Introduction à l Intelligence Artificielle
|
|
- Jean-Michel Robert Lebrun
- il y a 6 ans
- Total affichages :
Transcription
1 à l Intelligence Artificielle IMERIR salvat@imerir.com à l Intelligence Artificielle
2 Déroulement du cours pôle informatique théorique et IA 12h de cours et 20h detp Résoltion Automatique de problèmes Large place aux TP de programmation Modéliser un problème Résoudre le problème à l Intelligence Artificielle
3 Plan Tentative d une définition... Les Fondements de l IA Histoire de l IA 1 Tentative d une définition... Les Fondements de l IA Histoire de l IA à l Intelligence Artificielle
4 Tentative d une définition... Les Fondements de l IA Histoire de l IA Vous avez dit Intelligence Artificielle? un des domaines les plus récents de la science apparu après la seconde guerre mondiale le nom lui même ne date que de 1956! beaucoup reste à faire! nombreux sous domaines : génériques : apprentissage, compréhension, résolution de problème... spécifiques : jouer aux échecs, faire des preuves mathématiques, aider au diagnostic médical,... à l Intelligence Artificielle
5 Mais c est quoi au juste l IA? Tentative d une définition... Les Fondements de l IA Histoire de l IA Systèmes qui pensent comme les humains Systèmes qui agissent comme les humains Systèmes qui raisonnent de façon rationnelle Systèmes qui agissent de façon rationnelle à l Intelligence Artificielle
6 Plan Tentative d une définition... Les Fondements de l IA Histoire de l IA 1 Tentative d une définition... Les Fondements de l IA Histoire de l IA à l Intelligence Artificielle
7 Les disciplines originelles Tentative d une définition... Les Fondements de l IA Histoire de l IA Philosophie av. J.C. à nos jours Mathématiques à nos jours Linguistique - Informatique à l Intelligence Artificielle
8 Plan Tentative d une définition... Les Fondements de l IA Histoire de l IA 1 Tentative d une définition... Les Fondements de l IA Histoire de l IA à l Intelligence Artificielle
9 Tentative d une définition... Les Fondements de l IA Histoire de l IA 1956 : Naissance de l Intelligence Artificielle John McCarthy organise à Darmouth un colloque de 2 mois Première démonstration du "Logic Theorist" de Newell et Simon programme de raisonnement symbolique basé sur la logique des propositions peu de temps après : preuves de théorèmes mathématiques dont une plus concise que les preuves connues... C est à l occasion de ce colloque que McCarthy lance le terme Intelligence Artificielle à l Intelligence Artificielle
10 L age doré Tentative d une définition... Les Fondements de l IA Histoire de l IA Fev 1956 : démo. télévisée d un jeu d échecs qui apprend d Arthur Samuel (IBM) 1958 : McCarthy au MIT Le Lisp (un des lang. de prog les plus anciens!) invention du "time sharing" article "Program with Common Sense" 1959 : Geometry Theorem Prover d Herbet Gelernter (IBM) 1961 : le GPS de Newell et Simon construit sur le modèle du raisonnement humain résoud des problèmes de type "énigme" à l Intelligence Artificielle
11 La désillusion Tentative d une définition... Les Fondements de l IA Histoire de l IA 1958, Simon prédit qu une machine sera champion du monde des échecs d ici à 10 ans objectif atteint en ! les problèmes traités ne nécessitent pas beaucoup de connaissance Traduction automatique largement financé par les militaires objectif : accélérer la traduction des documents techniques relatifs à Sputnik les programmes manquent de connaissance "the spirit is willing but the flesh is weak" donne "the vodka is good but the meat is rotten" retrait des fonds gouvernementaux Nombreux problèmes insolubles Explosion combinatoire : théorie de la NP-complètude à l Intelligence Artificielle
12 Tentative d une définition... Les Fondements de l IA Histoire de l IA Systèmes à base de connaissance DENDRAL 1969 Etude des systèmes experts MYCIN : diagnostic des infections sanguines plus de 450 règles pas de modèle théorique comme pour les formules chimiques les règles sont construites par interrogation des médecins, résultats d expériences, extraites de la littérature spécialisée introduction de la notion d incertain à l Intelligence Artificielle
13 Quelques résultats Tentative d une définition... Les Fondements de l IA Histoire de l IA Système autonome de plannification et d ordonnancement de la NASA (Jonsson et al.) Programme de jeux : 1997 Deep Blue bat un champion du monde (G. Kasparov) Controle autonome : ALVINN, conduits une voiture Diagnostic médical : Heckerman 1991 Plannification logistique : 1991, Dynamic Analysis and Replaining Tool (DART) Robotique : chirurgie assistée (e.g. HipNav, 1996) Compréhension du langage et résolution de problème : PROVERB, 1999, résouds les mots croisés à l Intelligence Artificielle
14 Plan 1 2 Recherche en largeur d abord Recherche en profondeur d abord Recherche en profondeur limitée Recherche en profondeur incrémentale 3 4 à l Intelligence Artificielle
15 Un exemple En vacance en Roumanie, actuellement dans la ville d Arad. Votre avion de retour décolle le lendemain de Bucarest. Formuler le problème à l Intelligence Artificielle
16 Une carte Oradea Neamt Zerind Arad Iasi Sibiu Fagaras Vaslui Timisoara Rimnicu Vilcea Lugoj Pitesti Mehadia Urziceni Hirsova Dobreta Craiova Bucharest Giurgiu Eforie à l Intelligence Artificielle
17 Trois étapes Formulation du problème Recherche de la solution Exécution de la solution à l Intelligence Artificielle
18 Plan 1 2 Recherche en largeur d abord Recherche en profondeur d abord Recherche en profondeur limitée Recherche en profondeur incrémentale 3 4 à l Intelligence Artificielle
19 Définition d un Problème Un problème peut être formellement définit par 4 éléments : Remarque Ensemble, l état initial et la fonction successeur, definissent du problème. Il s agit de l ensemble des états atteignables depuis l état initial. à l Intelligence Artificielle
20 Un autre exemple Le monde de L aspirateur Seulement 2 pièces Chaque pièce peut être sale ou propre Actions : se déplacer à droite, se déplacer à gauche, aspirer la poussière, ne rien faire le but : tout est propre! A B à l Intelligence Artificielle
21 L aspirateur : les différents états à l Intelligence Artificielle
22 L aspirateur : l espace de recherche L R L R S S L R R L R R L L S S S S L R L R S S à l Intelligence Artificielle
23 L aspirateur : formalisation État : État initial : Fonction successeur : Test de réussite : Coût : à l Intelligence Artificielle
24 Autre example le taquin 3x Start State Goal State État : État initial : un état donné Fonction successeur : Test de réussite : teste l égalité à l état de droite Coût : chaque déplacement coûte 1 à l Intelligence Artificielle
25 Plan 1 2 Recherche en largeur d abord Recherche en profondeur d abord Recherche en profondeur limitée Recherche en profondeur incrémentale 3 4 à l Intelligence Artificielle
26 Construction d une solution Idée de base : simuler l exploration de l espace de recherche en générant les successeurs des états déjà explorés Arad Sibiu Timisoara Zerind Arad Fagaras Oradea Rimnicu Vilcea Arad Lugoj Arad Oradea Arad à l Intelligence Artificielle
27 Programmation : État vs Noeud un état est une représentation d une configuration physique un noeud est une structure de donnée de l arbre de recherche et possède : parent (prédecesseur) enfants (successeurs) profondeur coût un état n a parent, action State state Node depth = 6 g = 6 à l Intelligence Artificielle
28 Construction de l arbre de Recherche Algorithme 1 : Arbre de recherche Données : Un problème Pb, et une stratégie Strat. Résultat : Une solution ou Échec Initialiser l arbre avec l état initial de Pb ; tant que Vrai faire si aucun candidat à l extension alors renvoie Échec; sinon Choisir un noeud d extension selon Strat ; si le noeud contient un état but alors renvoie la solution correspondante; sinon développer le noeud et ajouter les nouveaux noeuds à l arbre de recherche; à l Intelligence Artificielle
29 Stratégies de recherche Il existe plusieurs façon d explorer l arbre de recherche. On parle de. Dans l algorithme de construction la stratégie affecte la fonction de choix. à l Intelligence Artificielle
30 Comparer les stratégies Qualité des solutions Coût en terme de ressources nécessaires à la résolution : à l Intelligence Artificielle
31 En largeur d abord (Breadth-first search) Construction de l arbre de recherche niveau par niveau On utilise une structure de file On traite les sommets au fur et à mesure de leur apparition à l Intelligence Artificielle
32 à l Intelligence Artificielle
33 Algorithme Largeur Algorithme 2 : Largeur Données : Un problème Pb. Résultat : Une solution ou Échec. AJOUTER-FILE(état initial de Pb) ; tant que Non(FILE-VIDE()) faire x = RETIRER-FILE() ; si x est un but alors renvoie solution(x) ; sinon pour chaque y = Successeur(x) faire AJOUTER-FILE(y); à l Intelligence Artificielle
34 Propriétés de la recherche en largeur d abord Adéquat Complet (si le facteur de branchement est fini) pas forcément optimal (oui, si coût constant) complexité en temps : complexité en espace : à l Intelligence Artificielle
35 Limites de l algorithme en largeur Supposons un problème avec les caractéristiques suivantes : un facteur de branchement de 10 espace occupé par chaque noeud : 1000 octets puissance de calcul : noeuds/s. Prof. Nb. noeuds Tps de calcul Espace mémoire s. 1 Mo s 106 Mo mn 10 Go h 1To (10 9 Ko) jours 101 To ans 10 petaoctets (10 16 Ko) ans 1 exaoctet (10 18 Ko) à l Intelligence Artificielle
36 En profondeur d abord (Depth-first search) Construction de l arbre de recherche branche par branche Implantation : on utilise une structure de Pile Développer toujours le noeud le plus profond à l Intelligence Artificielle
37 à l Intelligence Artificielle
38 Algorithme Profondeur Algorithme 3 : Profondeur Données : Un problème Pb. Résultat : Une solution ou Échec. AJOUTER-PILE(état initial de Pb) ; tant que Non(PILE-VIDE()) faire x = RETIRER-PILE() ; si x est un but alors renvoie solution(x) ; sinon pour chaque y = Successeur(x) faire AJOUTER-PILE(y); à l Intelligence Artificielle
39 Algorithme Profondeur - version récursive La version récursive est souvent préférée car plus simple à écrire! Procédure Profondeur(x) Données : Un problème Pb. Résultat : Une solution ou Échec. à l Intelligence Artificielle
40 Propriétés de la recherche en profondeur d abord Adéquat Pas optimal complexité en temps : complexité en espace : Remarque Le BackTrack est une variante de la recherche en profondeur. On ne génère qu un seul successeur. Chaque noeud partiellement exploré mémorise quel sera le prochain successeur à générer. La complexité en espace est alors en O(m) à l Intelligence Artificielle
41 Profondeur limitée Pour éviter le problème des branches infinies, on peut fixer une limite de profondeur l. Les noeuds à la profondeur l n ont pas de successeurs Une nouvelle source d incomplétude. Selon le problème, on peut choisir judicieusement l Par exemple sur la carte de Roumanie : Il y a 20 villes... on pourrait prendre l = 19 En regardant de plus près... 2 villes quelconques peuvent être reliées en au plus 9 étapes! Ce nombre s appelle le diamètre de l espace de recherche. Il constitue une très bonne limite pour l algorithme Malheureusement pour la plupart des problèmes, on ne peut pas définir une bonne limite sans résoudre le problème. à l Intelligence Artificielle
42 Algorithme Profondeur limitée - version récursive Procédure Profondeur-limitée(x, l) Données : Un problème Pb. Résultat : Une solution ou Échec. Test_lim faux; si x est un but alors renvoie solution(x) ; sinon si prof (x) = l alors renvoie "limite atteinte" sinon pour chaque y = Successeur(x) faire res Profondeur-limitée(y, l); si res ="limite atteinte" alors Test_lim vrai; sinon si res Échec alors renvoie res ; si Test_lim = vrai alors renvoie "limite atteinte"sinon renvoie Échec à l Intelligence Artificielle
43 Propriétés de la recherche en profondeur limitée Adéquat Pas optimal complexité en temps : complexité en espace : à l Intelligence Artificielle
44 Profondeur incrémentale Amélioration de la recherche avec profondeur limitée Itération sur la profondeur limite (0,1,2,...) Avantage de la recherche en profondeur : faible encombrement mémoire Avantage de la recherche en largeur : complétude et optimalité Fonction Profondeur-Incrémentale(Pb) Données : Un problème Pb. Résultat : Une solution ou Échec. pour l 0 à faire res Profondeur-limitée(etat_init(Pb), l); si res "limite atteinte" alors renvoie res à l Intelligence Artificielle
45 Limit = 0 A A Limit = 1 A A A A B C B C B C B C Limit = 2 A A A A B C B C B C B C D E F G D E F G D E F G D E F G A A A A B C B C B C B C D E F G D E F G D E F G D E F G Limit = 3 A A A A B C B C B C B C D E F G D E F G D E F G D E F G H I J K L M N O H I J K L M N O H I J K L M N O H I J K L M N O A A A A B C B C B C B C D E F G D E F G D E F G D E F G H I J K L M N O H I J K L M N O H I J K L M N O H I J K L M N O A A A A B C B C B C B C D E F G D E F G D E F G D E F G H I J K L M N O H I J K L M N O H I J K L M N O H I J K L M N O à l Intelligence Artificielle
46 Propriétés de la recherche en profondeur incrémentale Adéquat optimal complexité en temps : complexité en espace : Remarque La génération multiple des noeuds des niveaux supérieurs de l arbre de recherche, n est pas une surcharge importante! à l Intelligence Artificielle
47 Plan Glouton Rappel : Dijkstra A* Glouton Rappel : Dijkstra A* 4 à l Intelligence Artificielle
48 Guider la recherche Glouton Rappel : Dijkstra A* Les mèthodes précédentes sont du type Générer & tester Elles reposent sur un parcours systèmatique de l espace de recherche Elles deviennent rapidement inefficaces (lorsque la taille du pb augmente) En utilisant des informations spécifiques au problème traité on peut améliorer sa résolution à l Intelligence Artificielle
49 Le meilleur d abord Glouton Rappel : Dijkstra A* Principe : évaluer les différents états afin de selectionner "le meilleur d abord". Mais comment évaluer les états? Choisir à coût sûr à chaque étape le meilleur état, signifie que le calcul de la solution se fait par la fonction de choix. On se contentera d un état potentiellement le meilleur. à l Intelligence Artificielle
50 Heuristique Glouton Rappel : Dijkstra A* La fonction d évaluation est basée sur une fonction heuristique (du grec heurikein=trouver) Une bonne heuristique doit être : très rapide à calculer, car appelée pour chaque nouveau noeud de la recherche le plus discréminante possible entre les différents états le plus proche de la réalité possible nulle pour tous les noeuds solution Par exemple, sur le problème de la carte de Roumanie, on peut utiliser la distance à vol d oiseau entre chaque ville et Bucarest à l Intelligence Artificielle
51 Glouton Rappel : Dijkstra A* Oradea 71 Neamt 87 Zerind Iasi Arad Sibiu 99 Fagaras Vaslui Timisoara Rimnicu Vilcea Lugoj 97 Pitesti Hirsova Mehadia Urziceni Bucharest 120 Dobreta 90 Craiova Giurgiu Eforie Straight line distance to Bucharest Arad 366 Bucharest 0 Craiova 160 Dobreta 242 Eforie 161 Fagaras 178 Giurgiu 77 Hirsova 151 Iasi 226 Lugoj 244 Mehadia 241 Neamt 234 Oradea 380 Pitesti 98 Rimnicu Vilcea 193 Sibiu 253 Timisoara 329 Urziceni 80 Vaslui 199 Zerind 374 à l Intelligence Artificielle
52 Plan Glouton Rappel : Dijkstra A* Glouton Rappel : Dijkstra A* 4 à l Intelligence Artificielle
53 Méthode Gloutone Glouton Rappel : Dijkstra A* Toujours choisir le noeud qui paraît le plus proche du but L évaluation d un noeud est directement donnée par la fonction heuristique Sur le pb de la Roumanie : on choisit systématiquement la ville suivante en direction de Bucarest et qui permet de faire le plus grand bon en avant C est ce que l on qualifie de comportement glouton à l Intelligence Artificielle
54 Glouton Rappel : Dijkstra A* (a) The initial state Arad 366 (b) After expanding Arad Arad Sibiu Timisoara Zerind (c) After expanding Sibiu Arad Sibiu Timisoara Zerind Arad Fagaras Oradea Rimnicu Vilcea (d) After expanding Fagaras Arad Sibiu Timisoara Zerind Arad Fagaras Oradea Rimnicu Vilcea Sibiu Bucharest à l Intelligence Artificielle
55 Glouton Rappel : Dijkstra A* Propriétés de la recherche gloutone Adéquate complexité en temps : complexité en espace : Remarque Les complexités sont données dans le pire des cas. Une bonne heuristique améliore de façon importante le temps de calcul à l Intelligence Artificielle
56 Plan Glouton Rappel : Dijkstra A* Glouton Rappel : Dijkstra A* 4 à l Intelligence Artificielle
57 L algorithme de Dijkstra Glouton Rappel : Dijkstra A* Algorithme de calcul de plus court chemin dans un graphe dont la valuation des arcs est positive Principe : tout sous chemin d un chemin optimal est optimal La fonction de choix ne prend en compte que la distance parcourue depuis le noeud initial L algorithme calcule les plus courts chemins entre le sommet de départ et tous les sommets du graphe Basé sur 2 ensembles de sommets S les sommets fixés, et S les sommets non fixés à l Intelligence Artificielle
58 Algorithme Glouton Rappel : Dijkstra A* Algorithme 7 : Dijkstra(G, s) Données : Un graphe G = (X, U), un sommet s. Résultat : Les plus courts chemins de s à tous les sommets. S X ; d(s) 0 ; pred(s) ; pour tous les i X\{s} faire d(i) + ; tant que S faire choisir i S tel que d(i) est min; S S\{i}; pour tous les j voisins(i) faire si d(j) > d(i) + val(ij) alors d(j) d(i) + val(ij); pred(j) i; à l Intelligence Artificielle
59 Glouton Rappel : Dijkstra A* Un exemple d exécution de l algo de Dijkstra 2 D 1 3 B 7 E A C 3 F à l Intelligence Artificielle
60 Glouton Rappel : Dijkstra A* Propriétés de l algorithme de Dijkstra Adéquat complexité en temps : complexité en espace : Avec : ɛ constante positive, inférieure ou égale à tous les coûts élémentaires C le coût de la solution optimale Remarque Si tous les coûts élémentaires sont égaux, l algorithme est équivalent à celui de la largeur. à l Intelligence Artificielle
61 Plan Glouton Rappel : Dijkstra A* Glouton Rappel : Dijkstra A* 4 à l Intelligence Artificielle
62 A* Glouton Rappel : Dijkstra A* Glouton : ni optimal, ni complet, minimise le chemin restant Dijkstra : optimal et complet, minimise le chemin parcouru A* : combine les deux approches Fonction d évaluation est de la forme : f (n) = g(n) + h(n) g(n) est le coût du chemin du noeud initial jusqu au noeud n h(n) est le coût estimé du plus court chemin de n au but f (n) est le coût estimé de la meilleure solution passant par le noeud n à l Intelligence Artificielle
63 Heuristique admissible Glouton Rappel : Dijkstra A* A* est optimal si h(n) est une heuristique admissible Définition h est une fonction heuristique admissible pour A* ssi Définition h est une heuristique consistante ssi h est admissible et, pour chaque noeud n et chaque successeurs n de n, à l Intelligence Artificielle
64 Principe de A* Glouton Rappel : Dijkstra A* Sur le même principe que l algorithme de Dijkstra 2 ensembles de noeuds : les Ouverts et les Fermés A chaque étape on choisit un noeud n dans les Ouverts tel que f (n) soit minimum On modifie l évaluation de tous ces voisins pour lesquels on a une amélioration Remarque Dans l algorithme de Dijkstra on ne revient jamais sur un noeud déjà exploré. Avec A*, l évaluation prenant en compte une partie heuristique, elle n est pas sûre à 100%. Il faut donc pouvoir revenir sur une éventuelle erreur. Et faire repasser dans les Ouverts un noeud des Fermés pour lequel une meilleure valeur de g vient d être trouvée. à l Intelligence Artificielle
65 Glouton Rappel : Dijkstra A* Algorithme 8 : A* Ouverts {etat_init} ; Fermes ; tant que Ouverts faire choisir x Ouverts tel que f (x) est minimal ; Fermes Fermes {x} ; Ouverts Ouverts\{x}; si x est un but alors renvoyer solution(x) ; sinon pour tous les y successeurs(x) faire si y / Ouverts Fermes alors Ouverts Ouverts {y}; g(y) g(x) + val(x, y) ; f (y) g(y) + h(y); sinon si g(y) > g(x) + val(x, y) alors g(y) g(x) + val(x, y) ; f (y) g(y) + h(y); si y Fermes alors Ouverts Ouverts {y} ; Fermes Fermes\{y}; à l Intelligence Artificielle
66 Glouton Rappel : Dijkstra A* (a) The initial state Arad 366=0+366 (b) After expanding Arad Arad Sibiu 393= Timisoara Zerind 447= = (c) After expanding Sibiu Arad Sibiu Timisoara Zerind 447= = Arad Fagaras Oradea Rimnicu Vilcea 646= = = = (d) After expanding Rimnicu Vilcea Arad Sibiu Timisoara Zerind 447= = Arad Fagaras Oradea Rimnicu Vilcea 646= = = Craiova Pitesti Sibiu 526= = = (e) After expanding Fagaras Arad Sibiu Timisoara Zerind 447= = Arad 646= Fagaras Oradea 671= Rimnicu Vilcea Sibiu Bucharest Craiova Pitesti Sibiu 591= = = = = (f) After expanding Pitesti Arad Sibiu Timisoara Zerind 447= = Arad 646= Fagaras Oradea 671= Rimnicu Vilcea Sibiu Bucharest Craiova Pitesti Sibiu 526= = = =450+0 Bucharest Craiova Rimnicu Vilcea 418= = = à l Intelligence Artificielle
67 Propriétés de l algorithme A* Glouton Rappel : Dijkstra A* Adéquat complexité en temps : complexité en espace : Remarque De plus A* est d efficacité optimale pour une heuristique donnée! à l Intelligence Artificielle
Algorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailIntelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailIntelligence Articielle (1) Introduction
1/32 Introduction Un peu d'histoire Les nouveaux dés Intelligence Articielle (1) Introduction Pierre Gançarski Université de Strasbourg IUT Robert Schuman DUT Informatique /32 Plan 1 Introduction 2 Un
Plus en détailLes apports de l informatique. Aux autres disciplines
Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailOptimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)
Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases) Heuristique Constructive Itérativement, ajoute de nouvelles composantes à une solution partielle candidate Espace
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailQualité du logiciel: Méthodes de test
Qualité du logiciel: Méthodes de test Matthieu Amiguet 2004 2005 Analyse statique de code Analyse statique de code Étudier le programme source sans exécution Généralement réalisée avant les tests d exécution
Plus en détail1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles)
1/4 Objectif de ce cours /4 Objectifs de ce cours Introduction au langage C - Cours Girardot/Roelens Septembre 013 Du problème au programme I passer d un problème exprimé en français à la réalisation d
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailÉvaluation et implémentation des langages
Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation
Plus en détailInformatique Générale
Informatique Générale Guillaume Hutzler Laboratoire IBISC (Informatique Biologie Intégrative et Systèmes Complexes) guillaume.hutzler@ibisc.univ-evry.fr Cours Dokeos 625 http://www.ens.univ-evry.fr/modx/dokeos.html
Plus en détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailSynergies entre Artisan Studio et outils PLM
SysML France 13 Novembre 2012 William Boyer-Vidal Regional Sales Manager Southern Europe Synergies entre Artisan Studio et outils PLM 2012 2012 Atego. Atego. 1 Challenges & Tendances Complexité des produits
Plus en détail4 Exemples de problèmes MapReduce incrémentaux
4 Exemples de problèmes MapReduce incrémentaux 1 / 32 Calcul des plus courtes distances à un noeud d un graphe Calcul des plus courts chemins entre toutes les paires de noeuds d un graphe Algorithme PageRank
Plus en détailManuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2
éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en détailAlgorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailSystèmes décisionnels et programmation avancée
Systèmes décisionnels et programmation avancée M1 SIR Philippe Muller et Mustapha Mojahid, Matthieu Serrurier, Marie-Christine Scheix 2014-2015 Introduction structure du cours intervenants introduction
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailChapitre V : La gestion de la mémoire. Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping
Chapitre V : La gestion de la mémoire Hiérarchie de mémoires Objectifs Méthodes d'allocation Simulation de mémoire virtuelle Le mapping Introduction Plusieurs dizaines de processus doivent se partager
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailSemestre 1. Objectifs Approfondissement de l environnement Java et de son interface de programmation d applications : réseaux, et processus.
Programmation Java avancée (3 ECTS 36h) Semestre 1 Approfondissement de l environnement Java et de son interface de programmation d applications : réseaux, et processus. Introduction. Rappels des concepts
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailProgrammation par contraintes. Laurent Beaudou
Programmation par contraintes Laurent Beaudou On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification 2 On se trouve où? Un problème, une solution
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Plus en détailBaccalauréat universitaire (bachelor) en mathématiques et sciences informatiques
Baccalauréat universitaire (bachelor) en mathématiques et sciences informatiques CONDITIONS GENERALES Art. A 3 Baccalauréat universitaire en mathématiques et sciences informatiques 1. La Faculté décerne
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailUne brève introduction aux Sciences Cognitives
Une brève introduction aux Sciences Cognitives Sommaire Une brève introduction aux Sciences Cognitives... 1 1. Introduction... 1 2. Objet et enjeux des Sciences Cognitives... 2 2.1. Historique... 2 2.2.
Plus en détailPi, poker et informatique ; une «épuisante» alliance pour des projets en mathématiques
Pi, poker et informatique ; une «épuisante» alliance pour des projets en mathématiques Jean Fradette et Anik Trahan, Cégep de Sherbrooke Résumé Dans un cours intégrateur en mathématiques, des étudiants
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
Plus en détailDossier justificatif des travaux de R&D déclarés au titre du CIR
Dossier justificatif des travaux de R&D déclarés au titre du CIR I PRÉSENTATION DE LA SOCIETE Présenter l activité de la société en quelques lignes ou au moyen d une plaquette publicitaire et replacer
Plus en détailI 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 détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailInstallation Client (licence réseau) de IBM SPSS Modeler 14.2
Installation Client (licence réseau) de IBM SPSS Modeler 14.2 Les instructions suivantes permettent d installer IBM SPSS Modeler Client version 14.2 en utilisant un licence réseau. Ce présent document
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailQuatrième partie IV. Test. Test 15 février 2008 1 / 71
Quatrième partie IV Test Test 15 février 2008 1 / 71 Outline Introduction 1 Introduction 2 Analyse statique 3 Test dynamique Test fonctionnel et structurel Test structurel Test fonctionnel 4 Conclusion
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailDisparités entre les cantons dans tous les domaines examinés
Office fédéral de la statistique Bundesamt für Statistik Ufficio federale di statistica Uffizi federal da statistica Swiss Federal Statistical Office EMBARGO: 02.05.2005, 11:00 COMMUNIQUÉ DE PRESSE MEDIENMITTEILUNG
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Plus en détailÉTUDIANTS ÉTRANGERS EN ROUMANIE
ÉTUDIANTS ÉTRANGERS EN ROUMANIE Le système national d enseignement est ouvert selon la loi aussi pour les citoyens étrangers. L inscription des citoyens étrangers dans le système éducationnel roumain est
Plus en détailINF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies
INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH
Plus en détailReprésentation d un entier en base b
Représentation d un entier en base b 13 octobre 2012 1 Prérequis Les bases de la programmation en langage sont supposées avoir été travaillées L écriture en base b d un entier est ainsi défini à partir
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailDNS ( DOMAIN NAME SYSTEM)
DNS ( DOMAIN NAME SYSTEM) Principe de la résolution de Noms Certaines applications nécessitent pour communiquer d utiliser les noms de Machines : Sony alors que d autres utiliseront des noms Internet ou
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailÉconométrie, causalité et analyse des politiques
Économétrie, causalité et analyse des politiques Jean-Marie Dufour Université de Montréal October 2006 This work was supported by the Canada Research Chair Program (Chair in Econometrics, Université de
Plus en détailEtudier l informatique
Etudier l informatique à l Université de Genève 2015-2016 Les bonnes raisons d étudier l informatique à l UNIGE La participation à des dizaines de projets de recherche européens Dans la présente brochure,
Plus en détailGénie Logiciel avec Ada. 4 février 2013
Génie Logiciel 4 février 2013 Plan I. Généralités II. Structures linéaires III. Exceptions IV. Structures arborescentes V. Dictionnaires I. Principes II. Notions propres à la POO I. Principes Chapitre
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailStructure fonctionnelle d un SGBD
Fichiers et Disques Structure fonctionnelle d un SGBD Requetes Optimiseur de requetes Operateurs relationnels Methodes d acces Gestion de tampon Gestion de disque BD 1 Fichiers et Disques Lecture : Transfert
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailConception des systèmes répartis
Conception des systèmes répartis Principes et concepts Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT Octobre 2012 Gérard Padiou Conception des systèmes répartis 1 / 37 plan
Plus en détailSystèmes d information et bases de données (niveau 1)
Systèmes d information et bases de données (niveau 1) Cours N 1 Violaine Prince Plan du cours 1. Bibliographie 2. Introduction aux bases de données 3. Les modèles 1. Hiérarchique 2. Réseau 3. Relationnel
Plus en détailSujet de thèse CIFRE RESULIS / LGI2P
Ecole des Mines d Alès Laboratoire de Génie Informatique et d Ingénierie de Production LGI2P Nîmes Sujet de thèse CIFRE RESULIS / LGI2P Titre Domaine De l ingénierie des besoins à l ingénierie des exigences
Plus en détailCARPE. Documentation Informatique S E T R A. Version 2.00. Août 2013. CARPE (Documentation Informatique) 1
CARPE (Documentation Informatique) 1 CARPE Version 2.00 Août 2013 Documentation Informatique S E T R A Programme CARPE - Manuel informatique de l'utilisateur CARPE (Documentation Informatique) 2 Table
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailEfficient Object Versioning for Object- Oriented Languages From Model to Language Integration
Efficient Object Versioning for Object- Oriented Languages From Model to Language Integration Pluquet Frédéric July, 3rd 2012 Etude de techniques efficaces de versionnement d objets pour les langages orientés
Plus en détailDéroulement. Evaluation. Préambule. Définition. Définition. Algorithmes et structures de données 28/09/2009
Déroulement Algorithmes et structures de données Cours 1 et 2 Patrick Reuter http://www.labri.fr/~preuter/asd2009 CM mercredi de 8h00 à 9h00 (Amphi Bât. E, 3 ème étage) ED - Groupe 3 : mercredi, 10h30
Plus en détailCORRIGE LES NOMBRES DECIMAUX RELATIFS. «Réfléchir avant d agir!»
Corrigé Cours de Mr JULES v3.3 Classe de Quatrième Contrat 1 Page 1 sur 13 CORRIGE LES NOMBRES DECIMAUX RELATIFS. «Réfléchir avant d agir!» «Correction en rouge et italique.» I. Les nombres décimaux relatifs.
Plus en détailET 24 : Modèle de comportement d un système Boucles de programmation avec Labview.
ET 24 : Modèle de comportement d un système Boucles de programmation avec Labview. Sciences et Technologies de l Industrie et du Développement Durable Formation des enseignants parcours : ET24 Modèle de
Plus en détailintroduction Chapitre 5 Récursivité Exemples mathématiques Fonction factorielle ø est un arbre (vide) Images récursives
introduction Chapitre 5 Images récursives http ://univ-tln.fr/~papini/sources/flocon.htm Récursivité http://www.poulain.org/fractales/index.html Image qui se contient elle-même 1 Exemples mathématiques
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailIngénierie et gestion des connaissances
Master Web Intelligence ICM Option Informatique Ingénierie et gestion des connaissances Philippe BEAUNE Philippe.Beaune@emse.fr 18 novembre 2008 Passer en revue quelques idées fondatrices de l ingénierie
Plus en détailLes transactions 1/46. I même en cas de panne logicielle ou matérielle. I Concept de transaction. I Gestion de la concurrence : les solutions
1/46 2/46 Pourquoi? Anne-Cécile Caron Master MAGE - SGBD 1er trimestre 2014-2015 Le concept de transaction va permettre de définir des processus garantissant que l état de la base est toujours cohérent
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailClé USB. Quel type de données peut contenir une clé USB?
Qu est-ce qu une clé USB? Clé USB Une clé USB est un support de stockage amovible. Ce qui, en français, signifie que c est une mémoire que vous pouvez brancher et débrancher sur n importe quel ordinateur
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détail