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.

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

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

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

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

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

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

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

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

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

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

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

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

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

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

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

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

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

Comparaison d approches statistiques pour la classification de textes d opinion. Michel Plantié, Gérard Dray, Mathieu Roche (LGI2P/EMA LIRMM)

Comparaison d approches statistiques pour la classification de textes d opinion. Michel Plantié, Gérard Dray, Mathieu Roche (LGI2P/EMA LIRMM) Comparaison d approches statistiques pour la classification de textes d opinion Michel Plantié, Gérard Dray, Mathieu Roche (LGI2P/EMA LIRMM) Caractéristiques des traitements Approche identique pour les

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

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

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

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

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

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

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

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

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

Etude des propriétés empiriques du lasso par simulations

Etude des propriétés empiriques du lasso par simulations Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est

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

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

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

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

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

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

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

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

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

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

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

Hélène Desmier ab, Pascale Kuntz a & Ivan Kojadinovic a. Pauc, 44306 Nantes. {prenom.nom}@polytech.univ-nantes.fr

Hélène Desmier ab, Pascale Kuntz a & Ivan Kojadinovic a. Pauc, 44306 Nantes. {prenom.nom}@polytech.univ-nantes.fr Une classification hiérarchique de variables discrètes basée sur l information mutuelle en pré-traitement d un algorithme de sélection de variables pertinentes. Hélène Desmier ab, Pascale Kuntz a & Ivan

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

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

Méthodes de la Recherche Opérationnelle pour l analyse de données

Méthodes de la Recherche Opérationnelle pour l analyse de données Méthodes de la Recherche Opérationnelle pour l analyse de données Julien Darlay G-SCOP 27 janvier 2011 Julien Darlay (G-SCOP) Méthodes de RO pour l analyse de données 27 janvier 2011 1 / 20 Plan Analyse

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

APPRENTISSAGE AUTOMATIQUE. Réduction de dimension

APPRENTISSAGE AUTOMATIQUE. Réduction de dimension APPRENTISSAGE AUTOMATIQUE Réduction de dimension Malédiction de la dimensionalité Beaucoup de méthodes d apprentissage ne passent pas bien à l échelle pour des données de grandes dimensions: c est la malédiction

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

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

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

Validation probabiliste d un Système de Prévision d Ensemble

Validation probabiliste d un Système de Prévision d Ensemble Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste

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

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

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

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

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

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

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

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

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

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

INTRODUCTION AU DATA MINING

INTRODUCTION AU DATA MINING INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET Phase 4 : Modélisation non-supervisée - 5 : Règles d association

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

Évaluation d une approche de classification conceptuelle

Évaluation d une approche de classification conceptuelle Évaluation d une approche de classification conceptuelle Marie Chavent Yves Lechevallier Mathématiques Appliquées de Bordeaux, UMR 5466 CNRS Université Bordeaux 1-351, Cours de la libération 33405 Talence

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

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 AU DATA MINING. Cina MOTAMED

INTRODUCTION AU DATA MINING. Cina MOTAMED INTRODUCTION AU DATA MINING Cina MOTAMED 2 Data Mining : contexte Âge numérique : explosion des volumes de données Transactions commerciales Opérations bancaires Navigation Internet Indicateurs démographiques

Plus en détail

COMPARAISON GRAHPIQUE DE DEUX VALEURS AVEC INCERTITUDE

COMPARAISON GRAHPIQUE DE DEUX VALEURS AVEC INCERTITUDE COMPARAISON GRAHPIQUE DE DEUX VALEURS AVEC INCERTITUDE Le but d une expérience de laboratoire est souvent de vérifier un résultat théorique à l aide d un montage. Puisqu il est impossible (sinon très rare)

Plus en détail

Les quatre opérations sur les nombres entiers Statistiques et probabilités I. Code Unités Devoirs Code Unités Devoirs

Les quatre opérations sur les nombres entiers Statistiques et probabilités I. Code Unités Devoirs Code Unités Devoirs 1 re secondaire 2 e secondaire Les quatre opérations sur les nombres entiers Statistiques et probabilités I MAT-1005-2 2 3 MAT-2008-2 2 3 (+, -, x, ) dans l ensemble des entiers Z. Ce premier cours portant

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

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

Approche multimodèle

Approche multimodèle Prévision des épisodes de pollution Approche multimodèle G. Mourot, K. Gasso, J. Ragot Centre de Recherche en Automatique de Nancy Plan Introduction Présentation de l approche multi-modèle Prévision des

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

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

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

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens.

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Adrien Perrard. UMR 7205, MNHN Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Partition et mélanges gaussiens Partition et mélanges gaussiens Partition et mélanges gaussiens

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

Introduction à l analyse des données. Olivier Godechot

Introduction à l analyse des données. Olivier Godechot Introduction à l analyse des données Olivier Godechot Introduction. Les données statistiques : de très nombreuses variables. Aucune n est parfaite La perception d un phénomène appréhendée comme la combinaison

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

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Modèles de Markov et bases de données Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Cours Fouille de données avancée

Cours Fouille de données avancée Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université Mohamed Khider - Biskra Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie Département d Informatique

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

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt du découpage en sous-bandes pour l analyse spectrale Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,

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

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème... TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................

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

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f JFMS Toulouse 24, 25, 26 mars 2010 AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f Benjamin Echard Nicolas Gayton Maurice Lemaire LaMI Laboratoire

Plus en détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

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

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr Extraction de Connaissances pertinentes sur le comportement des systèmes de production: une approche conjointe par Optimisation Évolutionniste via Simulation et Apprentissage Anne-lise HUYET- Jean-Luc

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en 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

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Vous pouvez obtenir une extension nécessaire via des achats In-App dans Paramètres (bouton en haut à gauche) > Extensions.

Vous pouvez obtenir une extension nécessaire via des achats In-App dans Paramètres (bouton en haut à gauche) > Extensions. Important: La description correspond à la version de ALON Dictaphone qui comprend toutes les extensions construites. Les extensions construites sont: Partager des Notes Audio Pack Audio Avancé Sélection

Plus en détail

Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test

Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test 11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif

Plus en détail