ème année Master Informatique de l Optimisation et de la Décision. Classification. Réseaux de neurones
|
|
- Jean-Jacques Barrette
- il y a 6 ans
- Total affichages :
Transcription
1 2ème année Master Informatique de l Optimisation et de la Décision / 42
2 RNA : Introduction artificiels Inspirés de la méthode de travail du cerveau humain 2 / 42
3 RNA : Introduction artificiels Inspirés de la méthode de travail du cerveau humain Cerveau humain 2 / 42
4 RNA : Introduction artificiels Inspirés de la méthode de travail du cerveau humain Cerveau humain Méthode totalement différente de celle d un ordinateur. 2 / 42
5 RNA : Introduction artificiels Inspirés de la méthode de travail du cerveau humain Cerveau humain Méthode totalement différente de celle d un ordinateur. système de traitement très compliqué 2 / 42
6 RNA : Introduction artificiels Inspirés de la méthode de travail du cerveau humain Cerveau humain Méthode totalement différente de celle d un ordinateur. système de traitement très compliqué parallèle et non linéaire 2 / 42
7 RNA : Introduction artificiels Inspirés de la méthode de travail du cerveau humain Cerveau humain Méthode totalement différente de celle d un ordinateur. système de traitement très compliqué parallèle et non linéaire organise ses composants pour traiter, d une façon très performante et très rapide, des problèmes très compliqués tel que la reconnaissance des formes. 2 / 42
8 RNA : Introduction 3 / 42
9 RNA : Introduction 4 / 42
10 Physiologie du cerveau humain Les reçoivent les signaux (impulsions électriques) par des extensions très ramifiées de leur corps cellulaire (les dendrites) et envoient l information par de longs prolongements (les axones). Les impulsions électriques sont régénérées pendant le parcours le long de l axone. La durée de chaque impulsion est de l ordre d 1 ms et son amplitude d environ 100 mv. Les contacts entre deux, de l axone à une dendrite, se font par l intermédiaire des synapses 5 / 42
11 Physiologie du cerveau humain le cerveau contient environ 100 milliards de. on ne dénombre que quelques dizaines de catégories distinctes de. aucune catégorie de n est propre à l homme. la vitesse de propagation des influx nerveux est de l ordre de 100m/s, c est à dire bien inférieure à la vitesse de transmission de l information dans un circuit électronique. on compte de quelques centaines à plusieurs dizaines de milliers de contacts synaptiques par neurone. Le nombre total de connexions est estimé à environ / 42
12 Physiologie du cerveau humain 7 / 42 la connectique du cerveau ne peut pas être codée dans un document biologique tel l ADN pour de simples raisons combinatoires. La structure du cerveau provient donc en partie des contacts avec l environnement. L apprentissage est donc indispensable à son développement. le nombre de décroit après la naissance. Cependant, cette affirmation semble remise en question. les synapses entre des qui ne sont pas simultanément actifs sont affaiblis puis éliminés. il semble que l apprentissage se fasse par un double mécanisme : des connections sont établies de manière redondantes et aléatoires puis seules les connexions entre des simultanément actifs sont conservés (phase de sélection) tandis que les autres sont éliminés. On parle de stabilisation sélective.
13 Un neurone seul Un neurone est l unité élémentaire de traitement d un réseau de. Il est connecté à des sources d information en entrée (d autres par exemple) et renvoie une information en sortie. Un neurone artificiel reçoit en entrée des entrées numériques x i (1 i N où N est le nombre de données qu va recevoir le neurone) valorisée chacune par un coefficient w i. 8 / 42
14 Un neurone seul 9 / 42 Le neurone artificiel (qui est une modélisation des du cerveau) effectue alors une somme pondérée de ses entrées et lui ajoute un coefficient w 0 dit de biais supposé lié à une donnée x 0 = 1. S = w 1 x w N x N w 0 = N w i w i w 0 i=1 Cette donnée est passée à une fonction f dite d activation qui représente un filtre permettant d adapter la valeur de la somme précédente aux caractéristiques de la sortie désirée. C est une fonction qui, généralement, doit renvoyer un réel proche de 1 quand les bonnes informations d entrée sont données et un réel proche de 0 quand elles sont mauvaises.
15 Un neurone seul La valeur de la fonction d activation est la sortie y du neurone. N y = f( w i x i w 0 ) i=1 10 / 42
16 Un neurone seul La valeur de la fonction d activation est la sortie y du neurone. N y = f( w i x i w 0 ) i=1 11 / 42
17 Un neurone seul 12 / 42
18 Un neurone seul Un ensemble de connexions avec les différentes entrées x i, pondérée chacune par un poids w i, Un additionneur permettant de calculer une combinaison linéaire des entrées x i pondérées par les coefficients w i, Un biais w 0 qui permet de contrôler l entrée de la fonction d activation, Une fonction d activation f permettant de délimiter la sortie y du neurone. 13 / 42
19 Un neurone seul La fonction de Heaviside x R f(x) = 1 six 0, 0 sinon 14 / 42
20 Un neurone seul La fonction sigmoïde x R f(x) = 1 1+e x 15 / 42
21 Un réseau de artificiels définie par : Nombre d entrées, 16 / 42
22 Un réseau de artificiels définie par : Nombre d entrées, Nombre de sorties, 16 / 42
23 Un réseau de artificiels définie par : Nombre d entrées, Nombre de sorties, Nombre de nœuds 16 / 42
24 Un réseau de artificiels définie par : Nombre d entrées, Nombre de sorties, Nombre de nœuds Façon d interconnexion et d organisation des nœuds. 16 / 42
25 Un réseau de artificiels définie par : Nombre d entrées, Nombre de sorties, Nombre de nœuds Façon d interconnexion et d organisation des nœuds. Cette architecture est utilisée dans presque 90 % des applications commerciales et industrielles. 16 / 42
26 Réseau de neurone monocouche (Perceptron) Un réseau de est une structure de réseau constituée d un nombre de nœuds interconnectés par des liaisons directionnelles. Chaque nœud représente une unité de traitement et les liaisons représentent les relations causales entre les nœuds. La figure suivante représente une schématisation d un neurone. Le réseau le plus simple est celui monocouche appelé le perceptron 17 / 42
27 Réseau de neurone monocouche (Perceptron) Il possède N informations en entrée ; Il est composé de p, que l on représente généralement alignés verticalement. Chacun peut en théorie avoir une fonction d activation différente. En pratique, ce n est généralement pas le cas ; Chacun des p est connecté aux N informations d entrée. 18 / 42
28 Réseau de neurone monocouche (Perceptron) 19 / 42
29 Réseau de neurone monocouche (Perceptron) Le réseau de possède ainsi N informations en entrée et P sorties, chaque neurone renvoyant sa sortie. Une utilisation courante est que chaque neurone de la couche représente une classe. Pour un exemple X donné, on obtient la classe de cet exemple en prenant la plus grande des p sorties. 20 / 42
30 Réseau de neurone multicouche Dans ce réseau, les de la première couche reçoivent toutes les informations entrées, ceux de la deuxième reçoivent toutes les sorties des de la première couche, et ainsi de suite jusqu au neurone de sortie qui reçoit celles de la dernière couche. 21 / 42
31 Réseau de neurone multicouche 22 / 42
32 des RNA Dans ce réseau, les de la première couche reçoivent toutes les informations entrées, ceux de la deuxième reçoivent toutes les sorties des de la première couche, et ainsi de suite jusqu au neurone de sortie qui reçoit celles de la dernière couche. 23 / 42
33 Entrainement Tâche principale : classification 24 / 42
34 Entrainement Tâche principale : classification Entrainement : Processus itératif 24 / 42
35 Entrainement Tâche principale : classification Entrainement : Processus itératif Obtenir les w i permettant d avoir f(x i ) = y i, i = 1..N 24 / 42
36 Entrainement Tâche principale : classification Entrainement : Processus itératif Obtenir les w i permettant d avoir f(x i ) = y i, i = 1..N w i initialisées aléatoirement 24 / 42
37 Entrainement Tâche principale : classification Entrainement : Processus itératif Obtenir les w i permettant d avoir f(x i ) = y i, i = 1..N w i initialisées aléatoirement Corrigés selon les erreurs entre les y i obtenus et attendus 24 / 42
38 Entrainement Réseau de multicouches Correction dans le sens inverse du sens de propagation des données 25 / 42
39 Entrainement Réseau de multicouches Correction dans le sens inverse du sens de propagation des données backpropagation 25 / 42
40 Entrainement Réseau de multicouches Correction dans le sens inverse du sens de propagation des données backpropagation À chaque présentation d un exemple : 25 / 42
41 Entrainement Réseau de multicouches Correction dans le sens inverse du sens de propagation des données backpropagation À chaque présentation d un exemple : 1 Propagation : valeurs du vecteur exemple reçues dans la couche d entrée puis propagées d une couche à l autre jusqu à la sortie où un vecteur de sortie (les y i ) est obtenu. 25 / 42
42 Entrainement Réseau de multicouches Correction dans le sens inverse du sens de propagation des données backpropagation À chaque présentation d un exemple : 1 Propagation : valeurs du vecteur exemple reçues dans la couche d entrée puis propagées d une couche à l autre jusqu à la sortie où un vecteur de sortie (les y i ) est obtenu. 2 Backpropagation, les w i sont ajustés de la dernière couche jusqu à la première de manière à rapprocher les y i obtenus de ceux attendus. 25 / 42
43 Entrainement Réseau de multicouches Correction dans le sens inverse du sens de propagation des données backpropagation À chaque présentation d un exemple : 1 Propagation : valeurs du vecteur exemple reçues dans la couche d entrée puis propagées d une couche à l autre jusqu à la sortie où un vecteur de sortie (les y i ) est obtenu. 2 Backpropagation, les w i sont ajustés de la dernière couche jusqu à la première de manière à rapprocher les y i obtenus de ceux attendus. Répéter avec chaque exemple d entrainement 25 / 42
44 Entrainement Réseau de multicouches Correction dans le sens inverse du sens de propagation des données backpropagation À chaque présentation d un exemple : 1 Propagation : valeurs du vecteur exemple reçues dans la couche d entrée puis propagées d une couche à l autre jusqu à la sortie où un vecteur de sortie (les y i ) est obtenu. 2 Backpropagation, les w i sont ajustés de la dernière couche jusqu à la première de manière à rapprocher les y i obtenus de ceux attendus. Répéter avec chaque exemple d entrainement Obtenir un RNA entrainé 25 / 42
45 du modèle Réseau de multicouches RNA entrainé (Réseaux + w i + b i ) 26 / 42
46 du modèle Réseau de multicouches RNA entrainé (Réseaux + w i + b i ) Injection des valeurs du vecteur de l exemple à classifier dans l entrée 26 / 42
47 du modèle Réseau de multicouches RNA entrainé (Réseaux + w i + b i ) Injection des valeurs du vecteur de l exemple à classifier dans l entrée Propagation 26 / 42
48 du modèle Réseau de multicouches RNA entrainé (Réseaux + w i + b i ) Injection des valeurs du vecteur de l exemple à classifier dans l entrée Propagation Recevoir la classe à la sortie 26 / 42
49 Métode de décente de gradiant 27 / 42
50 Métode de décente de gradiant 27 / 42 α est un nombre réel appelé taux (vitesse) d apprentissage bien choisi, suffisamment petit Si trop grand : risque d oscillation autour du minimum Si trop petit : nombre élevé d itérations En pratique : on diminue graduellement α au fur et à mesure des itérations
51 Métode de décente de gradiant Afin d obtenir de bons résultats, il faudra passer plusieurs fois les exemples à chaque neurone, de sorte que les poids convergent vers des poids idéaux. Le problème avec cette méthode est que l on corrige sur la globalité des exemples, ce qui fait que le réseau ne s adaptera aux exemples qu après un certain moment. Il y a une autre méthode qui permet de corriger sur chacun des exemples, et qui se nomme méthode d apprentissage de Widrow-Hoff. 28 / 42
52 Widrow-Hoff 29 / 42
53 Widrow-Hoff (Exemple) 30 / 42
54 Widrow-Hoff (Exemple) α = 1 x0 vaut toujours 1 Initialisation : w0 = 0 ; w1 = 1 ; w2 = / 42
55 Widrow-Hoff (Exemple) 32 / 42
56 Widrow-Hoff (Exemple) Donc : w0 = 0 ; w1 = 1 ; w2 = 1 Ce perceptron calcule le OU logique pour tout couple (x1 ; x2) 33 / 42
57 Widrow-Hoff (Exemple) Si l échantillon n est pas linéairement séparable, l algorithme ne converge pas. L algorithme peut converger vers plusieurs solutions, selon : les valeurs initiales des coefficients, la valeur de α, l ordre de présentation des exemples La solution n est pas robuste : un nouvel exemple peut remettre en cause le perceptron appris. 34 / 42
58 Widrow-Hoff (Exemple) Solution : RNA multicouches 35 / 42
59 RNA multicouches 36 / 42
60 RNA multicouches (entrainement) 37 / 42
61 Réseau de multicouches Régression : Naturelle (y i représentent la réponse de la fonction à estimer) 38 / 42
62 Réseau de multicouches Régression : Naturelle (y i représentent la réponse de la fonction à estimer) : Discrétiser les y i (fonction d activation ou après) Binaire : une seule sortie (0 ou 1) Muliclasse : une sortie pour chaque classe 38 / 42
63 RNAs Selon la manière d interconnexion 39 / 42
64 RNAs Selon la manière d interconnexion RNA récurrents : propager les résultats au sens inverse de la propagation dans le calcul des w i 39 / 42
65 RNAs Selon la manière d interconnexion RNA récurrents : propager les résultats au sens inverse de la propagation dans le calcul des w i cartes auto-organisatrices de Kohonen : utilise la compétition pour prendre les meilleurs nœuds dans les calculs (généralement pour le clustering) 39 / 42
66 des RNAs Surmonter le problème d analyse d un système donné pour le modéliser 40 / 42
67 des RNAs Surmonter le problème d analyse d un système donné pour le modéliser On peut simuler son comportement uniquement à partir d un certain nombre d exemples observés 40 / 42
68 des RNAs Boîte noire très difficile (impossible) d analyser et comprendre le fonctionnement en face d un problème donné, Difficulté de choisir la structure (type, nombre de nœuds, organisation, connexions,...etc) la mieux adaptée au problème. 41 / 42
69 des RNAs Boîte noire très difficile (impossible) d analyser et comprendre le fonctionnement en face d un problème donné, Difficulté de choisir la structure (type, nombre de nœuds, organisation, connexions,...etc) la mieux adaptée au problème. Influence de l ordre de présentation des exemples d entrainement : Solution : répéter l entrainement avec des ordres différents mais temps d apprentissage 41 / 42
70 des RNAs Problème des attributs symboliques Solution : encodage adapté 42 / 42
71 des RNAs Problème des attributs symboliques Solution : encodage adapté Sensibilité aux minimas locaux et divergence : La boite noire empêche la correction 42 / 42
72 des RNAs Problème des attributs symboliques Solution : encodage adapté Sensibilité aux minimas locaux et divergence : La boite noire empêche la correction Plusieurs applications favorisent les SVMs 42 / 42
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 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 détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
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 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 détailFigure 3.1- Lancement du Gambit
3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh
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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en 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 détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailCryptologie et physique quantique : Espoirs et menaces. Objectifs 2. distribué sous licence creative common détails sur www.matthieuamiguet.
: Espoirs et menaces Matthieu Amiguet 2005 2006 Objectifs 2 Obtenir une compréhension de base des principes régissant le calcul quantique et la cryptographie quantique Comprendre les implications sur la
Plus en détailRemerciements : Avant tout, louange à Dieu le tout puissant de m avoir aidé et permis d achever ce modeste travail.
العالي التعلیم وزارة والبحث العلمي BADJI MOKHTAR ANNABA UNIVERSITY UNIVERSITE BADJI MOKHTAR ANNABA جامعة باجي مختار عنابة Faculté: Sciences de l'ingénieur Année : 2010 Département: Electronique MEMOIRE
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailPoker. A rendre pour le 25 avril
Poker A rendre pour le 25 avril 0 Avant propos 0.1 Notation Les parties sans * sont obligatoires (ne rendez pas un projet qui ne contient pas toutes les fonctions sans *). Celles avec (*) sont moins faciles
Plus en détailChapitre 6 Apprentissage des réseaux de neurones et régularisation
Chapitre 6 : Apprentissage des réseaux de neurones et régularisation 77 Chapitre 6 Apprentissage des réseaux de neurones et régularisation Après une introduction rapide aux réseaux de neurones et à la
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
Plus en détailDruais Cédric École Polytechnique de Montréal. Résumé
Étude de load balancing par un réseau de neurones de types HME (Hierarchical Mixture of s). Druais Cédric École Polytechnique de Montréal Résumé Cet article tente d introduire le principe de load balancing
Plus en détailINITIATION AU LANGAGE C SUR PIC DE MICROSHIP
COURS PROGRAMMATION INITIATION AU LANGAGE C SUR MICROCONTROLEUR PIC page 1 / 7 INITIATION AU LANGAGE C SUR PIC DE MICROSHIP I. Historique du langage C 1972 : naissance du C dans les laboratoires BELL par
Plus en détailLogique binaire. Aujourd'hui, l'algèbre de Boole trouve de nombreuses applications en informatique et dans la conception des circuits électroniques.
Logique binaire I. L'algèbre de Boole L'algèbre de Boole est la partie des mathématiques, de la logique et de l'électronique qui s'intéresse aux opérations et aux fonctions sur les variables logiques.
Plus en détailT.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY
T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en 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 détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
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 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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détailExtrait des Exploitations Pédagogiques
Pédagogiques Module : Compétitivité et créativité CI Première : Compétitivité et créativité CI institutionnel : Développement durable et compétitivité des produits Support : Robot - O : Caractériser les
Plus en détailLes nouveautés de Femap 11.1
Siemens PLM Software Les nouveautés de Femap 11.1 Amélioration de la productivité des Ingénieurs calcul Avantages Manipulation plus rapide des modèles grâce à des performances graphiques améliorées Flexibilité
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailSudoClick Reconnaissance de grilles de sudoku pour téléphones portables
SudoClick Reconnaissance de grilles de sudoku pour téléphones portables Patrick Anagnostaras 1 24 mai 2008 Department of Informatics - Master Project Report Département d Informatique - Departement für
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailDétection de la défaillance des entreprises tunisiennes par la régression logistique semi paramétrique et les réseaux de neurones
Détection de la défaillance des entreprises tunisiennes par la régression logistique semi paramétrique et les réseaux de neurones Abdeljelil Farhat Unité de recherche EAS-Mahdia Faculté des sciences économiques
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailBases de données documentaires et distribuées Cours NFE04
Bases de données documentaires et distribuées Cours NFE04 Introduction a la recherche d information Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département
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 détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailL 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 détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailLicence Sciences et Technologies Examen janvier 2010
Université de Provence Introduction à l Informatique Licence Sciences et Technologies Examen janvier 2010 Année 2009-10 Aucun document n est autorisé Les exercices peuvent être traités dans le désordre.
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 détailL informatique comme discipline au gymnase. Renato Renner Institut für Theoretische Physik ETH Zürich
L informatique comme discipline au gymnase Renato Renner Institut für Theoretische Physik ETH Zürich Comment puis-je transférer des fichiers de musique sur mon nouvel iphone? Comment puis-je archiver mes
Plus en détailConception de réseaux de télécommunications : optimisation et expérimentations
Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,
Plus en détailF7n COUP DE BOURSE, NOMBRE DÉRIVÉ
Auteur : S.& S. Etienne F7n COUP DE BOURSE, NOMBRE DÉRIVÉ TI-Nspire CAS Mots-clés : représentation graphique, fonction dérivée, nombre dérivé, pente, tableau de valeurs, maximum, minimum. Fichiers associés
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
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 détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailMPI Activité.10 : Logique binaire Portes logiques
MPI Activité.10 : Logique binaire Portes logiques I. Introduction De nombreux domaines font appel aux circuits logiques de commutation : non seulement l'informatique, mais aussi les technologies de l'asservissement
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailAgilitéet qualité logicielle: une mutation enmarche
Agilitéet qualité logicielle: une mutation enmarche Jean-Paul SUBRA Introduction : le manifeste Agile Manifeste pour le développement Agile de logiciels Nous découvrons comment mieux développer des logiciels
Plus en détailProgrammation parallèle et distribuée
Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2015) Marc Parizeau, Département de génie électrique et de génie informatique Plan Données massives («big data») Architecture Hadoop distribution
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 de La Rochelle. Réseaux TD n 6
Réseaux TD n 6 Rappels : Théorème de Nyquist (ligne non bruitée) : Dmax = 2H log 2 V Théorème de Shannon (ligne bruitée) : C = H log 2 (1+ S/B) Relation entre débit binaire et rapidité de modulation :
Plus en détailExercices de dénombrement
Exercices de dénombrement Exercice En turbo Pascal, un entier relatif (type integer) est codé sur 6 bits. Cela signifie que l'on réserve 6 cases mémoires contenant des "0" ou des "" pour écrire un entier.
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détail1ST2S Biophysiopathologie : Motricité et système nerveux. 2012-2013. La physiologie neuro-musculaire :
La physiologie neuro-musculaire : Introduction : Le neurone possède 3 propriétés indispensables pour assurer sa fonction au sein de l organisme : -l excitabilité : capacité à répondre à un stimulus -la
Plus en détailManuel de validation Fascicule v4.25 : Thermique transitoire des structures volumiques
Titre : TTLV100 - Choc thermique dans un tuyau avec condit[...] Date : 02/03/2010 Page : 1/10 Manuel de Validation Fascicule V4.25 : Thermique transitoire des structures volumiques Document : V4.25.100
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailProjet de Semestre. Page Web Didactique de Visualisation d Algorithme. Université de Genève - semestre de printemps 2012
Nouvelles Technologies de l Information et de la Communication Projet de Semestre Page Web Didactique de Visualisation d Algorithme Université de Genève - semestre de printemps 2012 Pierre Künzli, Adrien
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailGuide de l utilisateur. Calibreur de Courant / Voltage Modèle 412355A
Guide de l utilisateur Calibreur de Courant / Voltage Modèle 412355A Introduction Félicitations pour votre achat du Calibreur de Courant/Voltage Extech. Le modèle 412355A peut mesurer et trouver la source
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
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 détailMasters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance»
Masters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance» Introduction au Data Mining K. EL HIMDI elhimdi@menara.ma 1 Sommaire du MODULE Partie 1 : Introduction au Data Mining Partie 2 :
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailLE COURTAGE PRÊT AVEC OCLC 08 octobre 2013. Schéma de fonctionnement du prêt sans courtage. 4
TABLE DES MATIÈRES Contexte. 2 Fonctionnement du prêt avec OCLC pour les établissements ayant plusieurs services de PEB. 2 Avec ou sans courtage.. 2 Fonctionnement du courtage.. 2 Le rôle du courtier.
Plus en détailLes technologies du Big Data
Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR
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 détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailCHAPITRE IX : Les appareils de mesures électriques
CHAPITRE IX : Les appareils de mesures électriques IX. 1 L'appareil de mesure qui permet de mesurer la différence de potentiel entre deux points d'un circuit est un voltmètre, celui qui mesure le courant
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailAgrégation de liens xdsl sur un réseau radio
Agrégation de liens xdsl sur un réseau radio Soutenance TX Suiveur: Stéphane Crozat Commanditaire: tetaneutral.net/laurent Guerby 1 02/02/212 Introduction 2 Introduction: schéma 3 Définition d un tunnel
Plus en détailThéorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailL utilisation des réseaux de neurones artificiels en finance. Philippe PAQUET Professeur de Gestion
L utilisation des réseaux de neurones artificiels en finance Philippe PAQUET Professeur de Gestion 2 Résumé Depuis le début de la décennie 1990, les réseaux de neurones artificiels habituellement utilisés
Plus en détailAtelier sur l Analyse des Réseaux Madagascar
Atelier sur l Analyse des Réseaux Madagascar Patrick Imam Fonds Monétaire International 21 Juillet 2015 Les vues exprimées dans cette présentation sont celles du Représentant Résident du FMI et ne reflètent
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
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 détail