Séminaire. Nicoleta ROGOVSCHI
|
|
- Andrée Laperrière
- il y a 6 ans
- Total affichages :
Transcription
1 Séminaire 20 décembre 2012 LSIS - Université Sud Toulon Var Classification à base de modèles de mélanges topologiques Nicoleta ROGOVSCHI LIPADE, Université Paris 5 1
2 Plan Contexte Problématique Difficultés Cadre formel Modèles de mélanges Classification topologique Mes contributions Données catégorielles et mixtes (BeSOM, PrMTM) Données structurées (THMM, 3M-SOM) Conclusions et perspectives 2
3 Problématique : clustering Classification supervisée Classification non supervisée Les classes et le nombre des classes sont connus n Les classes et le nombre des classes ne sont pas disponibles???? Les difficultés : - Existence réelle d une structure - Choix de similarité - Choix du nombre de groupes (Combinatoire) 71 observations - Validation (absence de labels) - Nature des données 3
4 Données de différent types Image satellitaire réelles Capteurs Réelles/ qualitatives Algorithmes adaptés enquêtes qualitatives Web Réelles/ qualitatives. Sources Comment partitionner ces données? (former des groupes «clusters») Quelle distance ou loi de probabilité utiliser? Comment avoir des prototypes du même type que les données? 4
5 nature Complexité des données Peut-être mesurée selon plusieurs axes Dimension (nb. composantes) Quantité (nb.observations) Densité Structure (arbre, matrice, ) Nature Vitesse : flux des données dimension 5
6 Ma démarche Classification non supervisée à base de prototypes (SOM) Visualisation des partitions (structure topologique des données) Revisiter les carte SOM (Self-Organizing Map) en utilisant un formalisme de modèles de mélanges Formalisme riche et mathématiquement fondé 6
7 Modèle de base : SOM (Self Organizing Map) x w référent 7
8 Formalisme probabiliste bayésien p(x)= Mélange de mélanges locales de lois de probabilité 8
9 Données binaires BeSOM (Bernoulli Self-Organizing Map)
10 BeSOM (Bernoulli Self-Organizing Map) ( ) x k identique à w k c avec la probabilité 1- k c et diffèrent avec la probabilité k c [Nadif et al 98] Loi de Bernoulli p( c * ) 10
11 BeSOM (Bernoulli Self Organizing Map) Maximiser la vraisemblance X; Utiliser E-M 11
12 Un exemple : Chiffres manuscrits 2000 chiffres Chiffre = Image binaire (1/0) Zoo data Congressional Vote Data Winsconsis Breast Cancer Handwritten data Image = 15 x 16 = 240 variables binaires 12
13 BeSOM (Résultats) 13
14 BeSOM (Résultats) Approche probabiliste Analyse fine du comportement du modèle 14
15 BeSOM (différents niveaux de pertinences) e-01 Pertinence des variables Sélection de variable Caractérisation des groupes Pertinence des prototypes Elagage de neurones Échantillonnage optimisé Plus d information Pertinence de la carte Sélection de modèle 15
16 Données mixtes PrMTM (Probabilistic Mixed Topological Map)
17 PrMTM (Probabilistic Mixed Topological Map) w c x k identique à w k c avec la probabilité 1- k c et diffèrent avec la probabilité k c [Nadif et al 98] Loi de Bernoulli, BeSOM Loi Gaussienne PRSOM, GTM 17
18 Jeux de données artificielles SOM : 1x 5 SOM : 1 x 10 SOM : 10 x 10 SOM : 10 x 10 18
19 Des jeux de données réelles Bases de données dim. qualit dim. quantitative # obs # classes Cleve Credit Thyroid
20 Les données «Cleve» 20
21 Approche déterministe vs approche probabiliste PrMTM fournit plus d information 21
22 Données structurées en séquences: Données textuelles T-HMM
23 Données structurées en séquences 23
24 Données structurées en séquences 24
25 Classification topologique Markovienne SOM=HMM 1 HMM 2. HMM K Approche locale Approche globale SOM=HMM 25
26 Approche locale Classification topologique non supervisée de séquences de longueur variable Modèles utilisés: Markov Model (MM) modéliser la dynamique des séquences d événements Self Organizing Map (SOM) apport topologique à la classification non supervisée 26
27 Schéma de l approche locale Définition automatique des structures des HMM Propagation de l élagage sur SOM 27
28 Validation: Contexte et objectif Un corpus de récits d'accidents A partir d une indexation des verbes selon la classification de Vendler (Etat, Accomplissement, Activité, Achèvement ), le temps, le lemme et d autres critères. Etablir une classification de récits Observer les rapports entre les catégories de Vendler et l usage des temps grammaticaux 28
29 Exemple de récit Texte A1 (ppr:acc:se rendre) Me rendant à Beaumont sur Oise depuis Cergy, je me suis retrouvée à un carrefour juste après la sortie Beaumont sur Oise. J'étais à un stop avec 2 voitures devant moi tournant à droite vers Mours. Alors que la première voiture passait ce stop je fis mon contrôle à gauche et je démarrais mais je percutais la deuxième voiture qui n'avait pas encore passé le stop. (IM:etat:être) S1 -> (ppr:acc:se rendre) (PC:ach:se retrouver). S2 -> (IM:etat:être) (ppr:acc:tourner). S3 -> (IM:ach:passer) (PS:acc:faire un contrôle) (IM:acc:démarrer) (IM:ach :percuter). S4 -> (PQP:ach:passer). 29
30 Topologie Causes effectives, le choc et ses conséquences Actions menant à l accident Circonstances ou la survenue d un incident Circonstances avant l accident 30
31 t y p i q u e s ( o u a c h. ) d é b u t d u r é c i t d é b u t e t m i l i e u m i l i e u d e r é c i t f i n d e r é c i t C a u s a l i t é f a i b l e i m p o r t a n t e F o r t e C h o c f a i b l e f a i b l e f o r t F o c u s b a c k g r o u n d + B u t s e t a l t e r n a t i v e s f o r e g r o u n d b a c k g r o u n d + f o r e g r o u n d b a c k g r o u n d f o r e g r o u n d f o r e g r o u n d + + t r è s i m p o r t a n t t r è s f a i b l e i m p o r t a n t m o y e n Cluster CECC CECC : causes effectives,les chocs et conséquences Cluster CAA (jaune) CSI (bleu) AMA (turquoise) CECC (marron) Séquences état (act.) état (act) état acc ou ach acc ach. acc. (ou ach.) (ou ach.) ach IM ppr IM IM INF INF INF PC zone favorisée IM INF IM PC PC INF PC PC
32 Conclusions Décrire SOM dans un cadre probabiliste pour des données binaires, mixtes et structurées en séquences ; Enrichir les résultats de la classification avec plus d information et de précision sur le comportement du modèle ; Définir des prototypes de la même nature que les données (intérêt pour l expert) ; Classification automatique des données séquentielles d une manière locale et globale ; Ajustement du modèle à la complexité de la tache (HMMélagage- SOM optimisée). 32
33 Perspectives Extension des modèles BeSOM et PrMTM à la classification croisée en utilisant le formalisme probabiliste des cartes topologiques. Extension vers un modèle "on-line" serait assez intéressante pour traiter des flux de données. 33
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 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 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 détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
Plus en détailGPA770 Microélectronique appliquée Exercices série A
GPA770 Microélectronique appliquée Exercices série A 1. Effectuez les calculs suivants sur des nombres binaires en complément à avec une représentation de 8 bits. Est-ce qu il y a débordement en complément
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 détailPROGRAMME DU CONCOURS DE RÉDACTEUR INFORMATICIEN
PROGRAMME DU CONCOURS DE RÉDACTEUR INFORMATICIEN 1. DÉVELOPPEMENT D'APPLICATION (CONCEPTEUR ANALYSTE) 1.1 ARCHITECTURE MATÉRIELLE DU SYSTÈME INFORMATIQUE 1.1.1 Architecture d'un ordinateur Processeur,
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 détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
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 détailPrésentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur
Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur Réalisé par : Bassem Besbes Laboratoire d Informatique, Traitement de l Information
Plus en détailUML Diagramme de communication (communication diagram) Emmanuel Pichon 2013
UML Diagramme de communication (communication diagram) 2013 Diagramme de communication (communication diagram) Utilisation / objectifs Sens Ce diagramme présente des objets, des acteurs, des liens et des
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
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 détailUNIVERSITE D'ORLEANS ISSOUDUN CHATEAUROUX
UNIVERSITE D'ORLEANS ISSOUDUN CHATEAUROUX PLAN
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailMaster d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien
Master d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien Denis Cousineau Sous la direction de Roberto di Cosmo Juin 2005 1 Table des matières 1 Présentation
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 détailConception d un lecteur de musique intelligent basé sur l apprentissage automatique.
Université de Mons Faculté des Sciences Institut d Informatique Service d Algorithmique Conception d un lecteur de musique intelligent basé sur l apprentissage automatique. Mémoire réalisé par Xavier DUBUC
Plus en détailDécision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck)
Décision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck) Stéphane Cardon Nathalie Chetcuti-Sperandio Fabien Delorme Sylvain agrue CRI - Université d Artois {cardon,chetcuti,delorme,lagrue}@cril.univ-artois.fr
Plus en détailDocumalis. Denis SCHIRRA Email denis.schirra@documalis.fr GSM : 06 68 06 00 10. Plus d information sur notre site Internet www.documalis.
Documalis Plus d information sur notre site Internet www.documalis.com Documalis for Solutions de dématérialisation des courriers et des factures d entreprise Transformation PDF, OCR et reconnaissance
Plus en détailLABORATOIRES DE RECHERCHE AGREES
REPUBLIQUE ALGERIENNE DEOCRATIQUE ET POPULAIRE INISTERE DE L'ENSEIGNEENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE Direction Générale de la Recherche Scientifique et du Développement Technologique CANEVAS
Plus en détailPRXSENTATION D UN GESTIONNAIRE DE DONNEES NUMERIQUES HIERARCHISEES DESTINE AU DE- -POUILLEMENT D ENQUETES
97 PRXSENTATION D UN GESTIONNAIRE DE DONNEES NUMERIQUES HIERARCHISEES DESTINE AU DE- -POUILLEMENT D ENQUETES Jacques Vaugelade & Marie Piron (Demographie et Statistique) (UR 702) Centre ORSTOM de Ouagadougou
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 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 détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en 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 détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailConception de circuits numériques et architecture des ordinateurs
Conception de circuits numériques et architecture des ordinateurs Frédéric Pétrot Année universitaire 2014-2015 Structure du cours C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 Codage des nombres en base 2, logique
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
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 Enquêtes en clientèle dans
Plus en détailOutils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP
Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Christophe Joubert Séminaire VASY 2002 30 Octobre 2002 Aix les Bains Contexte du projet
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailPrésentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée
Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée Responsable du Master Informatique : Marc Zipstein Responsable de
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailLaboratoire d Informatique, de Traitement de l Information et des Systèmes EA 4108. 3 établissements T. Paquet D. Olivier T. Lecroq A.
Laboratoire d Informatique, de Traitement de l Information et des Systèmes EA 4108 3 établissements T. Paquet D. Olivier T. Lecroq A. Benshrair 7 équipes Disciplines 27-61, 25-26-43-64 L. Heutte DocApp
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 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 détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de Formation en Informatique (I.N.I) Oued Smar Alger Direction de la Post Graduation et de la Recherche Thème : Inférence
Plus en détailAnalyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains
Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques
Plus en détailA-QU EST-CE QUE L ORIE? Intervention ADI
A-QU EST-CE QUE L ORIE? 1 A-QU EST-CE QUE L ORIE? Observatoire Régional de l Immobilier d Entreprise en Ile-de-France créé en 1986 dans un contexte de tertiarisation de l économie ; Pour accompagner les
Plus en détailRapport de Stage. Titre : Clustering à l aide d une représentation supervisée
Nicolas Creff Du 1er février au 31 juillet 2011 Promotion 2011 Majeure SCIA Rapport de Stage Titre : Clustering à l aide d une représentation supervisée Sujet : Personnalisation de scores à l aide de la
Plus en détailModèle multi-agents de prise de décision éthique
Équipe Modèles, Agents, Décision Laboratoire GREYC CNRS UMR 6072 Université de Caen Basse-Normandie ENSICAEN Boulevard du Maréchal Juin CS 14 032, 14 032 Caen Cedex 5 Tel. : +33 (0)2 31 56 74 84 Fax :
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailBig Data et Prévisions. Philippe Picard, le 24 juin 2015. Page 1
Big Data et Prévisions Philippe Picard, le 24 juin 2015. Page 1 Vous dites prévisions et prédictions? Neptune Météo Marées Boson de Higgs Loto PMU Economie Sismique + Nostradamus _ Philippe Picard, le
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailSalle de technologie
Prénom : Nom : Classe : Date : Salle de technologie Séquence Le dessin technique Définition du dessin technique : Le dessin technique est un ensemble de règles pour représenter des objets ; ces règles
Plus en détailSystème binaire. Algèbre booléenne
Algèbre booléenne Système binaire Système digital qui emploie des signaux à deux valeurs uniques En général, les digits employés sont 0 et 1, qu'on appelle bits (binary digits) Avantages: on peut utiliser
Plus en détailArchitecture des ordinateurs TD1 - Portes logiques et premiers circuits
Architecture des ordinateurs TD1 - Portes logiques et premiers circuits 1 Rappel : un peu de logique Exercice 1.1 Remplir la table de vérité suivante : a b a + b ab a + b ab a b 0 0 0 1 1 0 1 1 Exercice
Plus en détailCe rêve est devenu réalité.
Vous venez de trouver une règle mise en ligne par un collectionneur qui, depuis 1998, partage sa collection de jeux de société et sa passion sur Internet. Imaginez que vous puissiez accéder, jour et nuit,
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
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 détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailTRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes
TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,
Plus en détailArchitectures haute disponibilité avec MySQL. Olivier Olivier DASINI DASINI - - http://dasini.net/blog
Architectures haute disponibilité avec MySQL Architectures Architectures haute disponibilité haute disponibilité avec MySQL avec MySQL Olivier Olivier DASINI DASINI - - http://dasini.net/blog Forum PHP
Plus en détailÉLÉMENTS DE GESTION DE PROJET
ÉLÉMENTS DE GESTION DE PROJET Gilles Boulet PMP gb@gillesboulet.ca Mai 2006 Révision Février 2009 Le management de projet est composé de 5 grands processus faisant chacun appel à 9 domaines de connaissances
Plus en détailIT CENTRE DE VALEUR la transformation s opère jour après jour. Philippe Kaliky. Directeur Centre de Services. Espace Grande Arche Paris La Défense
IT CENTRE DE VALEUR la transformation s opère jour après jour. Philippe Kaliky Directeur Centre de Services Espace Grande Arche Paris La Défense Le Groupe LOXAM Pionnier dans la location de matériel pour
Plus en détailLES PROS DE L AFFICHAGE
26 DATEC-CONTROL MOBILE XS S M L XS LES PROS DE L AFFICHAGE LE PRODUIT La tête à la forme arrondie de la série de boîtiers DATEC-CONTROL permet la mise en place d afficheurs graphiques. Cette nouvelle
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailBASE DE REFERENCES. www.gorgy-timing.fr
BASE DE REFERENCES AFFICHEURS www.gorgy-timing.fr Toutes modifications d'ordre technique, esthétique, de couleurs peuvent être apportées sans préavis. 1 BASE DE REFERENCES BDR_FR8-8-Afficheurs-V2.0 AFFICHEURS
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 détailCréer une carte personnalisée
Créer une carte personnalisée Avec Google Maps, vous pouvez créer vos propres cartes personnalisées pour indiquer par exemple les endroits que vous avez déjà visités, l'emplacement des restaurants où vous
Plus en détailCoup 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 détail2 / ENONCER ET DECRIRE LES FONCTIONS DE SERVICE A REALISER
A / ENONCER LE BESOIN B / ENONCER ET DECRIRE LES FONCTIONS A SATISFAIRE C / LE RESPECT DES FONCTIONS DE SERVICE et LES CONTRAINTES ECONOMIQUES D / LE CAHIER DES CHARGES ET L ORGANISATION DU TRAVAIL et
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 détailDimensionnement Introduction
Dimensionnement Introduction Anthony Busson Dimensionnement Pourquoi dimensionner? Création d un système informatique ou réseau Problème de décision (taille des différents paramètres) Evaluer les performances
Plus en détailOrganisation du parcours M2 IR Les unités d enseignements (UE) affichées dans la partie tronc commun sont toutes obligatoires, ainsi que le stage et
Organisation du parcours M2 IR Les unités d enseignements (UE) affichées dans la partie tronc commun sont toutes obligatoires, ainsi que le stage et l'anglais. L'étudiant a le choix entre deux filières
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailSEO On-page. Avez-vous mis toutes les chances de votre côté pour le référencement de votre site?
SEO On-page Avez-vous mis toutes les chances de votre côté pour le référencement de votre site? I. Introduction... p.2 II. Optimisation on-page vs off-page... p.3 III. Les éléments importants de vos pages...
Plus en détailDATA ANALYTICS Des données aux connaissances et à la création de valeur
DATA ANALYTICS Des données aux connaissances et à la création de valeur Sommaire Rencontres Inria Industrie p 3 Vos contacts au centre Inria Saclay - île-de-france p 4 Technologies Bertifier Sparklificator
Plus en détailLe menu du jour, un outil au service de la mise en mémoire
Le menu du jour, un outil au service de la mise en mémoire Type d outil : Outil pour favoriser la mise en mémoire et développer des démarches propres à la gestion mentale. Auteur(s) : Sarah Vercruysse,
Plus en détailAnalytics & Big Data. Focus techniques & nouvelles perspectives pour les actuaires. Université d Eté de l Institut des Actuaires Mardi 8 juillet 2014
Analytics & Big Data Focus techniques & nouvelles perspectives pour les actuaires Local Optimization European Minded Université d Eté de l Institut des Actuaires Mardi 8 juillet 2014 Intervenants : Alexandre
Plus en détailDisponibilité et fiabilité des services et des systèmes
Disponibilité et fiabilité des services et des systèmes Anthony Busson Introduction Un site Web commercial perd de l argent lorsque leur site n est plus disponible L activité d une entreprise peut être
Plus en détailIntroduction 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 détailFouille de données massives avec Hadoop
Fouille de données massives avec Hadoop Sebastiao Correia scorreia@talend.com Talend 2013 AAFD'14 29-30 avril 2014 1 Agenda Présentation de Talend Définition du Big Data Le framework Hadoop 3 thématiques
Plus en détailL AUTOMATISME LE SIGNAL
L AUTOMATISME LE SIGNAL Page 1 sur 7 Sommaire : 1- Champ de l automatisme définitions 2- Correspondance entre phénomènes physiques et signaux a. Capteur b. Exemple de capteur TOR c. Exemple de capteur
Plus en détailTraitement numérique de l'image. Raphaël Isdant - 2009
Traitement numérique de l'image 1/ L'IMAGE NUMÉRIQUE : COMPOSITION ET CARACTÉRISTIQUES 1.1 - Le pixel: Une image numérique est constituée d'un ensemble de points appelés pixels (abréviation de PICture
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
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 détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
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 détailRencontre sur la thématique du Calcul Haute Performance - 13 juin 2012. Better Match, Faster Innovation
Better Match, Faster Innovation Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012 Meeting on the theme of High Performance Computing TABLE DES MATIÈRES Qu est ce qu un imatch? STI
Plus en détailDimensionnement d une roue autonome pour une implantation sur un fauteuil roulant
Dimensionnement d une roue autonome pour une implantation sur un fauteuil roulant I Présentation I.1 La roue autonome Ez-Wheel SAS est une entreprise française de technologie innovante fondée en 2009.
Plus en détailGestion d'une billeterie défilé des talents
Jean HENRI Gestion d'une billeterie défilé des talents version 0.3 5 novembre 2013 STS Services Informatiques aux Organisations Lycée St Joseph - Bressuire Sommaire 1 Introduction... 1 2 Présentation
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 détailFORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis
FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités
Plus en détailNOTICE GPSTA1 I. DESCRIPTION II. ACCESSOIRES. J. R International - Eclats Antivols. 2014
I. DESCRIPTION NOTICE GPSTA1 1 : Connecteur antenne GSM 2 : Emplacement carte SIM 3 : Bouton pour faire sortir l emplacement carte SIM 4 : Connecteur jack pour micro 5 : Connecteur antenne GPS 6 : Connecteur
Plus en détailpour les canalisations de transport 14 avril 2010-1 -
Arrêté multifluide du 4 août t 2006 pour les canalisations de transport 14 avril 2010-1 - Une volonté de l administration L ancien arrêté portant règlement de sécurité des ouvrages de transport de gaz
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 détailPLATEFORME SAAS D'ENVOI DE SMS. Guide du débutant UTILISER LA PLATEFORME SMSMODE TUTORIEL
PLATEFORME SAAS D'ENVOI DE SMS Guide du débutant UTILISER LA PLATEFORME SMSMODE TUTORIEL Sommaire PARTIE PARTIE PARTIE 3 PARTIE 4 PARTIE 5 PARTIE 6 PARTIE 7 CREER UN COMPTE CLIENT SMSMODE CREER SA PREMIERE
Plus en détailTempérature 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 détailPROSOP : un système de gestion de bases de données prosopographiques
PROSOP : un système de gestion de bases de données prosopographiques Introduction : Ce document présente l outil en développement PROSOP qui permet la gestion d'une base de donnée prosopographique de la
Plus en détailRobert Guichet. Conférence DERBI Juin 2008
Robert Guichet Conférence DERBI Juin 2008 Plan de l exposé 1) Introduction le bâtiment et l énergie les enjeux 2) Le projet Monitoring THPE les partenaires la réglementation l indicateur de performance
Plus en détailPERSONNALISATION ENJEUX, STRATÉGIES & OUTILS
PERSONNALISATION ENJEUX, STRATÉGIES & OUTILS SÉMINAIRE MARKETING DIGITAL 5 JUIN 2014 HERVÉ MIGNOT herve.mignot@equancy.com Agenda 1 La personnalisation : définition et points clés 2 Où réaliser sa personnalisation,
Plus en détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
Plus en détail