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

Save this PDF as:
 WORD  PNG  TXT  JPG

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

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

Data Mining, Data Scien-st, Data Analy-cs, CRM, Modélisa-on et ou-ls mathéma-ques Eclairages et principes

Data Mining, Data Scien-st, Data Analy-cs, CRM, Modélisa-on et ou-ls mathéma-ques Eclairages et principes Data Mining, Data Scien-st, Data Analy-cs, CRM, Modélisa-on et ou-ls mathéma-ques Eclairages et principes Michel Béra Professeur du Cnam (Chaire de Modélisa-on sta-s-que du risque) Cours STA201 Comment

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

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

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

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

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

Première partie I. Aspects administratifs. Option reconnaissance des formes. Aspects pratiques. Le programme. Organisation du cours.

Première partie I. Aspects administratifs. Option reconnaissance des formes. Aspects pratiques. Le programme. Organisation du cours. Option reconnaissance des formes ntroduction Guillaume Wisniewski guillaume.wisniewski@limsi.fr Première partie Aspects administratifs Université Paris Sud LMS janvier 2011 Aspects pratiques Le programme

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane

Plus en détail

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr FOUILLE DE DONNEES Anne LAURENT laurent@lirmm.fr ECD Pourquoi la fouille de données? Données disponibles Limites de l approche humaine Nombreux besoins : Industriels, Médicaux, Marketing, Qu est-ce que

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

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

Analyse des réseaux sociaux et apprentissage

Analyse des réseaux sociaux et apprentissage Analyse des réseaux sociaux et apprentissage Emmanuel Viennet Laboratoire de Traitement et Transport de l Information Université Paris 13 - Sorbonne Paris Cité Réseaux sociaux? Réseaux sociaux? Analyse

Plus en détail

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

Géolocalisation, analyse prédictive - quels outils innovants de lutte contre la fraude?

Géolocalisation, analyse prédictive - quels outils innovants de lutte contre la fraude? Géolocalisation, analyse prédictive - quels outils innovants de lutte contre la fraude? Samuel Remacle Directeur assurance Europe BAE Systems Applied Intelligence L ARGUS GESTION DES SINISTRES PARIS -

Plus en détail

FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis

FORUM 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 détail

July 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15

July 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15 Mastère Spécialisé Big Data Stéphan Clémençon Télécom ParisTech July 1, 2013 Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15 Agenda Contexte et Opportunité Les grandes lignes

Plus en détail

Fouille de données et sémantique : des techniques pour donner du sens aux données

Fouille de données et sémantique : des techniques pour donner du sens aux données Fouille de données et sémantique : des techniques pour donner du sens aux données Nathalie Aussenac-Gilles (IRIT) co-animatrice avec M. Boughanem de l axe masse de données et calcul http://www.irit.fr/-masses-de-donnees-et-calcul,677-?lang=fr

Plus en détail

Séminaire inter-académique LYON (12-13 décembre 2007) Expérimentation en mathématiques, épreuve pratique de mathématiques : formation des élèves

Séminaire inter-académique LYON (12-13 décembre 2007) Expérimentation en mathématiques, épreuve pratique de mathématiques : formation des élèves Séminaire inter-académique LYON (12-13 décembre 2007) Expérimentation en mathématiques, épreuve pratique de mathématiques : formation des élèves (atelier animé par l académie de Besançon) Le fil conducteur

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

Panorama des problématiques de traitement de l information. Larbi Aït Hennani, Fatma Bouali, Vincent Vandewalle

Panorama des problématiques de traitement de l information. Larbi Aït Hennani, Fatma Bouali, Vincent Vandewalle Panorama des problématiques de traitement de l information Larbi Aït Hennani, Fatma Bouali, Vincent Vandewalle Conduite d une étude statistique Larbi Aït Hennani, maître de conférences en mathématiques

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

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009 Le Data Mining Techniques pour exploiter l information Auteur : Dan Noël Date : 24.04.2009 Agenda de la présentation du 26.03.2009 Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un

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

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

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

Agenda de la présentation

Agenda de la présentation Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining

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

Une visualisation vaut un millier de tableaux : Comment voir le big data avec IBM Business Analytics?

Une visualisation vaut un millier de tableaux : Comment voir le big data avec IBM Business Analytics? Livre blanc Une visualisation vaut un millier de tableaux : Comment voir le big data avec IBM Business Analytics? Sommaire Synthèse...2 Introduction...3 Trop de données, pas assez d information... 3 Seuls

Plus en détail

Infos Pratiques Programme. Seconde Semaine d Etude Mathématiques et Entreprises

Infos Pratiques Programme. Seconde Semaine d Etude Mathématiques et Entreprises Infos Pratiques Programme Seconde Semaine d Etude Mathématiques et Entreprises 28 novembre au 2 décembre 2011 Seconde Semaine d Etude Mathématiques et Entreprises 28 Novembre au 2 décembre 2011 L acceuil

Plus en détail

Entreprise et Big Data

Entreprise et Big Data Entreprise et Big Data Christophe Favart Chef Architecte, SAP Advanced Development, Business Information Technology Public Juin 2013 Agenda SAP Données d Entreprise Big Data en entreprise Solutions SAP

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

PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la voiture 4 roues motrices en phase d accélération?»

PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la voiture 4 roues motrices en phase d accélération?» D après les productions de l équipe du lycée Clément Ader de Dourdan Mme Fabre-Dollé, Mr Dollé et Mr Berthod THÈME SOCIÉTAL Mobilité PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la

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

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

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

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

Projet de création de SAFRAN ANALYTICS

Projet de création de SAFRAN ANALYTICS Projet de création de SAFRAN ANALYTICS Comité de Groupe 27 février 2015 SOMMAIRE Contexte Enjeux du Big Data pour Safran Projet Safran Analytics Calendrier prévisionnel 1 / CONFIDENTIEL / 27-02-2015 /

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

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

www.asais.com Téléphone: + ( 33 ) 1 43 05 58 00

www.asais.com Téléphone: + ( 33 ) 1 43 05 58 00 www.asais.com Téléphone: + ( 33 ) 1 43 05 58 00 Saturne mobile La collecte des données de comptage sur site ainsi que la gestion des tournées d interventions sont des challenges quotidiens pour les gestionnaires

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

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

Projet de Chaire Machine-learning

Projet de Chaire Machine-learning Projet de Chaire Machine-learning Stéphan Clémençon Télécom ParisTech January 15, 2013 Stéphan Clémençon (Télécom ParisTech) Chaire Apprentissage January 15, 2013 1 / 1 Machine-learning: un bref tour d

Plus en détail

Stages 2013-2014 ISOFT : UNE SOCIETE INNOVANTE. ISoft : +33 1 69 35 37 37 www.isoft.fr 21 Chemin de Moulon 91190 Gif sur Yvette France

Stages 2013-2014 ISOFT : UNE SOCIETE INNOVANTE. ISoft : +33 1 69 35 37 37 www.isoft.fr 21 Chemin de Moulon 91190 Gif sur Yvette France Stages 2013-2014 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

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

Table des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...

Table des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement... III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................

Plus en détail

COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume

COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation

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

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme

Plus en détail

LIVRE BLANC Décembre 2014

LIVRE BLANC Décembre 2014 PARSING MATCHING EQUALITY SEARCH LIVRE BLANC Décembre 2014 Introduction L analyse des tendances du marché de l emploi correspond à l évidence à une nécessité, surtout en période de tension comme depuis

Plus en détail

Suite Jedox La Business-Driven Intelligence avec Jedox

Suite Jedox La Business-Driven Intelligence avec Jedox Suite La Business-Driven Intelligence avec Une solution intégrée pour la simulation, l analyse et le reporting vous offre la possibilité d analyser vos données et de gérer votre planification selon vos

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

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

OUTILS FONDAMENTAUX EN TRAITEMENT D IMAGES

OUTILS FONDAMENTAUX EN TRAITEMENT D IMAGES OUTILS FONDAMENTAUX EN TRAITEMENT D IMAGES Défis actuels Mégadonnées (big data) Square Kilometer Array Telescope : 300 To/s (100 Internet) 9 Robustesse Défis actuels Repérer les comportements suspects

Plus en détail

Mobilités 2.0 : connaître pour mieux agir

Mobilités 2.0 : connaître pour mieux agir Mobilités 2.0 : connaître pour mieux agir (objet, partenaires, cheminement et concept, architecture du projet, vues d aide à la décision, et prochaine étape 21 janvier!) denys.alapetite @smartengy.com

Plus en détail

Chapitre 2 L actualisation... 21

Chapitre 2 L actualisation... 21 III Table des matières Avant-propos Remerciements.... Les auteurs... XI XII Chapitre 1 L intérêt.... 1 1. Mise en situation.... 1 2. Concept d intérêt... 1 2.1. L unité de temps... 2 2.2. Le taux d intérêt...

Plus en détail

Atelier de Prospective n 7. Jusqu où le dossier informatisé peut il favoriser la coordination des acteurs de santé?

Atelier de Prospective n 7. Jusqu où le dossier informatisé peut il favoriser la coordination des acteurs de santé? Atelier de Prospective n 7 Jusqu où le dossier informatisé peut il favoriser la coordination des acteurs de santé? Aujourd hui et demain Aujourd hui : Déploiement : Les DPI sont en cours de généralisation

Plus en détail

BACCALAUREAT GENERAL MATHÉMATIQUES

BACCALAUREAT GENERAL MATHÉMATIQUES BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la

Plus en détail

La modélisation des déplacements : Qu est ce qu un modèle, pour qui et pourquoi?

La modélisation des déplacements : Qu est ce qu un modèle, pour qui et pourquoi? Les Modèles multimodaux des déplacements : enjeux, outils et expériences territoriales 13 février 2014, COTITA, CEREMA, Direction Territoriale Méditerranée La modélisation des déplacements : Qu est ce

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

IODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21

IODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21 IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances

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

Petit tutoriel pour Régressi

Petit tutoriel pour Régressi Petit tutoriel pour Régressi Récupération de données : Entrer les données au clavier Dans l onglet «fichier», choisir «Nouveau» puis «Clavier». Créer ensuite le nombre de colonnes correspondant aux nombre

Plus en détail

LE MANAGEMENT VISUEL

LE MANAGEMENT VISUEL LE MANAGEMENT VISUEL Définition: Le management visuel contribue à la communication et à l image de marque de la société. Son objectif est de définir, à l aide d outils visuels, un environnement de travail

Plus en détail

Analyse des déplacements des objets mobiles : définition de comportements types

Analyse des déplacements des objets mobiles : définition de comportements types Analyse des déplacements des objets mobiles : définition de comportements types Thomas Devogele Université François Rabelais (Tours) thomas.devogele@univ-tours.fr Les déplacements L analyse des déplacements

Plus en détail

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains. Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY

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

avec nos solutions spécialisées pour la microfinance et ses institutions coopératives Big Data

avec nos solutions spécialisées pour la microfinance et ses institutions coopératives Big Data avec nos solutions spécialisées pour la microfinance et ses institutions coopératives Big Data Historique de Big data Jusqu à l avènement d Internet et surtout du Web 2.0 il n y avait pas tant de données

Plus en détail

Introduction à La Fouille de Données. Khai thác dữ liệu. Cours M1 IA «Systèmes Intelligents & Multimédia» Jean-Daniel Zucker

Introduction à La Fouille de Données. Khai thác dữ liệu. Cours M1 IA «Systèmes Intelligents & Multimédia» Jean-Daniel Zucker 1 /81 Cours IFI M1 Data Mining Introduction à La Fouille de Données Khai thác dữ liệu Cours M1 IA «Systèmes Intelligents & Multimédia» Jean-Daniel Zucker Chercheur de l IRD à UMMISCO (Modélisation Mathématiques

Plus en détail

«Cours Statistique et logiciel R»

«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 détail

Cycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language

Cycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language Unified Modeling Language UML Salima Hassas Version Cycle de vie du logiciel Client Besoins Déploiement Analyse Test Conception Cours sur la base des transparents de : Gioavanna Di Marzo Serugendo et Frédéric

Plus en détail

Problèmes et TICE au lycée

Problèmes et TICE au lycée DGEE 5 mai 2015 Inspection pédagogique régionale de mathématiques Sommaire du stage Introduction Avec quels logiciels Quelques exemples... Sommaire du stage Introduction Avec quels logiciels Quelques exemples...

Plus en détail

Rapport de TER : Collecte de médias géo-localisés et recherche de points d intérêt avec l algorithme Mean Shift Martin PUGNET Février 2014

Rapport de TER : Collecte de médias géo-localisés et recherche de points d intérêt avec l algorithme Mean Shift Martin PUGNET Février 2014 Rapport de TER : Collecte de médias géo-localisés et recherche de points d intérêt avec l algorithme Mean Shift Martin PUGNET Février 2014 résumé : Ce projet a pour but de récupérer des données géolocalisées

Plus en détail

Surmonter les 5 défis opérationnels du Big Data

Surmonter les 5 défis opérationnels du Big Data Surmonter les 5 défis opérationnels du Big Data Jean-Michel Franco Talend Connect 9 octobre 2014 Talend 2014 1 Agenda Agenda Le Big Data depuis la découverte jusqu au temps réel en passant par les applications

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

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

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 http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de

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

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

Nouveaux moyens diagnostics et dossier patient informatisé : quels impacts sur la pratique médicale et hospitalières?

Nouveaux moyens diagnostics et dossier patient informatisé : quels impacts sur la pratique médicale et hospitalières? Nouveaux moyens diagnostics et dossier patient informatisé : quels impacts sur la pratique médicale et hospitalières? Nouvelles technologies et santé publique 22 ème journée de droit de la santé Jeudi

Plus en détail

Utilisation des arbres binomiaux pour le pricing des options américaines

Utilisation des arbres binomiaux pour le pricing des options américaines Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire Auriault Plan de la présentation Introduction. Le problème des options 2. Le modèle de Cox-Ross-Rubinstein 3. Les

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

White Paper - Livre Blanc

White Paper - Livre Blanc White Paper - Livre Blanc Développement d applications de supervision des systèmes d information Avec LoriotPro Vous disposez d un environnement informatique hétérogène et vous souhaitez à partir d une

Plus en détail

PRÉPARATION DU BACCALAURÉAT MATHÉMATIQUES. SÉRIE ES Obligatoire et Spécialité

PRÉPARATION DU BACCALAURÉAT MATHÉMATIQUES. SÉRIE ES Obligatoire et Spécialité PRÉPARATIN DU BACCALAURÉAT MATHÉMATIQUES SÉRIE ES bligatoire et Spécialité Décembre 0 Durée de l épreuve : heures Coefficient : ou L usage d une calculatrice électronique de poche à alimentation autonome,

Plus en détail

Big Data et Marketing : les competences attendues

Big Data et Marketing : les competences attendues Big Data et Marketing : les competences attendues Laurence Fiévet Responsable Marketing Corporate Oney Banque Accord LA DYNAMIQUE DU MARKETING Selon la définition de Kotler et Dubois, «Le marketing est

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

Compte rendu de l AG de la conférence EGC 2015 au Luxembourg

Compte rendu de l AG de la conférence EGC 2015 au Luxembourg Compte rendu de l AG de la conférence EGC 2015 au Luxembourg 02/2015 Ordre du jour : 1. Bilan financier 2014 2. Point conférence EGC'2015 3. Actions/Valorisation/Communication 3.1 Groupes de travail EGC

Plus en détail

http://mondomaine.com/dossier : seul le dossier dossier sera cherché, tous les sousdomaines

http://mondomaine.com/dossier : seul le dossier dossier sera cherché, tous les sousdomaines Principales fonctionnalités de l outil Le coeur du service suivre les variations de position d un mot-clé associé à une URL sur un moteur de recherche (Google - Bing - Yahoo) dans une locale (association

Plus en détail

V3 une nouvelle approche de la gestion de flotte orientée web service. 09/05/2014 Document confidentiel 7

V3 une nouvelle approche de la gestion de flotte orientée web service. 09/05/2014 Document confidentiel 7 V3 une nouvelle approche de la gestion de flotte orientée web service 09/05/2014 Document confidentiel 7 Vision stratégique La gestion de flotte est partie prenante dans les systèmes d information et les

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

CULTIVATEUR DE DONNÉES 4.0 FAITES FRUCTIFIER VOS DONNÉES, RÉCOLTEZ DU ROI. DU BIG DATA AU SMART DATA

CULTIVATEUR DE DONNÉES 4.0 FAITES FRUCTIFIER VOS DONNÉES, RÉCOLTEZ DU ROI. DU BIG DATA AU SMART DATA CULTIVATEUR DE DONNÉES 4.0 FAITES FRUCTIFIER VOS DONNÉES, RÉCOLTEZ DU ROI. DU BIG DATA AU SMART DATA CULTIVER SON CAPITAL CLIENTS, RECRUTER, FIDÉLISER ET RÉCOLTER DU ROI! La société Base Plus cultive depuis

Plus en détail

Microsoft France. Pour en savoir plus, connectez-vous sur www.microsoft.com/france/dynamics/nav ou contactez notre Service Client au 0825 827 859*

Microsoft France. Pour en savoir plus, connectez-vous sur www.microsoft.com/france/dynamics/nav ou contactez notre Service Client au 0825 827 859* Microsoft France Pour en savoir plus, connectez-vous sur www.microsoft.com/france/dynamics/nav ou contactez notre Service Client au 0825 827 859* * 0,15 TTC/min Microsoft France - SAS au capital de 4 240

Plus en détail

Microso t Dynamics TM NAV

Microso t Dynamics TM NAV Microso t Dynamics TM NAV Votre système de gestion est-il à la hauteur de vos projets d entreprise? Petite structure hier, vous êtes maintenant prêt à grandir? Donnez-vous les moyens de la croissance et

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

Du Système de Gestion des Données de Conception au "PLM apprenant"

Du Système de Gestion des Données de Conception au PLM apprenant Du Système de Gestion des Données de Conception au "PLM apprenant" Bilan de 10 ans d expérience à l UTBM Samuel GOMES UTBM, Départ. GMC Laboratoire SeT-ERCOS samuel.gomes@utbm.fr Thierry BEAUJON Directeur

Plus en détail

Fonctions de deux variables. Mai 2011

Fonctions de deux variables. Mai 2011 Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs

Plus en détail

FIXAGE. Le risque de taux en assurance-vie : Modélisation stochastique et fair value

FIXAGE. Le risque de taux en assurance-vie : Modélisation stochastique et fair value FIXAGE Le risque de taux en assurance-vie : Modélisation stochastique et fair value Petit-déjeuner du 9 janvier 2003 animé par Michel PIERMAY et Arnaud COHEN FIXAGE 11, avenue Myron Herrick 75008 Paris

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

SEMINAIRE SAS VISUAL ANALYTICS LAUSANNE, MARCH 18 : JÉRÔME BERTHIER VALERIE AMEEL

SEMINAIRE SAS VISUAL ANALYTICS LAUSANNE, MARCH 18 : JÉRÔME BERTHIER VALERIE AMEEL SEMINAIRE SAS VISUAL ANALYTICS LAUSANNE, MARCH 18 : JÉRÔME BERTHIER VALERIE AMEEL AGENDA 14:15-14:30 Bienvenue & Introduction Jérôme Berthier et Manuel Fucinos 14:30-14:45 Le concept de la Data Viz et

Plus en détail