Une comparaison de méthodes de discrimination des masses de véhicules automobiles

Dimension: px
Commencer à balayer dès la page:

Download "Une comparaison de méthodes de discrimination des masses de véhicules automobiles"

Transcription

1 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

2 Enquêtes en clientèle dans l automobile Dimensionnement fiabiliste des structures automobiles enquêtes en clientèle. Mesures d accélérations et de vitesse. La route est inconnue modélisation dynamique impossible. p.2/34

3 p.3/34 Identification de la classe de masse acceleration (m/s 2 ) m2 5% m2 = 331 kg m2 2% acceleration (m/s 2 ) m2 5% m2 = 331 kg m2 2% time (sec.) expl. de signaux time (sec.) (zoom) Un problème type : identification de la classe de masse d un véhicule à partir des signaux mesurés. Puis, identification des efforts transmis, calcul en fatigue des pièces,....

4 p.4/34 Données expérimentales 4 minutes d enregistrement sur un circuit routier pour trois masses, et. Mesures des accélérations verticales aux 4 pivots de roues accélérations longitudinales, transverses et verticales au centre de gravité mesures de vitesses longitudinales.

5 p.5/34 Identification de systèmes x méthode f(;w) expériences nouveau w f(x;w) optimiseur m distance et connus à travers une base d expériences de taille finie Avantages : Seules les entrées et sorties sont nécessaires (utilisable sans modèle physique). Offre un cadre probabiliste à la modélisation. Une fois identifié, la méthode (classeur ici) est d exécution rapide..

6 p.6/34 Identification de systèmes (2) Mais : Nécessité d une base expérimentale importante. Interprétation physique indirecte : choix des entrées et de la structure du modèle. L. Ljung, System identification: theory for the user, Prentice Hall, G. Saporta, Probabilités, analyse des données et statistique, Technip, 199. R. O. Duda, P. E. Hart et D. G. Stork, Pattern classification, John Wiley and Sons, 2.

7 p.7/34 Principe de la discrimination par masses Plus de 1 points de mesures à traiter pour estimer la masse trop de paramètres pour une identification directe. Les mesures sont traitées par intervalles de durée. signaux masses intervalle i-1 intervalle i intervalle i1 M i-1 choix des variables explicatives discrimination M i M i1 cumul (règle du plus grand nombre de votants) M^

8 p.8/34 Cumul des intervalles La masse finale associée aux mesures est celle la plus représentée dans les intervalles. Si la prob. de succès sur 1 intervalle succès cumulée croît rapidement avec., la prob. de 1 prob. de succès cumulée.8.6 p=.5 p=.6 p=.7 p= nb. d intervalles

9 F ;! 1H G $#" * : # p.9/34 Variables d entrées Les 4 premiers moments statistiques, (vit. uniquement) &(' % &()$ 2 1 / #,.-, La moyenne des minima et maxima des signaux, chaque extremum étant relatif à un horizon de L énergie du signal sur la plage de fréquence <=?> BC Les moments relatifs d ordre 1 à 4 de la DSP,,. BC / <=?> E D / 7 signaux d accélérations et 1 de vitesses, variables d entrées potentielles. 2 1, 81%'9., 763 # 543 et

10 p.1/34 Des optimisations à 4 niveaux On cherche le meilleur jeu [variables d entrées / classeur] pour identifier la masse. Il y a 4 niveaux d optimisation : 1. Choix des variables explicatives (définition de l espace de recherche). 2. Choix d un critère de discrimination (d une méthode ou classeur). 3. Choix d un niveau de complexité du classeur. 4. Choix des paramètres (autres que ceux qui contrôlent la complexité).

11 p.11/34 Complexité et variance d un classeur complexité : taille de l espace des. f* f* f* f* x g faible complexité forte complexité x g régularisation : stabilisation de l espace des solutions par introduction d a priori. variance : mesure quadratique de la dépendance de à la base expérimentale. x o x o fonction génératrice g faible variance forte variance I x o

12 O L M N p.12/34 Contrôle de complexité Contrôle de la structure de polynôme.. Expl. : choix du degré d un Régularisation : ajouter un terme idépendant de l identification du système, dans distance KJ Utilisation d une erreur de validation : les données sont séparées en un ensemble d apprentissage qui sert à règler et un ensemble de validation qui sert à calculer l erreur. But : s affranchir du biais introduit par la taille finie des données, ne pas apprendre le bruit. Validation croisée.,

13 p.13/34 Contrôle de complexité (2) Exemple d utilisation d erreur de validation : arrêt prématuré dans les réseaux de neurones Réseau de Neurones 2 Erreur d Apprentissage Erreur de Validation Erreur Quadratique Moyenne Nb d itérations le réseau de la troisième itération est utilisé.

14 p.14/34 Choix de l espace de recherche 1. Analyse discriminante. 2. Sélection de variables. 3. (Choix de l intervalle de traitement ).

15 G P & W V/ /U Y Y W Z Z # W # # # Y D \ # \ # Analyse discriminante (Choix de l espace de recherche) Recherche de,, nouvelles variables, combinaisons linéaires des, qui séparent en projection les classes observées. Soient, et 4 la mat. de cov. intraclasses, R 7S /U T > la mat. de cov. interclasses, la mat. de cov. totale,. YJ V/ X W V VU V VU 4> Q.- 4 V/ /U V/ /U 4 /- 4 Trouver interclasse, axes WY[# qui maximisent, après projection, l inertie et minimisent l inertie intraclasse,. D# # 6 D# DZ où M est une métrique ( ). Z^] p.15/34

16 # _ p.16/34 Analyse discriminante (2) (Choix de l espace de recherche) Les axes discriminants sont les vecteurs propres associés aux plus grandes valeurs propres de _# # YZ] Représentation des données dans R 3 Classe 1 Classe 2 Classe Représentation des données dans l espaces des axes discriminants Classe 1 Classe 2 Classe z V y x V 1

17 a baaz a ` ` ` ` Sélection de variables (Choix de l espace de recherche) Pour connaître les variables les plus pertinentes et réduire la complexité des classeurs. L évaluation d une sélection par apprentissage est trop coûteuse. On minimise le de Wilks,. 2 méthodes sont comparées. Heuristique d énumération : 1. Sélectionner la variable parmi les dont la suppression induit la plus grande diminution de. 2. La supprimer des, recommencer si seuil. solution peut être sous-optimale, méthode peu coûteuse. Algorithme évolutionnaire : sous-ensembles de7 ` optimisation globale coûteuse. p.17/34

18 c p.18/34 Méthodes de discrimination Elles sont caractérisées par le critère qu elles utilisent pour apprendre à classer les exemples. Maximisation de marges entre classes : machines à supports vectoriels (MSV). Minimisation d erreur de classement : classeurs Bayésiens. Discrimination par fenêtres de Parzen. Discrimination par régression et seuillage : régression par moindres carrés (linéaire ou neuronale) et -SV régression.

19 Classement par Marge maximale : Machines à Supports Vectoriels t z jk k { g g p.19/34 x Learning Data and Margin Les MSV créent une frontière de décision qui maximise les distances entre la frontière et les points les plus proches de chaque classe. Frontière de décision linéaire : f ej d x1 Maximisation de la marge h h Apprentissage : oqpn i l m r rs k uv wyx g i, zcard

20 t } p.2/34 MSV, cas non séparable Lorsque les classes ne sont pas séparables, on introduit des variables d écart et un paramètre de régularisation. Apprentissage : x Learning Data and Margin ξ oqpn i l ~~ ~~ m ˆ k uv wyx r rs ƒ > x card x1 Un problème quadratique, résolu sous sa forme duale (de Wolfe) par un algorithme QP avec stratégie de contraintes actives.

21 Œ d Œ Œ Š U p.21/34 Extensions aux MSV non-linéaires Transformation de l espace des données,, puis on applique l algorithme linéaire aux données transformées. Grace à la forme duale, les données apparaissent que sous la forme de produits scalaires, noyau (condition d existence par Mercer). noyau Gaussien de largeur noyau polynômial de degré Contrôle de complexité : C, noyau (,, Œ \e \ Ž Ž5 ]' \ 1 \ej d \ ou ).

22 Minimisation d erreur de classement : méthodes Bayésiennes C / / p.22/34 si a / C a ce qui est implique, si C a C a La discrimination par fenêtres de Parzen et le seuillage après régression sont des méthodes Bayésiennes.

23 Q w uš Q Q p.23/34 Discrimination par fenêtres de Parzen Une méthode d histogrammes 2 x 1 3 Densité de Probabilité a posteriori des classes Classe 1 Classe 2 Classe 3 lissés dont les barres sont centrées sur les données V V = la fréquence d apparition de la classe dans. U 1 ŸT?ž 1 Q a fenêtre Gaussienne, paramètre d étalement.

24 Discrimination par régression et seuillage ] N c ] p.24/34 La masse du véhicule est une variable fonction de continue, et physiquement pertinente!, scalaire, régression 6 classe de masse. Les seuils sont ajustés par minimisation du taux d erreur sur la base d apprentissage (énumération de seuils sur une grille). Différentes méthodes en fonction de la construction de : moindres carrés régularisés ou -SV régression.

25 Régressions par moindres carrés régularisés L ²Q I p.25/34 est un réseau de neurones ou une fonction linéaire. L estimation de la masse est où est solution de 5± ± ª ««card I J ± ³ U ²Q ³ Puisque peut être non linéaire (réseau de neurones), on effectue la minimisation avec l algorithme de Levenberg-Marquardt. Contrôle de complexité :, contrôle de la structure de (linéaire ou neuronale, combien de neurones dans la couche cachée), arrêt prématuré.

26 Régressions par Machines à Supports Vectoriels Ð c ÑÌ c ã Ë p.26/34 Les données doivent au plus être à de la fonction, qui doit être la plus plate possible. f ej d y Support Vector Machine Regression Espace des caractéristiques Æ Ê ÌÎÍ É ÈÇ h h Æ Å Â ÂÄÃÀ à À Á ¼¾½ KÀ» ÑÌ Ò ] ÑÌ ÒÚÖÇ Ó Ô Õ µ µ µ µ µ µ µ µ µ µ ¹ µ µ µ µ µ µ µ µ µ µ º sous les contraintes, Ó Ô Õ ÛÜ ƒ ƒì Ï Ì card ÇÙ Ø ÒyÖ ] ÇÙ ÑÌ ÒØ Ð ] àâá ß Ý.Þ card ƒ Ì ƒï Ì ³ ƒï Ì ²ƒ ÇÌ x Le problème est équivalent aux MSV en classement (même techniques pour le passage au non-linéaire, mêmes algorithmes). Contrôle de complexité : C, noyau ( ou ),.

27 ø î Ý æ é ä p.27/34 Expériences numériques : contrôle de complexité et calcul des erreurs - Les signaux temporels possèdent une certaine corrélation mesure réaliste de l erreur par validation croisée : plusieurs bases et, qui respectent la chronologie. - La plupart des paramètres exerçant un contrôle sur la complexité des méthodes sont ajustés par minimisation de l erreur de validation croisée. Expl. du des fenêtres de Parzen : åçæ è æ Pour tous les, choisir. 1.1 Pour tous les, apprentissage sur, calcul de l erreur sur. 1.2 Erreur est la moyenne des Apprentissage sur. 4. Calcul de l erreur sur,. ïì îì ñ ðêì ôõ òó êþ î ¼¾½Ì êì ñ ðêì ï ëö û úïþ ùëö ëíì îì Nb d erreur en validation σ

28 ü ü Ð æ æ ü ü î î î î î ü æ ü ü æ ü î ü Ì Variables explicatives pertinentes Unité Dizaine CdgV Vitesse Vitesse Vitesse CdgV Vitesse PivArg PivArg CdgV üþ æ Ô ü ÿ ü ÿ üý ü þ ü ý Ì 1 PivAvg Vitesse CdgV CdgV PivAvd PivAvd PivArd PivArd CdgL CdgL ü ý üþ üþ ü ý üþ ü ý üÿ æ Ô 2 CdgL PivAvg PivArg CdgT CdgT Vitesse PivAvd PivArd PivArd PivArg üþ ü ÿ æ Ô æ Ô 3 PivAvd Vitesse CdgT CdgT CdgT PivArd Vitesse PivAvg PivAvg CdgV ü ý Ì Ì 4 Vitesse CdgV PivArg PivAvd PivArd PivAvg PivAvg PivAvg PivArg PivArg üþ üý æ Ô æ Ô Ì 5 PivAvd CdgL CdgL CdgT CdgT CdgV CdgT CdgL Vitesse... ü ÿ ü þ ü ÿ Ì Sélection par heuristique énumérative, 55 variables pour le seuil de [CdgV et Vitesse] / sont les variables prépondérantes. L algorithme évolutionnaire trouve une solution avec 49 variables. choisit, p.28/34

29 p.29/34 Comparaisons de méthodes 5 méthodes sont comparées : Analyse discriminante fenêtres de Parzen. Analyse discriminante MSV classement (noyau Gaussien). MSV en classement (noyau Gaussien). Régression neuronale seuillage. S1 = 1 neurone linéaire, S2 = 7 neurones sigmoïdaux 1 neurone linéaire, S3 = 8 neurones sigmoïdaux. MSV en régression (noyau polynomial) seuillage.

30 p.3/34 Exemples de frontières de décisions Régression neuronale (S2) seuillage. 81 variables d entrées. Taux de classification correcte 51.3% 2 Réseau de Neurones 2 : Apprentissage Masse réelle Masse estimée 2 Réseau de Neurones 2 : Test Masse réelle Masse estimée Masse Normalisée 1.5 Masse Normalisée Données apprentissage Données test

31 p.31/34 Exemples de frontières de décisions (2) 2 Régression MSV (noyau polynomial) seuillage. 81 variables d entrées. Taux de classification correcte 68.6%. Regression MSV : Apprentissage Masse réelle Masse Estimée 2 Regression MSV : Test Masse réelle Masse Estimée Masse Normalisée 1.5 Masse Normalisée Données apprentissage Données test

32 p.32/34 Exemples de frontières de décisions (3) 4 3 Classification par Analyse Discriminante Noyau de Parzen: Test Classe 1 Classe 2 Classe 3 Frontières de décision 4 3 Classification par Analyse Discriminante et MSV: Test Classe 1 Classe 2 Classe 3 Frontières de décision 2 2 Axe de Projection Axe de Projection Axe de Projection 1 Analyse discriminante fenêtres de Parzen, 81 variables d entrées, taux de classification correcte 74.7% Axe de Projection 1 Analyse discriminante SVM Gaussien, 81 variables d entrées, taux de classification correcte 74.6%.

33 p.33/34 Comparaison de méthodes (2) Méthodes B. inf. moy. B. sup. Analyse Discriminante et Parzen Analyse Discriminante et MSV MSV à noyau gaussien Réseaux de neurones Réseaux de neurones Réseaux de neurones MSV à noyau polynomial Pourcentage de succès de classement pour différentes stratégies en utilisant les 49 variables selectionnées par l algorithme évolutionnaire. Les bornes sont l intervalle de confiance à 8%.

34 p.34/34 Conclusions La meilleure méthode : analyse discriminante MSV à noyau Gaussien en classement, avec plus de 8% de succès en classement. Importance du pré-traitement des variables par analyse discriminante. Cet effet ne s explique pas seulement par la réduction de dimension des variables d entrées (car AD fait mieux que la sélection de variables), mais par la prise en compte conjointe des dispersions des données. Parmi la régression seuillage, la régression par MSV donne de bons résultats (71.8% de succès), meilleurs que la régression linéaire ou neuronale. Les signaux les plus importants sont l accélération verticale au cdg et la vitesse. Les traitements les plus importants sont les moments spectraux relatifs.

Méthodes avancées en décision

Méthodes avancées en décision Méthodes avancées en décision Support vector machines - Chapitre 2 - Principes MRE et MRS Principe MRE. Il s agit de minimiser la fonctionnelle de risque 1 P e (d) = y d(x;w, b) p(x, y) dxdy. 2 La densité

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

SPLEX Statistiques pour la classification et fouille de données en

SPLEX Statistiques pour la classification et fouille de données en SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr

Plus en détail

Comparaison de stratégies de discrimination de masses de véhicules automobiles

Comparaison de stratégies de discrimination de masses de véhicules automobiles Comparaison de stratégies de discrimination de masses de véhicules automobiles Alain Rakotomamonjy * Rodolphe Le Riche ** David Gualandris *** Stéphane Canu * * PSI, INSA Rouen, 7681 St. Etienne du R ay

Plus en détail

Support Vector Machines

Support Vector Machines Support Vector Machines Séparateurs à vaste marge Arnaud Revel revel.arnaud@gmail.com Plan 1 Introduction 2 Formalisation 3 Utilisation des noyaux 4 Cas multi-classes 5 Applications des SVM 6 Bibliographie

Plus en détail

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

Plus en détail

Analyse discriminante

Analyse discriminante Analyse discriminante Christine Decaestecker & Marco Saerens ULB & UCL LINF2275 1 Analyse Discriminante Particularités: 2 formes/utilisations complémentaires: méthode factorielle: description "géométrique"

Plus en détail

Introduction au Data-Mining

Introduction 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 détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Introduction au Data-Mining

Introduction 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 détail

Apprentissage par méthodes à noyaux en reconnaissance d images

Apprentissage par méthodes à noyaux en reconnaissance d images Apprentissage par méthodes à noyaux en reconnaissance d images Alberto Bietti Table des matières Introduction 2 1 Apprentissage par méthodes à noyaux 2 1.1 Position du problème et motivation..........................

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA 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 détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

MÉTHODES DE CLASSIFICATION

MÉTHODES DE CLASSIFICATION MÉTHODES DE CLASSIFICATION Pierre-Louis GONZALEZ MÉTHODES DE CLASSIFICATION Objet Opérer des regroupements en classes homogènes d un ensemble d individus. Données Les données se présentent en général sous

Plus en détail

Classification par des méthodes de data mining. Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse

Classification par des méthodes de data mining. Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse Classification par des méthodes de data mining Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse Plan: Le processus métier Présentation des 3 méthodes étudiées: Arbres de décision Machines à vecteurs

Plus en détail

Reconnaissance des formes

Reconnaissance des formes Reconnaissance des formes Discrimination A. Belaïd LORIA - Nancy Discrimination linéaire Notion d hyperplan Discrimination linéaire Principe Une forme x R d (vecteur forme) Rôle de la Trouver D : R d x

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Graphes, réseaux et internet

Graphes, réseaux et internet Graphes, réseaux et internet Clémence Magnien clemence.magnien@lip6.fr LIP6 CNRS et Université Pierre et Marie Curie (UPMC Paris 6) avec Matthieu Latapy, Frédéric Ouédraogo, Guillaume Valadon, Assia Hamzaoui,...

Plus en détail

Analyse et modélisation de visages

Analyse et modélisation de visages Analyse et modélisation de visages Pascal Bourdon Laboratoire XLIM-SIC (UMR CNRS 7252) / Université de Poitiers pascal.bourdon@univ-poitiers.fr Analyse et modélisation de visages Plan Introduction Outils

Plus en détail

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité Introduction à l analyse des données Analyse des Données () Le but de l analyse de données est de synthétiser, structurer l information contenue dans des données multidimensionnelles Deux groupes de méthodes

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance 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 détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Méthodes d apprentissage :

Méthodes d apprentissage : Méthodes d apprentissage : application au tri de complexes protéines-protéines Jérôme Azé Apprentissage: tâches Apprentissage non supervisé (Eisen, ) Apprentissage supervisé (arbres de décision, k-ppv,

Plus en détail

Informatique visuelle - Vision par ordinateur. Pré-traitement d images

Informatique visuelle - Vision par ordinateur. Pré-traitement d images Informatique visuelle - Vision par ordinateur Pré-traitement d images Elise Arnaud elise.arnaud@imag.fr cours inspiré par X. Descombes, J. Ros, A. Boucher, A. Manzanera, E. Boyer, M Black, V. Gouet-Brunet

Plus en détail

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun des s Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun Sébastien Harasse thèse Cifre LIS INPG/Duhamel le 7 décembre 2006 1 Système de surveillance des s Enregistreur

Plus en détail

Analyse d un système de freinage récupératif d un véhicule électrique

Analyse d un système de freinage récupératif d un véhicule électrique Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet 1 Compréhension

Plus en détail

S y l l a b u s RECONNAISSANCE DES FORMES : CLASSIFICATION ET REGROUPEMENT IFT-64321 A

S y l l a b u s RECONNAISSANCE DES FORMES : CLASSIFICATION ET REGROUPEMENT IFT-64321 A RECONNAISSANCE DES FORMES : CLASSIFICATION ET REGROUPEMENT IFT-64321 A S y l l a b u s Jean-Marie Beaulieu Département d'informatique Téléphone: 656-2131 poste 2564 Courriel: jean-marie.beaulieu@ift.ulaval.ca

Plus en détail

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Université Paris Diderot Physique L2 2014-2015 Simulations Numériques SN4 Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Objectifs : Simuler

Plus en détail

Le Multidimensional Scaling et la cartographie des préférences

Le Multidimensional Scaling et la cartographie des préférences Le Multidimensional Scaling et la cartographie des préférences Gilbert Saporta Conservatoire National des Arts et Métiers http://cedric.cnam.fr/~saporta Avril 2014 Multidimensional scaling Egalement appelé

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité

Plus en détail

Quantification Scalaire et Prédictive

Quantification 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 détail

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours ENSIIE - Intelligence Artificielle (RIIA) - 1er cours Benjamin PIWOWARSKI 28 septembre 2015 Benjamin PIWOWARSKI IA - 1er cours 28 septembre 2015 1 / 53 Introduction Plan 1 Introduction 2 Définitions 3

Plus en détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

Plus en détail

Echantillonnage Non uniforme

Echantillonnage 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 détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

Chapitre 6 Apprentissage des réseaux de neurones et régularisation

Chapitre 6 Apprentissage des réseaux de neurones et régularisation Chapitre 6 : Apprentissage des réseaux de neurones et régularisation 77 Chapitre 6 Apprentissage des réseaux de neurones et régularisation Après une introduction rapide aux réseaux de neurones et à la

Plus en détail

Apprentissage supervisé

Apprentissage supervisé Apprentissage supervisé 1 Apprendre aux ordinateurs à apprendre Objectif : appliquer la démarche de l apprentissage par l exemple à l ordinateur. Montrer des exemples à l ordinateur en lui disant de quoi

Plus en détail

Évaluation de la classification et segmentation d'images en environnement incertain

Évaluation de la classification et segmentation d'images en environnement incertain Évaluation de la classification et segmentation d'images en environnement incertain EXTRACTION ET EXPLOITATION DE L INFORMATION EN ENVIRONNEMENTS INCERTAINS / E3I2 EA3876 2, rue F. Verny 29806 Brest cedex

Plus en détail

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007

Vision 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 détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Table des matières 1 Graph Kernels for Molecular Structure-Activity Relationship Analysis

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

Plus en détail

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

Plus en détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

Cahier de textes Page 1 sur 9. Cahier de textes

Cahier de textes Page 1 sur 9. Cahier de textes Cahier de textes Page 1 sur 9 Cahier de textes Jeudi 04/09/2014 9h-12h et 13h30-16h30 : Cours sur la logique : - Conjonction, disjonction, implication, équivalence - Quelques formules. - Quantificateurs

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS established in 2006 at the University of Abomey-Calavi (Republic of Benin) UNITWIN/UNESCO

Plus en détail

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence

Plus en détail

Arbres binaires de décision

Arbres binaires de décision 1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression

Plus en détail

Apprentissage automatique

Apprentissage automatique Apprentissage automatique François Denis, Hachem Kadri, Cécile Capponi Laboratoire d Informatique Fondamentale de Marseille LIF - UMR CNRS 7279 Equipe QARMA francois.denis@lif.univ-mrs.fr 2 Chapitre 1

Plus en détail

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification 1/54 Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification Étienne Baudrier CReSTIC vendredi 9 décembre 2005 2/54 Contexte programme national de

Plus en détail

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage

Classification Exemple : Enquête d opinion sur les OGM. Pauline Le Badezet Alexandra Lepage Classification Exemple : Enquête d opinion sur les OGM Pauline Le Badezet Alexandra Lepage SOMMAIRE Introduction Méthodologie Méthode de partitionnement Classification Ascendante Hiérarchique Interprétation

Plus en détail

Classification dans des bases de données par des méthodes de datamining

Classification dans des bases de données par des méthodes de datamining Classification dans des bases de données par des méthodes de datamining Yawo Eli Amesefe Guillaume Cernier Christophe Labrousse Introduction L utilisation généralisée de l informatique ces dernières dizaines

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 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 détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons

Plus en détail

Le programme de mathématiques Classes de première STI2D STL

Le programme de mathématiques Classes de première STI2D STL Journée de l inspection 15 avril 2011 - Lycée F. BUISSON 18 avril 2011 - Lycée J. ALGOUD 21 avril 2011 - Lycée L. ARMAND Le programme de mathématiques Classes de première STI2D STL Déroulement de la journée

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

Analyse d images. L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

Analyse d images. L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : Analyse d images La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers

Plus en détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Emmanuel PAUL Chapitre 1 : Statistique descriptive 1 Objectifs des statistiques. Il s agit d étudier un ou plusieurs

Plus en détail

Optimisation de la géométrie du voisinage pour la segmentation d images texturées

Optimisation de la géométrie du voisinage pour la segmentation d images texturées Optimisation de la géométrie du voisinage pour la segmentation d images texturées Pierre Beauseroy & André Smolarz Institut des Sciences et Technologies de l Information de Troyes (FRE 73) Université de

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

Plus en détail

WEKA : c est quoi? Brigitte Bigi. 15 février 2011. LPL - Équipe C3I. Brigitte Bigi (LPL - Équipe C3I) WEKA : c est quoi? 15 février 2011 1 / 32

WEKA : c est quoi? Brigitte Bigi. 15 février 2011. LPL - Équipe C3I. Brigitte Bigi (LPL - Équipe C3I) WEKA : c est quoi? 15 février 2011 1 / 32 WEKA : c est quoi? Brigitte Bigi LPL - Équipe C3I 15 février 2011 Brigitte Bigi (LPL - Équipe C3I) WEKA : c est quoi? 15 février 2011 1 / 32 Introduction 1 Introduction 2 Classification supervisée 3 WEKA

Plus en détail

SVM : Machines à Vecteurs de Support ou Séparateurs à Vastes Marges

SVM : Machines à Vecteurs de Support ou Séparateurs à Vastes Marges SVM : Machines à Vecteurs de Support ou Séparateurs à Vastes Marges Mohamadally Hasan Fomani Boris BD Web, ISTY3 Versailles St Quentin, France hmohamad@isty-info.uvsq.fr bfomanik@isty-info.uvsq.fr 16 janvier

Plus en détail

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents Master ISI 2010-2011 Data Mining Recherche des sous-ensembles fréquents Yves Lechevallier INRIA-Rocquencourt E_mail : Yves.Lechevallier@inria.fr 1 Processus Data Mining Phase A : Entrepôt de données Entrepôt

Plus en détail

Traitements appliqués à la photointerprétation

Traitements appliqués à la photointerprétation Traitements numériques des images de télédétection Traitements appliqués à la photointerprétation OLIVIER DE JOINVILLE 3e partie Table des matières I - L'analyse en composantes principales 5 II - La détection

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

Plus en détail

Les techniques d exploitation de données (Data Mining)

Les techniques d exploitation de données (Data Mining) Les techniques d exploitation de données (Data Mining) 1 Présenté par : Emer Mestiri, M.sc Finance, Data Scientist Conseiller Gestion de risque de crédit, Mouvement Desjardins Sommaire 2 I. Logiciel SAS

Plus en détail

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Stéréoscopie par minimisation d'énergie Frédéric Devernay d'après le cours de Richard Szeliski Mise en correspondance stéréo Quels algorithmes possibles? mettre en correspondance

Plus en détail

Calculatrice vocale basée sur les SVM

Calculatrice vocale basée sur les SVM Calculatrice vocale basée sur les SVM Zaïz Fouzi *, Djeffal Abdelhamid *, Babahenini MohamedChaouki*, Taleb Ahmed Abdelmalik**, * Laboratoire LESIA, Département d Informatique, Université Mohamed Kheider

Plus en détail

Bouchekif Abdesselam 11 mars 2012

Bouchekif Abdesselam 11 mars 2012 Expériences sur les données du répertoire de données de UCI avec une boîte à outils Bouchekif Abdesselam 11 mars 2012 Résumé Les dix dernières années ont été témoin de grands progrès réalisés dans le domaine

Plus en détail

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

Savoir Faire Excel Niveau 2. 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr

Savoir Faire Excel Niveau 2. 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr Savoir Faire Excel Niveau 2 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr Ce qu on sait faire Entrer et recopier des données numériques Les fonctions de base (somme, moyenne, nb, si) Faire

Plus en détail

Guide de formation avec cas pratiques. Excel 2007. Avancé. Philippe Moreau Patrick Morié. Tsoft et Groupe Eyrolles, 2008, ISBN : 978-2-212-12217-6

Guide de formation avec cas pratiques. Excel 2007. Avancé. Philippe Moreau Patrick Morié. Tsoft et Groupe Eyrolles, 2008, ISBN : 978-2-212-12217-6 Guide de formation avec cas pratiques Excel 2007 Avancé Philippe Moreau Patrick Morié Tsoft et Groupe Eyrolles, 2008, ISBN : 978-2-212-12217-6 Pages_base.indd 23 4/02/08 13:17:19 Calculs et simulations

Plus en détail

Statistique : Résumé de cours et méthodes

Statistique : Résumé de cours et méthodes Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère

Plus en détail

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

Plus en détail

Mathématiques. Classe de seconde. Introduction. Objectif général. Raisonnement et langage mathématiques

Mathématiques. Classe de seconde. Introduction. Objectif général. Raisonnement et langage mathématiques Mathématiques Classe de seconde Introduction La seconde est une classe de détermination. Le programme de mathématiques y a pour fonction : de conforter l acquisition par chaque élève de la culture mathématique

Plus en détail

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : Rappels collège/seconde Partie STAV 1/3 Partie STAV 2/3 Partie STAV

Plus en détail

Prise en compte de la stochasticité dans les modèles : optimisation robuste

Prise en compte de la stochasticité dans les modèles : optimisation robuste Prise en compte de la stochasticité dans les modèles : optimisation robuste Rodolphe Le Riche (CNRS & EMSE) & Victor Picheny (INRA) La Rochelle, 5/11/2014 Plan Introduction 1 Introduction 2 Formulations

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

4.2 Unités d enseignement du M1

4.2 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 détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

Méthodes d apprentissage statistique («Machine Learning»)

Méthodes d apprentissage statistique («Machine Learning») Méthodes d apprentissage statistique («Machine Learning») Journées d Etudes IARD Niort, 21 Mars 2014 Fabrice TAILLIEU Sébastien DELUCINGE Rémi BELLINA 2014 Milliman. All rights reserved Sommaire Introduction

Plus en détail