De la data à l information De l information à la connaissance Visualisation. Big Data Analytics. Alykis 2015

Dimension: px
Commencer à balayer dès la page:

Download "De la data à l information De l information à la connaissance Visualisation. Big Data Analytics. Alykis 2015 www.alykis.com"

Transcription

1 Big Data Analytics Alykis 2015

2 De la data à l information De l information à la connaissance Visualisation Big Data Analytics : la Statistique en grande dimension

3 Big Data Analytics : la Statistique en grande dimension Big data : Beaucoup de données à disposition Hypothèse : Si j ai beaucoup de données, j ai sûrement beaucoup d information!

4 Big Data Analytics : la Statistique en grande dimension Big data : Beaucoup de données à disposition Hypothèse : Si j ai beaucoup de données, j ai sûrement beaucoup d information!

5 Big Data Analytics : la Statistique en grande dimension Big data : Beaucoup de données à disposition Hypothèse : Si j ai beaucoup de données, j ai sûrement beaucoup d information!

6 Big Data Analytics : la Statistique en grande dimension Big data : Beaucoup de données à disposition Hypothèse : Si j ai beaucoup de données, j ai sûrement beaucoup d information! Extraire de l information est souvent difficile Méthodes d extraction de structure Formalisation mathématique du problème Création d information, puis de connaissance

7 1. Extraire de l information des données brutes representation learning clustering notion de moyenne structurée 2. Construire de la connaissance covariance modélisation graphes 3. Extrapoler et anticiper prédictions aide à la décision décisions automatiques

8 A la base : notion de distance et de géométrie En big data les données sont nombreuses et complexes (par leur variabilité) Elles définissent des comportements (règles) que l on doit trouver Nécessité de reconnaitre une structure interne dans les données Comment comparer des données? trouver des ensembles homogènes? Besoin de comprendre et d estimer la géométrie des données

9 Rasoir d Ockham : Principe de parcimonie Pluralitas non est ponenda sine necessitate Une pluralité ne doit pas être posée sans nécessité. Guillaume d Ockham, 1319 Résumer la complexité des données par quelques règles simples qui définissent une structure permettant l analyse

10 De la data à l information De l information à la connaissance Visualisation Exemple 1 : Géolocalisation Qu est-ce qu un trajet? un point de départ, un point d arrivée, un itinéraire? un point de départ, un point d arrivée, un itinéraire, une heure de la journée? un point de départ, un point d arrivée, un itinéraire, une heure de la journée, un jour de la semaine? Mais au fait, mais qu est ce que je cherche? Challenge Caltech - San Francisco taxi

11 Géolocalisation : observations temporelles Qu est-ce qu un individu moyen? Collaboration Mediamobile

12 Géolocalisation : observations temporelles De l information à la connaissance : la réduction de dimension Collaboration Mediamobile

13 Clustering de courbes de charge électrique quotidienne De l information à la connaissance : le clustering hivers/dimanche hivers/lundi hivers/mardi >vendredi hivers/samedi printemps/mardi >vendredi printemps/samedi printemps/dimanche printemps/lundi ete/mardi >vendredi ete/samedi ete/dimanche ete/lundi automne/mardi >vendredi automne/samedi automne/dimanche automne/lundi Collaboration EDF

14 NMF sur des logs d erreurs en vol Information - Connaissance - Visualisation Collaboration EADS

15 Visualisation Source : Lycée Louis Armand, Lyon

16 Méthodes statistiques au service de la visualisation Les graphes Clustering : Faire apparaitre des groupes homogènes : recherche de structure Dans les graphes : Σ = E(XX ) R p p La covariance crée un graphe en exprimant des relations entre des variables Comment les exprimer en privilégiant la sparsité (peu de liens mais des liens forts)

17 Structure de relation entre gènes Collaboration Vaiomer - données SERVIER

18 Outils de visualisation de grands graphes

19 Méthodes statistiques au service de la visualisation Trouver les axes de variation dans un objet 3D Treil - Braga - Loubes

20 Visualisation interactive Créer des appli web avec Shiny :

21 Shiny web app Simplicité d implémentation Code html auto-généré Ergonomie Réactivité Multi-client Accès distant

22 Shiny web app Figure : Structure de la page web Figure : Contenu et code d analyse

23 Shiny web app

24 Contact Anna Choury

Enjeux mathématiques et Statistiques du Big Data

Enjeux mathématiques et Statistiques du Big Data Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris

Plus en détail

Assimilation de données pour le trafic routier

Assimilation de données pour le trafic routier Assimilation de données pour le trafic routier SEME 04-08 juin 2012 Guillaume Allain Fabrice Gamboa Philippe Goudal Jean-Noël Kien Jean-Michel Loubes PLAN DE LA PRESENTATION 1. Présentation du groupe TDF

Plus en détail

Fouille de données et aide à la décision.

Fouille de données et aide à la décision. Fouille de données et aide à la décision. Introduction au datamining. Anne-Claire Haury M2 Informatique Université Denis Diderot Second semestre 2014-2015 1 Introduction 2 Outline 1 Peut-on faire dire

Plus en détail

La visualisation au service du Big Analytics : chimère ou nouvelles frontières? Journée Grandes Dimensions 2012/12/10

La visualisation au service du Big Analytics : chimère ou nouvelles frontières? Journée Grandes Dimensions 2012/12/10 La visualisation au service du Big Analytics : chimère ou nouvelles frontières? Journée Grandes Dimensions 2012/12/10 Philippe Saadé psaade@picviz.com 1. Une approche possible au Big Analytics. 1.1 L échec

Plus en détail

Profil du candidat et connaissances techniques à connaître/maîtriser

Profil du candidat et connaissances techniques à connaître/maîtriser Utilisation d algorithmes de deep learning pour la reconnaissance d iris. jonathan.milgram@morpho.com Dans ce cadre, l'unité de recherche et technologie a pour but de maintenir le leadership Au sein de

Plus en détail

Quels usages des données massives pour les statistiques publiques? Enjeux, méthodes et perspectives

Quels usages des données massives pour les statistiques publiques? Enjeux, méthodes et perspectives Quels usages des données massives pour les statistiques publiques? Enjeux, méthodes et perspectives Stéphanie Combes et Pauline Givord (DMCSI) INSEE-DMSCI 02/04/2015 Plan Qu'est-ce que le Big Data? Les

Plus en détail

Introduction au datamining

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

Plus en détail

Les outils de veille sur Internet Panorama, évolutions, nouveautés. Myriel Brouland SCIP France -10 Mai 2006

Les outils de veille sur Internet Panorama, évolutions, nouveautés. Myriel Brouland SCIP France -10 Mai 2006 Les outils de veille sur Internet Panorama, évolutions, nouveautés Myriel Brouland SCIP France -10 Mai 2006 1 La veille en France: une situation paradoxale Une situation contrastée Une prise de conscience

Plus en détail

Implémentation d une solution voyages et notes de frais chez Leoni

Implémentation d une solution voyages et notes de frais chez Leoni Implémentation d une solution voyages et notes de frais chez Leoni A propos de Leoni Equipementier automobile de rang 1 -parmi les plus gros et les plus internationalisés-, Leoni est une société allemande

Plus en détail

Outils Statistiques du Data Mining

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

Plus en détail

Cours IFT6266, Exemple d application: Data-Mining

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

Plus en détail

Titre : La BI vue par l intégrateur Orange

Titre : La BI vue par l intégrateur Orange Titre : La BI vue par l intégrateur Orange Résumé : L entité Orange IT&L@bs, partenaire privilégié des entreprises et des collectivités dans la conception et l implémentation de SI Décisionnels innovants,

Plus en détail

«La visualisation de l information au service de la veille, la recherche et la découverte d information sur le web»

«La visualisation de l information au service de la veille, la recherche et la découverte d information sur le web» «La visualisation de l information au service de la veille, la recherche et la découverte d information sur le web» Social Computing est spécialisé dans les domaines de l accès à l information, des réseaux

Plus en détail

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html Option Deux thèmes : La recherche opérationnelle : Traiter des problèmes d optimisation, d aide à la décision et d évaluation de performances

Plus en détail

Accélérer l agilité de votre site de e-commerce. Cas client

Accélérer l agilité de votre site de e-commerce. Cas client Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible

Plus en détail

L ANALYSE DE DONNÉES AU SERVICE DES UTILISATEURS. Lorène Allano 16 Avril 2013

L ANALYSE DE DONNÉES AU SERVICE DES UTILISATEURS. Lorène Allano 16 Avril 2013 L ANALYSE DE DONNÉES AU SERVICE DES UTILISATEURS Lorène Allano 16 Avril 2013 Question? Expert Aide à la décision Expériences Digitalisation Analyse automatique Visualisation Outils adapté Données numériques

Plus en détail

Graphes, réseaux et internet

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

Plus en détail

Plateforme SAS. Data & Information System

Plateforme SAS. Data & Information System Data & Information System SOMMAIRE Rédacteur : Ref: F.Barthelemy AXIO_1111_V1 PLATEFORME SAS PREREQUIS SAS GUIDE SAS WRS SAS PORTAL SAS MINER Une plateforme unique et modulable capable d exploiter l architecture

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

Plus en détail

Prototype SOLAP appliqué sur des champs continus en mode raster

Prototype SOLAP appliqué sur des champs continus en mode raster Session démos 24 novembre 2014 Prototype SOLAP appliqué sur des champs continus en mode raster Analyse de hot spots de criminalité Jean-Paul Kasprzyk, doctorant Introduction 2 L informatique décisionnelle

Plus en détail

Solocal Group Solocal Group pilote ses audiences via un ensemble de tableaux de bord complètement automatisés grâce à l API AT Internet.

Solocal Group Solocal Group pilote ses audiences via un ensemble de tableaux de bord complètement automatisés grâce à l API AT Internet. Online Intelligence Solutions Solocal Group Solocal Group pilote ses audiences via un ensemble de tableaux de bord complètement automatisés grâce à l API AT Internet. Case study Case study INTRODUCTION

Plus en détail

Equipe Business Intelligence!

Equipe Business Intelligence! Equipe Business Intelligence! Laboratoire MAS ü MAS : un laboratoire de recherche où les mathématiques et l informatique sont appliquées aux systèmes http://www.mas.ecp.fr ü Analyse, modélisation, simulation

Plus en détail

Les Entrepôts de Données

Les Entrepôts de Données Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations

Plus en détail

Panorama des solutions analytiques existantes

Panorama des solutions analytiques existantes Arnaud LAROCHE Julien DAMON Panorama des solutions analytiques existantes SFdS Méthodes et Logiciels - 16 janvier 2014 - Données Massives Ne sont ici considérés que les solutions autour de l environnement

Plus en détail

Journée de rencontres ANSES - IGN - INA - Labex Bézout

Journée de rencontres ANSES - IGN - INA - Labex Bézout Journée de rencontres ANSES - IGN - INA - Labex Bézout Présentation du LAMA Stéphane Sabourau 3 mars 2014 Présentation générale Le Laboratoire d Analyse et Mathématiques Appliquées (LAMA) est composé de

Plus en détail

Méthodes de prévision des ventes

Méthodes de prévision des ventes Méthodes de prévision des ventes Il est important pour toute organisation qui souhaite survivre dans un environnement concurrentiel d adopter des démarches de prévision des ventes pour anticiper et agir

Plus en détail

Matrices au lycée: de nouvelles possibilités, pour la transition secondaire-supérieur?

Matrices au lycée: de nouvelles possibilités, pour la transition secondaire-supérieur? Matrices au lycée: de nouvelles possibilités, pour la transition secondaire-supérieur? Anne Balliot, IREM de Rennes, Lycée Victor et Hélène Basch Ghislaine Gueudet, IREM de Rennes, IUFM Bretagne Colloque

Plus en détail

Les entrepôts de données pour les nuls... ou pas!

Les entrepôts de données pour les nuls... ou pas! Atelier aideà la Décision à tous les Etages AIDE@EGC2013 Toulouse Mardi 29 janvier 2013 Cécile Favre Fadila Bentayeb Omar Boussaid Jérôme Darmont Gérald Gavin Nouria Harbi Nadia Kabachi Sabine Loudcher

Plus en détail

Big Data : une complexité réduite pour un retour sur investissement plus rapide

Big Data : une complexité réduite pour un retour sur investissement plus rapide Big Data : une complexité réduite pour un retour sur investissement plus rapide Copyright 2013 Pentaho Corporation. Redistribution autorisée. Toutes les marques commerciales sont déposées par leur propriétaire

Plus en détail

techniciens itinérants

techniciens itinérants swingservice Application de gestion d interventions pour techniciens itinérants 1 Dans la majorité des entreprises... le SAV constitue une part importante des effectifs, et donc de l activité. Cette part

Plus en détail

App vs. WebApp Best Of Mobile 5 avril 2012

App vs. WebApp Best Of Mobile 5 avril 2012 App vs. WebApp Best Of Mobile 5 avril 2012 La question! App ou Web App? APP versus WEBAPP Constats du marché 2. Modifiez le style du titre Marketing 3. Modifiez le style du titre Compatibilité Experience

Plus en détail

Emmanuelle Morlock. Journée d étude Bap F, INSHS, Paris, 21 nov 2014. IGE CNRS, UMR 5189 @emma_morlock

Emmanuelle Morlock. Journée d étude Bap F, INSHS, Paris, 21 nov 2014. IGE CNRS, UMR 5189 @emma_morlock Collaboration de métiers différents dans les projets d'humanités numériques : quel serait le socle commun idéal de connaissances techniques et méthodologiques? Emmanuelle Morlock IGE CNRS, UMR 5189 @emma_morlock

Plus en détail

Lab s Dating 56 Rencontre entreprises et laboratoires de l Université de Bretagne-Sud 07 février 2014

Lab s Dating 56 Rencontre entreprises et laboratoires de l Université de Bretagne-Sud 07 février 2014 Organisé par Lab s Dating 56 Rencontre entreprises et laboratoires de l Université de Bretagne-Sud 07 février 2014 Les relations entreprises université à travers l expérience «recherche et développement»

Plus en détail

TITRE : DEMONSTRATEUR D UN WEB-SERVICE EN OPTIMISATION NUMERIQUE

TITRE : DEMONSTRATEUR D UN WEB-SERVICE EN OPTIMISATION NUMERIQUE TITRE : DEMONSTRATEUR D UN WEB-SERVICE EN OPTIMISATION NUMERIQUE KEYWORDS : SYSTEMX, WEBSERVICE, COLLABORATIVE FILTERING, MACHINE LEARNING, LANGAGE PROGRAMMATION, HPC, BASE OBJETS COMPLEXES CONTEXTE de

Plus en détail

Stages 2015-2016 ISOFT : 25 ANS DE RECHERCHE EN INFORMATIQUE DECISIONNELLE ET. Contact : Mme Lapedra, stage@isoft.fr ANALYSE DE DONNEES

Stages 2015-2016 ISOFT : 25 ANS DE RECHERCHE EN INFORMATIQUE DECISIONNELLE ET. Contact : Mme Lapedra, stage@isoft.fr ANALYSE DE DONNEES Stages 2015-2016 Contact : Mme Lapedra, stage@isoft.fr ISOFT : 25 ANS DE RECHERCHE EN INFORMATIQUE DECISIONNELLE ET ANALYSE DE DONNEES ISoft est un concepteur-éditeur de logiciels spécialisé dans la recherche

Plus en détail

Séminaire: Méthodes et outils d'analyse de données textuelles, un nouveau souffle?

Séminaire: Méthodes et outils d'analyse de données textuelles, un nouveau souffle? Séminaire: Méthodes et outils d'analyse de données textuelles, un nouveau souffle? Daniel K. Schneider TECFA FPSE - Université de Genève daniel.schneider@unige.ch Unité de technologie de l'éducation Université

Plus en détail

La Rénovation de la Voie Professionnelle

La Rénovation de la Voie Professionnelle La Rénovation de la Voie Professionnelle Atelier : progiciel de gestion intégré (PGI) LP Jolimont Toulouse Mercredi 29 Avril 2009 Groupe de Pilotage Académique SOMMAIRE I. Qu est-ce qu un PGI? Définition

Plus en détail

Comment gérer l'information qui nous submerge? Prof. Antoine Geissbühler JFSPH, Montreux, 28-29 novembre 2013

Comment gérer l'information qui nous submerge? Prof. Antoine Geissbühler JFSPH, Montreux, 28-29 novembre 2013 Comment gérer l'information qui nous submerge? Prof. Antoine Geissbühler JFSPH, Montreux, 28-29 novembre 2013 Big Data Données En grande quantité (1800 magasins) Structurées, normalisées, agrégées Identifiées

Plus en détail

Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data?

Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data? Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data? Dr Wolfgang Martin Analyste et adhérant du Boulder BI Brain Trust Les Big data Démystifier les Big data.

Plus en détail

Masses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA

Masses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide

Plus en détail

Formation logiciel Sage 100 Comptabilité i7

Formation logiciel Sage 100 Comptabilité i7 Sage 100 Comptabilité offre la simplicité d une base de données commune aux différents modules comptables et financiers, une grande interactivité avec votre environnement bureautique et la fluidité de

Plus en détail

DocForum 18 Juin 2015. Réussites d un projet Big Data Les incontournables

DocForum 18 Juin 2015. Réussites d un projet Big Data Les incontournables DocForum 18 Juin 2015 Réussites d un projet Big Data Les incontournables Vos interlocuteurs Mick LEVY Directeur Innovation Business mick.levy@businessdecision.com 06.50.87.13.26 @mick_levy 2 Business &

Plus en détail

Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients

Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares

Plus en détail

Zabbix. Solution de supervision libre. par ALIXEN

Zabbix. Solution de supervision libre. par ALIXEN Zabbix Solution de supervision libre par ALIXEN Plan Présentation d'alixen Introduction La supervision réseau : le besoin Zabbix : Mise en oeuvre Zabbix : Exploitation des données Exemples de déploiement

Plus en détail

Formation Actuaire Data-Scientist PROGRAMME

Formation Actuaire Data-Scientist PROGRAMME Formation Actuaire Data-Scientist PROGRAMME 15 Septembre 2014 Arthur Charpentier, Romuald Élie & Jérémie Jakubowicz 15914 Programme Séance inaugurale : révolu-on numérique besoins des entreprises cadre

Plus en détail

GROUP PROCESSING AVEC ENTERPRISE MINER

GROUP PROCESSING AVEC ENTERPRISE MINER GROUP PROCESSING AVEC ENTERPRISE MINER SENG TANG CONSULTANT ANALYTIQUE SAS CANADA APRIL 2014 CE QUE VOUS ALLEZ APPRENDRE - Fonctionnalité d Enterprise Miner qui permet d itérer sur un processus donné.

Plus en détail

Comment assurer le plein potentiel de votre solution analytique. Guillaume Bédard, Directeur des Solutions d Affaires Odesia

Comment assurer le plein potentiel de votre solution analytique. Guillaume Bédard, Directeur des Solutions d Affaires Odesia L Comment assurer le plein potentiel de votre solution analytique ODESIA 1155 University suite 800 Montreal, Qc, Canada H3B 3A7 Phone: (514) 876-1155 Fax: (514) 876-1153 www.odesia.com Guillaume Bédard,

Plus en détail

Mo3: Big Data, Web & (Cyber)security. Laura WILBER Director of Strategy, Dassault Systèmes EXALEAD

Mo3: Big Data, Web & (Cyber)security. Laura WILBER Director of Strategy, Dassault Systèmes EXALEAD Mo3: Big Data, Web & (Cyber)security Laura WILBER Director of Strategy, Dassault Systèmes EXALEAD 23/04/2013 Dassault Systèmes EXALEAD «Information Intelligence» Search & Discovery Entreprise Web «ii»

Plus en détail

Solutions et Services. d'analyse prédictive

Solutions et Services. d'analyse prédictive ProbaYes Mastering Uncertainty Solutions et Services d'analyse prédictive Mai 2013 Copyright 2013 Probayes All Rights Reserved 1 Présenta)on Probayes Créée en 2003 Basée en France (Grenoble) Spin-off de

Plus en détail

Laboratoire 2 Extraction des caractéristiques

Laboratoire 2 Extraction des caractéristiques Laboratoire 2 Extraction des caractéristiques L objectif de l extraction et de la sélection de caractéristiques est d identifier les caractéristiques importantes pour la discrimination entre classes. Après

Plus en détail

IDL. Laissez parler vos données

IDL. Laissez parler vos données IDL Laissez parler vos données La puissance d analyse d IDL IDL inclut un moteur d analyse puissant et robuste, qui vous permet d extraire de vos données des informations statistiques et numériques spécifiques.

Plus en détail

Un logiciel open source pour l enseignement et la recherche

Un logiciel open source pour l enseignement et la recherche Un logiciel open source pour l enseignement et la recherche Ricco RAKOTOMALALA Laboratoire ERIC Université Lumière Lyon 2 http://chirouble.univ-lyon2.fr/~ricco/tanagra/ 1 sur 23 PLAN 1. Objectifs du projet

Plus en détail

Visual Information Solutions. ENVI LiDAR. L environnement logiciel interactif pour extraire des informations 3D à partir du LiDAR

Visual Information Solutions. ENVI LiDAR. L environnement logiciel interactif pour extraire des informations 3D à partir du LiDAR Visual Information Solutions ENVI LiDAR L environnement logiciel interactif pour extraire des informations 3D à partir du LiDAR Créer des visualisations réalistes. Extraire des objets 3D. Générer des produits

Plus en détail

Analyse de données longitudinales continues avec applications

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

Plus en détail

Le programme de mathématiques Classes de première STI2D STL

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

Plus en détail

LINOBJEC. Mail : n.leclair@linobjec.fr Tél. bureau : 02.51.43.74.06. GESTION DES BENNES LINOBJEC-Tracker. (Système d Information Géolocalisé)

LINOBJEC. Mail : n.leclair@linobjec.fr Tél. bureau : 02.51.43.74.06. GESTION DES BENNES LINOBJEC-Tracker. (Système d Information Géolocalisé) GESTION DES BENNES LINOBJEC-Tracker. (Système d Information Géolocalisé) 1 1. Objectif Connaître l emplacement de la benne (ou tout autre objet) au jour le jour et envoyer des messages prédéfinis pour

Plus en détail

CostModel. CEP mini séminaire CCIN2P3, 13 mars 2015 Renaud Vernet

CostModel. CEP mini séminaire CCIN2P3, 13 mars 2015 Renaud Vernet Centre de Calcul de l Institut National de Physique Nucléaire et de Physique des Particules CostModel CEP mini séminaire CCIN2P3, 13 mars 2015 Renaud Vernet Introduction Contexte Budget computing ~ constant

Plus en détail

L intelligence énergétique au service de l industrie

L intelligence énergétique au service de l industrie L intelligence énergétique au service de l industrie Systèmes de mesurage de la performance énergétique Fonctionnalités web et du big data de l énergie 14 octobre 2015 - World Efficiency Contact : Julien

Plus en détail

La Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1

La Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1 La Geo-Business Intelligence selon GALIGEO avec ESRI 2005 session «Décisionnel» 26/10/2005 1 La Business Intelligence : Une Définition La Business intelligence permet l utilisation des données opérationnelles

Plus en détail

Analyse de données textuelles Panorama des fonctions, des méthodes et des usages

Analyse de données textuelles Panorama des fonctions, des méthodes et des usages Analyse de données textuelles Panorama des fonctions, des méthodes et des usages Sylvie Dalbin Assistance & Techniques Documentaires DocForum, Le 17 Novembre 2005 Déroulé de l'intervention (1) 1. Définition

Plus en détail

DATA QUERY : MODÉLISATION AVANCÉE DE VOS DONNÉES

DATA QUERY : MODÉLISATION AVANCÉE DE VOS DONNÉES Online Intelligence Solutions DATA QUERY : MODÉLISATION AVANCÉE DE VOS DONNÉES Marion JOFFRE, Chef de produit marketing WHITE PAPER Table des matières CONTEXTE 3 Un suivi précis et détaillé de l ensemble

Plus en détail

Pentaho Business Analytics Intégrer > Explorer > Prévoir

Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho lie étroitement intégration de données et analytique. En effet, les services informatiques et les utilisateurs métiers peuvent accéder aux

Plus en détail

DEMARRER UN PROJET BIGDATA EN QUELQUES MINUTES GRACE AU CLOUD

DEMARRER UN PROJET BIGDATA EN QUELQUES MINUTES GRACE AU CLOUD DEMARRER UN PROJET BIGDATA EN QUELQUES MINUTES GRACE AU CLOUD BIGDATA PARIS LE 1/4/2014 VINCENT HEUSCHLING @VHE74! 1 NOUS 100% Bigdata Infrastructure IT + Data Trouver vos opportunités Implémenter les

Plus en détail

5 to 9 October. More space for greener mobility

5 to 9 October. More space for greener mobility 5 to 9 October Du 5 au 9 octobre 2015 Parc des Expositions de Bordeaux 20 000 m² d exposition 3500 congressistes du monde entier 300 conférences 10000 visiteurs de 90 pays 2400 participants aux démonstrations

Plus en détail

Prendre la bonne décision, au bon moment, sur le bon sujet, sur la base des meilleures analyses, pour agir sur le bon indicateur.

Prendre la bonne décision, au bon moment, sur le bon sujet, sur la base des meilleures analyses, pour agir sur le bon indicateur. 2 Toute entreprise dispose d un capital informationnel qui, s il est efficacement géré, contribue à sa valeur et à sa performance. La société RHeport, propose une solution logicielle : RH&View, innovante,

Plus en détail

web conversion 2 e édition Améliorer ses taux de Vers la performance des sites web au-delà du webmarketing Roukine Serge

web conversion 2 e édition Améliorer ses taux de Vers la performance des sites web au-delà du webmarketing Roukine Serge Serge Roukine Améliorer ses taux de web Vers la performance des sites web au-delà du webmarketing conversion Préface de Pierre Kosciusko-Morizet 2 e édition Groupe Eyrolles, 2009, 2011, ISBN : 978-2-212-12858-1

Plus en détail

CONNEXION SUR LE MONDE DU CLOUD-RECRUITMENT

CONNEXION SUR LE MONDE DU CLOUD-RECRUITMENT CONNEXION SUR LE MONDE DU CLOUD-RECRUITMENT SUIVEZ, TRACEZ, IDENTIFIEZ, PARTAGEZ, MUTUALISEZ TOUTES LES ÉTAPES DE VOTRE PROCESSUS DE RECRUTEMENT Profilsoft possède une réelle expertise des métiers du recrutement.

Plus en détail

WikiNEXT. Programmer le Web De Données avec un Wiki-based IDE. Pavel Arapov Michel Buffa Amel Ben Othmane

WikiNEXT. Programmer le Web De Données avec un Wiki-based IDE. Pavel Arapov Michel Buffa Amel Ben Othmane EB- NSTRUMENTED AN- ACHINE NTERACTIONS, OMMUNITIES, AND EMANTICS WikiNEXT Programmer le Web De Données avec un Wiki-based IDE Pavel Arapov Michel Buffa Amel Ben Othmane (INRIA, I3S, CNRS, University Nice

Plus en détail

Atelier 1 de Mathématiques

Atelier 1 de Mathématiques Atelier 1 de Mathématiques lundi 9 juillet 2012-10h45-12h30 Présents : CHAMOIN Françoise (Rennes), COUOT Cécile (La Rochelle), DELPIERRE Alain (Béthune), DERVIEUX Martine (Lyon), FRANCOIS Pierre (Strasbourg),

Plus en détail

IDL. Laissez parler vos données

IDL. Laissez parler vos données IDL Laissez parler vos données Le langage IDL Dans cet exemple, IDL est utilisé pour créer des courbes de niveau à partir des valeurs de précipitations observées dans les plaines du Texas. Pour transformer

Plus en détail

QUA121 Contrôle statistique de la qualité

QUA121 Contrôle statistique de la qualité Département de génie mécanique Programme de certificat Enseignant : Groupe 01 : Fayçal Benhamed Préalable : MAT321 PLAN DE COURS HIVER 2013 QUA121 1 OBJECTIFS SPÉCIFIQUES L étudiant sera en mesure de :

Plus en détail

Système adaptatif de détection d'intrusions dans des serveurs Web. Équipe DREAM IRISA/INRIA Guyet Thomas René Quiniou Wei Wang Marie Odile Cordier

Système adaptatif de détection d'intrusions dans des serveurs Web. Équipe DREAM IRISA/INRIA Guyet Thomas René Quiniou Wei Wang Marie Odile Cordier Système adaptatif de détection d'intrusions dans des serveurs Web Équipe DREAM IRISA/INRIA Guyet Thomas René Quiniou Wei Wang Marie Odile Cordier Systèmes de détection d'intrusions Objectif général : Protéger

Plus en détail

Londres 1854 Des problèmes (re)connus Faire plus avec moins Tendances et défis «BYOD» WIN INTUNE «Nouveaux paradigmes» «Big Data» «Cloud» Windows Server Gestion Sys. Center Identité & Virt CLOUD OS Microsoft

Plus en détail

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif 13 avril 2015 LES INNOVATIONS DANS LA SOCIAL MEDIA INTELLIGENCE Expérience informationnelle

Plus en détail

Comment valoriser votre patrimoine de données?

Comment valoriser votre patrimoine de données? BIG DATA POUR QUELS USAGES? Comment valoriser votre patrimoine de données? HIGH PERFORMANCE HIGH ANALYTICS PERFORMANCE ANALYTICS MOULOUD DEY SAS FRANCE 15/11/2012 L ENTREPRISE SAS EN QUELQUES CHIFFRES

Plus en détail

Guide de référence pour l achat de Business Analytics

Guide de référence pour l achat de Business Analytics Guide de référence pour l achat de Business Analytics Comment évaluer une solution de décisionnel pour votre petite ou moyenne entreprise : Quelles sont les questions à se poser et que faut-il rechercher?

Plus en détail

Recommandation prédictive

Recommandation prédictive Recommandation prédictive La promesse originelle du web : la relation one to one Le futur du web : la recommandation prédictive La data : Le pétrole brut des éditeurs et des marques Mais Au mieux

Plus en détail

HPC-Desk. HPC et SaaS scientifique : l évolution. nécessaire des outils SaaS. Jérémie Bellec Structure Computation

HPC-Desk. HPC et SaaS scientifique : l évolution. nécessaire des outils SaaS. Jérémie Bellec Structure Computation HPC-Desk HPC et SaaS scientifique : l évolution nécessaire des outils SaaS. Jérémie Bellec Structure Computation Structure Computation Plate-forme is-sim (www.is-sim.com) 2 Structure Computation Missions

Plus en détail

Table des matières. Introduction... 11

Table des matières. Introduction... 11 Table des matières Introduction... 11 Chapitre 1. La décision... 19 Introduction : la décision, objet central de l aide à la décision... 19 1.1. Théorie normative versus théorie ingénieriale... 20 1.2.

Plus en détail

JASPERSOFT ET LE PAYSAGE ANALYTIQUE. Jaspersoft et le paysage analytique 1

JASPERSOFT ET LE PAYSAGE ANALYTIQUE. Jaspersoft et le paysage analytique 1 JASPERSOFT ET LE PAYSAGE ANALYTIQUE Jaspersoft et le paysage analytique 1 Ce texte est un résumé du Livre Blanc complet. N hésitez pas à vous inscrire sur Jaspersoft (http://www.jaspersoft.com/fr/analyticslandscape-jaspersoft)

Plus en détail

Le Web, l'entreprise et le consommateur. Françoise Soulié Fogelman francoise@kxen.com

Le Web, l'entreprise et le consommateur. Françoise Soulié Fogelman francoise@kxen.com Le Web, l'entreprise et le consommateur Françoise Soulié Fogelman francoise@kxen.com Forum "Quel futur pour le Web" Lyon, mardi 21 septembre 2010 THE DATA MINING AUTOMATION COMPANY TM Agenda Le Web un

Plus en détail

Qu est-ce que VMIgreenlight? Solution de Gestion de Flotte facile et économique

Qu est-ce que VMIgreenlight? Solution de Gestion de Flotte facile et économique Qu est-ce que VMIgreenlight? Solution de Gestion de Flotte facile et économique Fonctions: Localisation et suivi d itinéraire en temps réel et différé; Gestion de l utilisation des véhicules (temps, distances

Plus en détail

Analyse de données de mobilité : Cas des systèmes de vélos en libre (VLS)

Analyse de données de mobilité : Cas des systèmes de vélos en libre (VLS) Analyse de données de mobilité : Cas des systèmes de vélos en libre (VLS) Etienne Côme, Latifa Oukhellou IFSTTAR-COSYS, Laboratoire Grettia 11 Avril 213 Outline Plan 1 Introduction Problématique Le système

Plus en détail

AVEC LES. de votre. Pour vous. pitché. ENGIE, Hugues. Philippe. e, ORANGE, Nathalie. Fréderic GENERALE. SOCIETE. Aymeril PHILIPPE PALAT

AVEC LES. de votre. Pour vous. pitché. ENGIE, Hugues. Philippe. e, ORANGE, Nathalie. Fréderic GENERALE. SOCIETE. Aymeril PHILIPPE PALAT LES THEMATIQUES, LES PISTES DE COOPERATION AVEC LES STARTUPS ILS ONT PITCHES POUR VOUS Alain Jourdan, Directeur général adjoint de CREDIT AGRICOLE Technologies, Pascal Rioual, Délégué Innovation Groupe,

Plus en détail

Retour sur les sessions

Retour sur les sessions Retour sur les sessions Session 1 : Modèles de données dans le cadre de systèmes d informations multi-sources en écologie Session 2 : Enrichissement et représentation de données multi-sources en écologie

Plus en détail

Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr

Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE Contact : Mme Lapedra, stage@isoft.fr ISoft, éditeur de logiciels, est spécialisé dans l informatique décisionnelle et l analyse de données. Son expertise

Plus en détail

Je sais utiliser. Création d une galerie photo pour un site Web. Picasa crée les documents. HTML pour insérer une galerie de photos dans un site web

Je sais utiliser. Création d une galerie photo pour un site Web. Picasa crée les documents. HTML pour insérer une galerie de photos dans un site web Je sais utiliser Création d une galerie photo pour un site Web Picasa crée les documents HTML pour insérer une galerie de photos dans un site web Club Informatique Éducatif Laurentin 1 Picasa offre une

Plus en détail

L Intelligence Compétitive 2.0 pour le pilotage des projets e-marketing

L Intelligence Compétitive 2.0 pour le pilotage des projets e-marketing L Intelligence Compétitive 2.0 pour le pilotage des projets e-marketing Soutenance de Thèse de Doctorat en Sciences de l Information et de la Communication Sébastien Bruyère 18 octobre 2010 Contexte général

Plus en détail

Transformation IT de l entreprise COMMENT L ANALYTIQUE ET LE BIG DATA RENFORCENT LES ENJEUX DE SÉCURITÉ

Transformation IT de l entreprise COMMENT L ANALYTIQUE ET LE BIG DATA RENFORCENT LES ENJEUX DE SÉCURITÉ Transformation IT de l entreprise COMMENT L ANALYTIQUE ET LE BIG DATA RENFORCENT LES ENJEUX DE SÉCURITÉ L analytique de données peut-elle faire baisser la criminalité? Si vous pensez que c est impossible

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big 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 détail

Actuate, les Hommes à l Origine de BIRT

Actuate, les Hommes à l Origine de BIRT 1 Actuate, les Hommes à l Origine de BIRT BIRT est le projet Open Source qui a révolutionné le domaine de la Business Intelligence BIRT: Business Intelligence and Reporting Tools Une solution Open Source

Plus en détail

Utilisez plus, louez mieux

Utilisez plus, louez mieux Utilisez plus, louez mieux Sommaire Introduction Solution innovante Illustrations de la solution Points structurants de l offre Avantages du produit dispatcher.fr Gains pour le client Vos interlocuteurs

Plus en détail

1 ) PRESENTATION et OBJECTIFS 2 à 3. GLS c est quoi? 2 Qui a intérêt à l utiliser? 2 En quoi GLS diffère des sites d annonces existants?

1 ) PRESENTATION et OBJECTIFS 2 à 3. GLS c est quoi? 2 Qui a intérêt à l utiliser? 2 En quoi GLS diffère des sites d annonces existants? SOMMAIRE 1 ) PRESENTATION et OBJECTIFS 2 à 3 GLS c est quoi? 2 Qui a intérêt à l utiliser? 2 En quoi GLS diffère des sites d annonces existants? 3 2 ) UTILISATION du site GLS 4 à 10 3 étapes simples pour

Plus en détail

T o u s d r o i t s r é s e r v é s 2 0 1 4-2 0 1 5 O S I s o f t, L L C. SÉMINAIRES RÉGIONAUX

T o u s d r o i t s r é s e r v é s 2 0 1 4-2 0 1 5 O S I s o f t, L L C. SÉMINAIRES RÉGIONAUX Le parcours vers l intelligence opérationnelle Présenté par Martin Jetté, directeur, Marketing et opérations Amérique du Nord mjette@osisoft.com Horaire de la présentation Le parcours vers l intelligence

Plus en détail

http:// roggierog.files.wordpress.com/ 2013/08/crc3a9er-un-masteravec-power-point-2010.pdf

http:// roggierog.files.wordpress.com/ 2013/08/crc3a9er-un-masteravec-power-point-2010.pdf Self Data La production, l'exploitation et le partage de données personnelles par les individus, sous leur contrôle et à leurs propres fins : pour mieux se connaître, prendre de meilleures décisions, évaluer

Plus en détail

Des Evolutions dans la suite

Des Evolutions dans la suite Des Evolutions dans la suite Quelques uns des derniers ajouts La Suite QUASAR LA suite Qualité QS-CF QS- SPC/MSP QS- CAPA QS- NC/AC QS- RECEPT ION QS- METRO La plénière Des Evolutions générales Le tolérancement

Plus en détail

Modélisation des dynamiques spatiales et cartographies animée, interactive et dynamiques

Modélisation des dynamiques spatiales et cartographies animée, interactive et dynamiques Modélisation des dynamiques spatiales et cartographies animée, interactive et dynamiques Point de vue géographique UMR 7300 Espace Université d Avignon GDR MoDys École Thématique Modys : Modélisation et

Plus en détail

Conférence Big Data Paris

Conférence Big Data Paris Conférence Big Data Paris Zouheir Guédri Directeur Consulting - PwC 20 Mars 2012 Consulting Academy February 2011 Agenda 1. Qu est-ce que la Big Data? 2. Que constatent les entreprises? 3. La Big Data,

Plus en détail