3 2. Sélectionner une plage...4
Plus en détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailMedia Pack. À propos de nous. Statistiques par mois. Pourquoi préférer IT Job Board? Références
Media Pack À propos de nous IT Job Board a été créé en 2002 en Angleterre et est devenu l un des grands spécialistes dans la recherche et la sélection de personnel IT en Europe. Avec en moyenne un peu
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 détailPréparer un état de l art
Préparer un état de l art Khalil DRIRA LAAS-CNRS, Toulouse Unité de recherche ReDCAD École Nationale d ingénieurs de Sfax Étude de l état de l art? Une étude ciblée, approfondie et critique des travaux
Plus en détailFace Recognition Performance: Man vs. Machine
1 Face Recognition Performance: Man vs. Machine Andy Adler Systems and Computer Engineering Carleton University, Ottawa, Canada Are these the same person? 2 3 Same person? Yes I have just demonstrated
Plus en détailApplication Form/ Formulaire de demande
Application Form/ Formulaire de demande Ecosystem Approaches to Health: Summer Workshop and Field school Approches écosystémiques de la santé: Atelier intensif et stage d été Please submit your application
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailLIVRE BLANC Pratiques recommandées pour l utilisation de Diskeeper sur les réseaux SAN (Storage Area Networks)
LIVRE BLANC Pratiques recommandées pour l utilisation de Diskeeper sur les réseaux SAN (Storage Area Networks) Think Faster. [Pensez plus vite] Visitez Condusiv.com RECOMMANDATIONS D UTILISATION DE DISKEEPER
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en 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 détailE-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement.
E-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement. N.Bard, S.Boin, F.Bothorel, P.Collinet, M.Daydé, B. Depardon, F. Desprez, M.Flé, A.Franc, J.-F. Gibrat, D.
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailFiltres passe-bas. On utilise les filtres passe-bas pour réduire l amplitude des composantes de fréquences supérieures à la celle de la coupure.
Filtres passe-bas Ce court document expose les principes des filtres passe-bas, leurs caractéristiques en fréquence et leurs principales topologies. Les éléments de contenu sont : Définition du filtre
Plus en détailCEST POUR MIEUX PLACER MES PDF
CEST POUR MIEUX PLACER MES PDF ==> Download: CEST POUR MIEUX PLACER MES PDF CEST POUR MIEUX PLACER MES PDF - Are you searching for Cest Pour Mieux Placer Mes Books? Now, you will be happy that at this
Plus en détailAlgorithmique répartie
Université Joseph Fourier 23/04/2014 Outline 1 2 Types de communication message envoyé à un groupe de processus Broadcast (diffusion) message envoyé à tous les processus du systèmes Unicast message envoyé
Plus en détailTROIS ASPECTS DE LA COMPARAISON ALLEMAGNE-FRANCE SUR L ELECTRICITE
TROIS ASPECTS DE LA COMPARAISON ALLEMAGNE-FRANCE SUR L ELECTRICITE B. Laponche 2 juin 2014 Voir en annexe la présentation de la politique énergétique allemande * 1. Sur la consommation d électricité des
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 détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailRésonance Magnétique Nucléaire : RMN
21 Résonance Magnétique Nucléaire : RMN Salle de TP de Génie Analytique Ce document résume les principaux aspects de la RMN nécessaires à la réalisation des TP de Génie Analytique de 2ème année d IUT de
Plus en détailBig data : vers une nouvelle science des risques?
Big data : vers une nouvelle science des risques? Serge Abiteboul INRIA et ENS Cachan Conseil national du numérique et Académie des sciences Big data et science des risques 1 Organisation Big data en bref
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
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 détailSéquence 6. Mais ces espèces pour autant ne sont pas identiques et parfois d ailleurs ne se ressemblent pas vraiment.
Sommaire Séquence 6 Nous avons vu dans les séances précédentes qu au cours des temps géologiques des espèces différentes se sont succédé, leur apparition et leur disparition étant le résultat de modifications
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
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 détailPost-processing of multimodel hydrological forecasts for the Baskatong catchment
+ Post-processing of multimodel hydrological forecasts for the Baskatong catchment Fabian Tito Arandia Martinez Marie-Amélie Boucher Jocelyn Gaudet Maria-Helena Ramos + Context n Master degree subject:
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailAlgorithmique des Systèmes Répartis Protocoles de Communications
Algorithmique des Systèmes Répartis Protocoles de Communications Master Informatique Dominique Méry Université de Lorraine 1 er avril 2014 1 / 70 Plan Communications entre processus Observation et modélisation
Plus en détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailMESURES D UN ENVIRONNEMENT RADIOELECTRIQUE AVEC UN RECEPTEUR CONVENTIONNEL ETALONNE
Jacques Mézan de Malartic / F2MM MESURES D UN ENVIRONNEMENT RADIOELECTRIQUE AVEC UN RECEPTEUR CONVENTIONNEL ETALONNE 1- Objectif des mesures (Page 1) 1-1 Critères de qualité radio 1-2 Principe des mesures
Plus en détailwww.imprimermonlivre.com
0 www.imprimermonlivre.com Composition d une couverture avec Word L objectif de ce guide est de vous proposer un mode opératoire pour créer une couverture avec Word. Nous vous rappelons toutefois que Word
Plus en détail1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles)
1/4 Objectif de ce cours /4 Objectifs de ce cours Introduction au langage C - Cours Girardot/Roelens Septembre 013 Du problème au programme I passer d un problème exprimé en français à la réalisation d
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détail3. Artefacts permettant la mesure indirecte du débit
P-14V1 MÉTHODE DE MESURE DU DÉBIT D UN EFFLUENT INDUSTRIEL EN CANALISATIONS OUVERTES OU NON EN CHARGE 1. Domaine d application Cette méthode réglemente la mesure du débit d un effluent industriel en canalisations
Plus en détailF-7a-v3 1 / 5. 7. Bourses de mobilité / Mobility Fellowships Formulaire de demande de bourse / Fellowship Application Form
F-7a-v3 1 / 5 7. Bourses de mobilité / Mobility Fellowships Formulaire de demande de bourse / Fellowship Application Form Nom de famille du candidat Langue de correspondance Français Family name of participant
Plus en détailCompter à Babylone. L écriture des nombres
Compter à Babylone d après l article de Christine Proust «Le calcul sexagésimal en Mésopotamie : enseignement dans les écoles de scribes» disponible sur http://www.dma.ens.fr/culturemath/ Les mathématiciens
Plus en détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailGénétique et génomique Pierre Martin
Génétique et génomique Pierre Martin Principe de la sélections Repérage des animaux intéressants X Accouplements Programmés Sélection des meilleurs mâles pour la diffusion Index diffusés Indexation simultanée
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
Plus en détailM2-Images. Rendu Temps Réel - OpenGL 4 et compute shaders. J.C. Iehl. December 18, 2013
Rendu Temps Réel - OpenGL 4 et compute shaders December 18, 2013 résumé des épisodes précédents... création des objets opengl, organisation des données, configuration du pipeline, draw,... opengl 4.3 :
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en 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 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 détailDétection des duplications en tandem au niveau nucléique à l'aide de la théorie des flots
Université Toulouse 3 Paul Sabatier(UT3 Paul Sabatier) Informatique Spécialité Bioinformatique Eric AUDEMARD lundi 28 novembre 2011 Détection des duplications en tandem au niveau nucléique à l'aide de
Plus en détail1.2 Coordinence. Notion de liaison de coordinence : Cas de NH 3. et NH 4+ , 3 liaisons covalentes + 1 liaison de coordinence.
Règle de l octet : tendance qu on les atomes à s entourer de 8 électrons dans l édifice moléculaire. Ce n est pas une règle générale. Composés respectant la règle de l octet Composés ne respectant pas
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailCETTE FOIS CEST DIFFERENT PDF
CETTE FOIS CEST DIFFERENT PDF ==> Download: CETTE FOIS CEST DIFFERENT PDF CETTE FOIS CEST DIFFERENT PDF - Are you searching for Cette Fois Cest Different Books? Now, you will be happy that at this time
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailhttp://mondomaine.com/dossier : seul le dossier dossier sera cherché, tous les sousdomaines
Principales fonctionnalités de l outil Le coeur du service suivre les variations de position d un mot-clé associé à une URL sur un moteur de recherche (Google - Bing - Yahoo) dans une locale (association
Plus en détailCHAPITRE 3 LA SYNTHESE DES PROTEINES
CHAITRE 3 LA SYNTHESE DES ROTEINES On sait qu un gène détient dans sa séquence nucléotidique, l information permettant la synthèse d un polypeptide. Ce dernier caractérisé par sa séquence d acides aminés
Plus en détailJournée SITG, Genève 15 octobre 2013. Nicolas Lachance-Bernard M.ATDR Doctorant, Laboratoire de systèmes d information géographique
Monitorint spatio-temporel intégré de la mobilité urbaine Monitoring spatio-temporel de l ADN urbain Une réponse aux défis, problèmes, enjeux et risques des milieux urbains Nicolas Lachance-Bernard M.ATDR
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailPrincipes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch
Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels
Plus en détailAPPENDIX 6 BONUS RING FORMAT
#4 EN FRANÇAIS CI-DESSOUS Preamble and Justification This motion is being presented to the membership as an alternative format for clubs to use to encourage increased entries, both in areas where the exhibitor
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailBase de données bibliographiques Pubmed-Medline
Chapitre 1 ; Domaine 1 ; Documentation ; Champs référentiels 1.1.1, 1.1.2 et 1.1.3 Base de données bibliographiques Pubmed-Medline D r Patrick Deschamps,, 30 mai 2007 PLAN C2i métiers de la santé Introduction
Plus en détailMicro-ordinateurs, informations, idées, trucs et astuces utiliser le Bureau à distance
Micro-ordinateurs, informations, idées, trucs et astuces utiliser le Bureau à distance Auteur : François CHAUSSON Date : 8 février 2008 Référence : utiliser le Bureau a distance.doc Préambule Voici quelques
Plus en détailProjet audio. Analyse des Signaux ELE2700
ÉCOLE POLYTECHNIQUE DE MONTRÉAL Département de Génie Électrique Projet audio Analyse des Signaux ELE2700 Saad Chidami - 2014 Table des matières Objectif du laboratoire... 4 Caractérisation du bruit...
Plus en détailSysFera. Benjamin Depardon
SysFera Passage d applications en SaaS Benjamin Depardon CTO@SysFera SysFera Technologie 2001 Création 2010 Spin Off INRIA Direction par un consortium d investisseurs 12 personnes 75% en R&D Implantation
Plus en détailEnseignement secondaire technique
Enseignement secondaire technique Régime technique Division technique générale Cycle moyen Informatique 11TG Nombre de leçons: 2.0 Nombre minimal de devoirs: - Langue véhiculaire: / Remarque générale:
Plus en détailPlan 1/9/2013. Génération et exploitation de données. CEP et applications. Flux de données et notifications. Traitement des flux Implémentation
Complex Event Processing Traitement de flux de données en temps réel Romain Colle R&D Project Manager Quartet FS Plan Génération et exploitation de données CEP et applications Flux de données et notifications
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 détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailNORME INTERNATIONALE INTERNATIONAL STANDARD. Dispositifs à semiconducteurs Dispositifs discrets. Semiconductor devices Discrete devices
NORME INTERNATIONALE INTERNATIONAL STANDARD CEI IEC 747-6-3 QC 750113 Première édition First edition 1993-11 Dispositifs à semiconducteurs Dispositifs discrets Partie 6: Thyristors Section trois Spécification
Plus en détailConcurrence imparfaite
Concurrence imparfaite 1. Le monopole 2. Concurrence monopolistique 3. Hotelling et Salop 4. Concurrence à la Cournot 5. Concurrence à la Bertrand 6. Concurrence à la Stackelberg Monopole Un monopole,
Plus en détail