Apprentissage de concepts. (Référence : Tom Mitchell, Machine Learning, McGraw Hill, 1997)
|
|
- Flavien Lafontaine
- il y a 6 ans
- Total affichages :
Transcription
1 Apprentissage de concepts (Référence : Tom Mitchell, Machine Learning, McGraw Hill, 1997)
2 Apprentissage de concepts Définitions Espace de recherche : du général au spécifique L algorithme d élimination des candidats Biais inductifs Apprentissage de concepts 2
3 Définition Problème : apprendre une fonction de mapping d exemples vers deux classes : positive & négative. Input : Un ensemble d exemples déjà classifiés comme positifs or négatifs. Apprendre un concept : processus d induction d une fonction de mapping des exemples vers un ensemble Booléen. Exemples : Classifier des objets dans des images astronomiques comme des étoiles ou des galaxies Classifier des animaux comme vertébrés ou invertébrés Apprentissage de concepts 3
4 Exemple : Champignons Tâche : Prédire si des champignons sont vénéneux Performance : Taux d exactitude de la classification Expérience : Une base de données décrivant des champignons et leurs classes. Connaissance à apprendre : Fonction de mapping des champignons vers {0,1} où 0:non vénéneux et 1: vénéneux Représentation de la connaissance à apprendre : Conjonction de valeurs d attributs. Mécanisme d apprentissage : Élimination des candidats Apprentissage de concepts 4
5 Représentation des exemples Attributs / Caractéristiques : color : {red, brown, gray} size : {small, large} shape : {round,elongated} land : {humid,dry} air humidity : {low,high} texture : {smooth, rough} Apprentissage de concepts 5
6 Espace des entrées et des sorties X : l espace de tous les exemples possibles (espace des entrées). Y: l espace des classes (espace des sorties). Un exemple dans X est un vecteur de caractéristiques x. Par exemple : x = (red,small,elongated,humid,low,rough) X est le produit croisé de toutes les valeurs de caractéristiques. X Nous ne disposons que d un petit sous-ensemble Y = {0,1} Apprentissage de concepts 6
7 Exemples d apprentissage D : ensemble des exemples d apprentissage, D : ensemble de pairs { (x,c(x)) }, où c est le concept cible. Exemple : ((red,small,round,humid,low,smooth), ((red,small,elongated,humid,low,smooth), ((gray,large,elongated,humid,low,rough), ((red,small,elongated,humid,high,rough), poisonous) poisonous) not-poisonous) poisonous) Instances de l espace des entrées Instances de l espace des sorties Apprentissage de concepts 7
8 Représenter une hypothèse Une hypothèse h est une fonction de X vers Y h: X Y Espace des conjonctions. Symboles spéciaux :? n importe quelle valeur est acceptable 0 aucune valeur n est acceptable Les hypothèses suivantes : (?,?,?,?,?,?) : tous les champignons sont vénéneux (0,0,0,0,0,0) : aucun champignon n est vénéneux Apprentissage de concepts 8
9 Espace d hypothèses L espace de toutes les hypothèses est représenté par H X h h une hypothèse dans H. x un exemple de champignon. si h(x) = 1 alors x est vénéneux, sinon x ne l est pas. Le but est de trouver l hypothèse, h*, qui est très proche du concept cible c. On dit d une hypothèse qu elle couvre les exemples qu elle classifie comme positifs. Apprentissage de concepts 9
10 Supposition 1 Exploration de l espace de toutes les conjonctions. Nous supposons que le concept cible appartient à cet espace. H Concept cible c Apprentissage de concepts 10
11 Supposition 2 Une hypothèse proche du concept cible c, obtenue après avoir vu plusieurs exemples d apprentissage, s avèrera efficace sur un ensemble de nouveaux exemples. Ensemble d apprentissage D L hypothèse h* est bonne Nouvel ensemble D L hypothèse h* est bonne Apprentissage de concepts 11
12 Apprentissage de concepts : une recherche Une recherche qui va du général au spécifique. Inhérente à l espace des hypothèses. Considérons ces deux hypothèses : h1 = (red,?,?,humid,?,?) h2 = (red,?,?,?,?,?) h2 est plus générale que h1 car h2 classifie plus d instances que h1 et h1 est couverte par h2. Apprentissage de concepts 12
13 Générale Spécifique Par exemple, considérons les hypothèses suivantes : h1 h2 h3 h1 est plus générale que h2 et h3. h2 et h3 ne sont ni plus spécifique ni plus générale l une par rapport à l autre. Apprentissage de concepts 13
14 Définition hj et hk deux hypothèses de mapping d exemples vers {0,1}. hj est plus générale que hk ssi, Pour tous les exemples x, hk(x) = 1 hj(x) = 1 Ainsi, hj >= hk La relation >= relation impose un ordre partiel à travers l espace des hypothèses H. Elle est réflexive, antisymétrique et transitive. Apprentissage de concepts 14
15 Treillis Un espace d entrées X défini ainsi un treillis d hypothèses ordonnées selon une relation général-spécifique : h1 h2 h3 h4 h5 h6 h7 h8 Apprentissage de concepts 15
16 Trouver une hypothèse maximalement spécifique Algorithme de recherche dans l espace des conjonctions : Commencer avec l hypothèse la plus spécifique Généraliser l hypothèse quand elle échoue à reconnaître un exemple positif Algorithme : - Initialiser h à l hypothèse la plus spécifique - Pour chaque exemple positif X Pour chaque valeur a dans h Si l exemple X et h coïncide sur a, Alors rien Sinon généraliser a par la prochaine contrainte la plus générale 3. Retourner l hypothèse h Apprentissage de concepts 16
17 Exemple Exécutons l algorithme précédent sur ces exemples : ((red,small,round,humid,low,smooth), ((red,small,elongated,humid,low,smooth), ((gray,large,elongated,humid,low,rough), ((red,small,elongated,humid,high,rough), poisonous) poisonous) not-poisonous) poisonous) On commence par l hypothèse la plus spécifique : h = (0,0,0,0,0,0) Le premier exemple est positif. h échoue à le reconnaître, on généralise h pour qu il couvre exactement cet exemple : h = (red,small,round,humid,low,smooth) Apprentissage de concepts 17
18 Exemple Puis, vient l exemple 2 : ((red,small,elongated,humid,low,smooth), poisonous) C est un exemple positif. Tous ces attributs coïncident avec l hypothèse h sauf, l attribut forme (shape) : il a la valeur elongated, et non pas round. On généralise cet attribut en utilisant le symbole? : h: (red,small,?,humid,low,smooth) Le 3 ème exemple est négatif, on l ignore. En traitant le 4 ème exemple, l hypothèse est généralisée ainsi : h = (red,small,?,humid,?,?) h est interprétée comme suit : tout champignon qui est rouge, petit et récolté dans un sol humide doit être classifié comme vénéneux. Apprentissage de concepts 18
19 Analyse de l algorithme L algorithme trouve l hypothèse la plus spécifique et consistante avec l ensemble des exemples d apprentissage. Il exploite les relations <général-spécifique> pour se déplacer dans le treillis à la recherche de la prochaine hypothèse la plus spécifique. h1 h2 h3 h4 h5 h6 h7 h8 Apprentissage de concepts 19
20 Points à considérer Il y a plusieurs hypothèses consistantes avec l ensemble d apprentissage D. Pourquoi préférer la plus spécifique? Qu arriverait-il si les exemples ne sont pas tous consistants? S ils contiennent des erreurs, du bruit? Et si l espace des hypothèses H possède plus d une hypothèse maximalement spécifique h? La recherche dans le treillis devrait être différente pour permettre cette possibilité. Apprentissage de concepts 20
21 Algorithme d élimination des candidats : principales idées L algorithme qui trouve l hypothèse maximalement spécifique ne trouve en fait qu une seule hypothèse consistante avec les données d apprentissage. L algorithme d élimination des candidats (CEA) trouve TOUTES les hypothèses consistantes avec les données d apprentissage. CEA fonctionne sans explicitement énumérer toutes les hypothèses consistantes. Applications : o o Spectroscopie de masses en chimie Règles de contrôle pour recherche heuristique Apprentissage de concepts 21
22 Consistance vs Couverture Ensemble d apprentissage D h2 h1 Exemples positifs Exemples négatifs h1 couvre un ensemble d exemples différent de celui couvert par h2 h2 est consistant avec D h1 n est pas consistant avec D Apprentissage de concepts 22
23 Espace des versions VS Espace des hypothèses H Espace des versions : Sous-ensemble d hypothèses de H, consistant avec l ensemble d apprentissage D. Apprentissage de concepts 23
24 Exemple : champignons Ensemble d apprentissage D: ((red,small,round,humid,low,smooth), ((red,small,elongated,humid,low,smooth), ((gray,large,elongated,humid,low,rough), ((red,small,elongated,humid,high,rough), poisonous) poisonous) not-poisonous) poisonous) Le 1er algorithme ne trouve qu une parmi 6 hypothèses consistantes : G: (red,?,?,?,?,?) (?,small,?,?,?,?) (red,?,?,humid,?,?) (red,small,?,?,?,?) (?,small,?,humid,?,?) S: (red,small,?,humid,?,?) S: plus spécifique G: plus générale Apprentissage de concepts 24
25 Candidate-Elimination Algorithm (CEA) L algorithme CEA garde deux listes d hypothèses consistantes avec l ensemble d apprentissage : La liste des hypothèses les plus spécifiques S et, La liste des hypothèses les plus générales G Cela permet de dériver l espace des versions VS dans sa totalité G: (red,?,?,?,?,?)(?,small,?,?,?,?) VS S: (red,small,?,humid,?,?) Apprentissage de concepts 25
26 Candidate-Elimination Algorithm 1. Initialiser G comme l ensemble des hypothèses maximalement générales de H 2. Initialiser S comme l ensemble des hypothèses maximalement spécifiques de H 3. Pour chaque exemple d apprentissage X faire a) si X est positif : généraliser S si nécessaire b) si X est négatif : spécialiser G si nécessaire 4. Output {G,S} Apprentissage de concepts 26
27 Exemples positifs a) Si X est positif : Supprimer de G toute hypothèse inconsistante avec X Pour chaque hypothèse h de S non consistante avec X Supprimer h de S Ajouter à S toutes les généralisations minimales k de h consistantes avec X, t.q un membre de G soit plus général que k Supprimer de S toute hypothèse plus générale que n importe quelle hypothèse de S G: h Inconsistant S: Ajouter généralisations minimales Apprentissage de concepts 27
28 Exemples négatifs b) Si X est négatif : G: Supprimer de S toute hypothèse inconsistante avec X Pour chaque hypothèse g dans G non consistante avec X Supprimer g de G Ajouter à G toutes les spécialisations minimales h de g consistantes avec X t.q un membre de S est plus spécifique que h Supprimer de G toute hypothèse moins générale que n importe quelle hypothèse de G S: g Ajouter spécialisations minimales Inconsistant Apprentissage de concepts 28
29 Exemple Initialiser S et G : S: (0,0,0,0,0,0) G: (?,?,?,?,?,?) Les deux premiers exemples sont positifs : ((red,small,round,humid,low,smooth), ((red,small,elongated,humid,low,smooth), G: (?,?,?,?,?,?) poisonous) poisonous) spécialiser (red,small,?,humid,low,smooth) (red,small,round,humid,low,smooth) S: (0,0,0,0,0,0) généraliser Apprentissage de concepts 29
30 Exemple : un premier exemple négatif Le 3ème exemple est négatif : ((gray,large,elongated,humid,low,rough), not-poisonous) G: (?,?,?,?,?,?) spécialiser (red,?,?,?,?,?,?) (?,small,?,?,?,?) (?,?,?,?,?,smooth) S:(red,small,?,humid,low,smooth) généraliser Pourquoi (?,?,round,?,?,?) n est pas une spécialisation valide de G? Apprentissage de concepts 30
31 Exemple : un autre positif Le 4ème exemple est positif : ((red,small,elongated,humid,high,rough), poisonous) spécialiser G: (red,?,?,?,?,?,?) (?,small,?,?,?,?) (?,?,?,?,?,smooth) (red,small,?,humid,?,?) S:(red,small,?,humid,low,smooth) généraliser Apprentissage de concepts 31
32 VS : l espace des versions appris G: (red,?,?,?,?,?,?) (?,small,?,?,?,?) (red,?,?,humid,?,?) (red,small,?,?,?,?) (?,small,?,humid,?,?) S: (red,small,?,humid,?,?) Apprentissage de concepts 32
33 Questions Est-ce que l algorithme converge vers la bonne hypothèse? Il converge dans les conditions suivantes : Les exemples sont exempts d erreurs Le concept cible est inclus dans l espace des hypothèses H Qu arrive t-il s il existe des erreurs dans les exemples? La bonne hypothèse sera inconsistante et sera donc éliminée Si S et G convergent vers un espace vide, nous en concluons que le concept recherché est en dehors de l espace H. Apprentissage de concepts 33
34 Classifier de nouveaux exemples Si VS ne se réduit pas à une simple hypothèse et l on veut classifier une nouvelle instance? Supposons que toutes les hypothèses de S affirment que l instance est positive? Donc, nous sommes surs que toutes les hypothèses dans VS affirment que l instance est positive. Pourquoi? C est le même cas si l instance est classée négative par tous les membres de G. Apprentissage de concepts 34
35 En résumé CEA exploite la relation général-spécifique entre hypothèses pour trouver toutes les hypothèses consistantes avec l ensemble d apprentissage. L espace des versions contient toutes les hypothèses consistantes ; il est représenté par 2 listes : S et G. CEA n est pas robuste au bruit ; il suppose aussi que le concept cible est inclus dans l espace des hypothèses. Tout algorithme inductif nécessite que l on fixe certaines données à propos de l espace des hypothèses, sinon, il serait impossible d effectuer des prédictions. Apprentissage de concepts 35
Continuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailChap 4: Analyse syntaxique. Prof. M.D. RAHMANI Compilation SMI- S5 2013/14 1
Chap 4: Analyse syntaxique 1 III- L'analyse syntaxique: 1- Le rôle d'un analyseur syntaxique 2- Grammaires non contextuelles 3- Ecriture d'une grammaire 4- Les méthodes d'analyse 5- L'analyse LL(1) 6-
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailCours A7 : Temps Réel
Cours A7 : Temps Réel Pierre.Paradinas / @ / cnam.fr Cnam/Cedric Systèmes Enfouis et Embarqués (SEE) Motivations Du jour : les mécanismes multitâches, la gestion des priorités, l ordonnancement, la gestion
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 détailVotre Réseau est-il prêt?
Adapter les Infrastructures à la Convergence Voix Données Votre Réseau est-il prêt? Conférence IDG Communications Joseph SAOUMA Responsable Offre ToIP Rappel - Définition Voix sur IP (VoIP) Technologie
Plus en détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailVers l'ordinateur quantique
Cours A&G Vers l'ordinateur quantique Données innies On a vu dans les chapîtres précédents qu'un automate permet de représenter de manière nie (et même compacte) une innité de données. En eet, un automate
Plus en détailExpression des contraintes. OCL : Object C o n t r a i n t L a n g u a g e
P r o b l é m a t i q u e OCL : O b j e c t C o n s t r a i n t L a n g u a g e Le langage de contraintes d UML Les différents diagrammes d UML permettent d exprimer certaines contraintes graphiquement
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailMaintenance/évolution d'un système d'information
Centre national de la recherche scientifique Direction des systèmes d'information REFERENTIEL QUALITE Procédure Qualité Maintenance/évolution d'un système d'information Référence : CNRS/DSI/conduite-projet/maintenance-evolution/presentation/proc-maintenance
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailCréer et modifier un fichier d'import des coordonnées approximatives avec Excel
Créer et modifier un fichier d'import des coordonnées approximatives avec Excel Manuel d'utilisation Date: 26.03.2015 Version: 1.0 Auteur: Christoph Rüfenacht Statut: En cours Libéré Classification: publique
Plus en détailCorrection ex feuille Etoiles-Spectres.
Correction ex feuille Etoiles-Spectres. Exercice n 1 1 )Signification UV et IR UV : Ultraviolet (λ < 400 nm) IR : Infrarouge (λ > 800 nm) 2 )Domaines des longueurs d onde UV : 10 nm < λ < 400 nm IR : 800
Plus en détailModule 24 : Analyse de scénarios
Module 24 : Analyse de scénarios 24.0 Introduction Ce module enseigne un sous-ensemble de techniques de création de modèle qui, dans Excel 2007, constitue l «analyse de scénarios». Ces techniques sont
Plus en détailEtude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
Plus en détailContradicting Beliefs and Communication. J.-M. Tallon, J.-C. Vergnaud, & S. Zamir CNRS-EUREQua
Contradicting Beliefs and Communication J.-M. Tallon, J.-C. Vergnaud, & S. Zamir CNRS-EUREQua Introduction Papier propose : Considère structure de Kripke (KD45 au lieu de S5) Processus de communication
Plus en détailQuatrième partie IV. Test. Test 15 février 2008 1 / 71
Quatrième partie IV Test Test 15 février 2008 1 / 71 Outline Introduction 1 Introduction 2 Analyse statique 3 Test dynamique Test fonctionnel et structurel Test structurel Test fonctionnel 4 Conclusion
Plus en détailLES TYPES DE DONNÉES DU LANGAGE PASCAL
LES TYPES DE DONNÉES DU LANGAGE PASCAL 75 LES TYPES DE DONNÉES DU LANGAGE PASCAL CHAPITRE 4 OBJECTIFS PRÉSENTER LES NOTIONS D ÉTIQUETTE, DE CONS- TANTE ET DE IABLE DANS LE CONTEXTE DU LAN- GAGE PASCAL.
Plus en détailTP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile
TP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile Dans ce TP, vous apprendrez à définir le type abstrait Pile, à le programmer en Java à l aide d une interface
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailREALISATION d'un. ORDONNANCEUR à ECHEANCES
REALISATION d'un ORDONNANCEUR à ECHEANCES I- PRÉSENTATION... 3 II. DESCRIPTION DU NOYAU ORIGINEL... 4 II.1- ARCHITECTURE... 4 II.2 - SERVICES... 4 III. IMPLÉMENTATION DE L'ORDONNANCEUR À ÉCHÉANCES... 6
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailProblèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003
Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation
Plus en détailGuide de mise à jour BiBOARD
Guide de mise à jour BiBOARD Version 11.4 13/12/2012 Support BiBOARD E-mail : support@biboard.fr Ce document est destiné à l équipe informatique en charge de la mise à jour de l application BiBOARD. Durée
Plus en détailLe compost. Un petit écosystème au jardin
Le compost Un petit écosystème au jardin En utilisant du compost au jardin, nous rendons les matières organiques produites par le jardin ou par notre alimentation, à l écosystème naturel. Ainsi l écosystème
Plus en détailNOUVEAU RÉGIME D ASSURANCE COLLECTIVE
RENSEIGNEMENTS GÉNÉRAUX NOUVEAU RÉGIME D ASSURANCE COLLECTIVE FSSS FP (CSN) au 1 er avril 2009 RESTRUCTURATION DES RÉGIMES D ASSURANCE MALADIE ET DE SOINS DENTAIRES Régime d assurance santé CAMPAGNE D
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 détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailTable des matières: Guidelines Fonds de Pensions
Table des matières: Guidelines Fonds de Pensions TABLE DES MATIERES... 1 INTRODUCTION... 2 1 FINANCEMENT ET FINANCEMENT MINIMUM... 3 1.1 FINANCEMENT... 3 1.2 FINANCEMENT DE PLAN... 3 1.3 FINANCEMENT MÉTHODE
Plus en détailSondage sur le travail de conseiller d arrondissement et de conseiller municipal
Sondage sur le travail de conseiller d arrondissement et de conseiller municipal Mémoire déposé dans le cadre des consultations citoyennes sur le projet de réforme de la gouvernance du Renouveau Sherbrookois
Plus en détailDemande d autorisation de faire du commerce d animaux
Demande d autorisation de faire du commerce d animaux 1 Autorité et auteur de la demande 1.1 Adresse du service cantonal de la protection des animaux (adresse d envoi): 1.2 Nom et adresse de la personne
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailOUVERT02 - Maintien de l ouverture par élimination mécanique ou manuelle des rejets ligneux et autres végétaux indésirables Sous-mesure :
OUVERT02 - Maintien de l ouverture par élimination mécanique ou manuelle des rejets ligneu et autres végétau indésirables Sous-mesure : 10.1 Paiements au titre d'engagements agroenvironnementau et climatiques
Plus en détailINF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies
INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailProblèmes arithmétiques issus de la cryptographie reposant sur les réseaux
Problèmes arithmétiques issus de la cryptographie reposant sur les réseaux Damien Stehlé LIP CNRS/ENSL/INRIA/UCBL/U. Lyon Perpignan, Février 2011 Damien Stehlé Problèmes arithmétiques issus de la cryptographie
Plus en détailÉvaluation et optimisation de requêtes
Évaluation et optimisation de requêtes Serge Abiteboul à partir de tranparents de Philippe Rigaux, Dauphine INRIA Saclay April 3, 2008 Serge (INRIA Saclay) Évaluation et optimisation de requêtes April
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
Plus en détailNettoyeur en bâtiment/nettoyeuse en bâtiment. Règlement d apprentissage et d examen de fin d apprentissage
80101 Nettoyeur en bâtiment/nettoyeuse en bâtiment Gebäudereiniger/Gebäudereinigerin Pulitore di edifici/pulitrice di edifici A. Règlement d apprentissage et d examen de fin d apprentissage B. Programme
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailFctsAffines.nb 1. Mathématiques, 1-ère année Edition 2007-2008. Fonctions affines
FctsAffines.nb 1 Mathématiques, 1-ère année Edition 2007-2008 Fonctions affines Supports de cours de mathématiques de degré secondaire II, lien hpertete vers la page mère http://www.deleze.name/marcel/sec2/inde.html
Plus en détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailFox 40 Whistle Watch GUIDE DE L UTILISATEUR 609-0700
Fox 40 Whistle Watch GUIDE DE L UTILISATEUR 609-0700 TABLE DES MATIÈRES TOUCHES ET CARACTÉRISTIQUES... 3 FONCTIONNEMENT DE LA MONTRE... 4 MODE CHRONOMÈTRE... 5 MODE COMPTE À REBOURS... 6 MODE ALARME...
Plus en détailSérie TD 3. Exercice 4.1. Exercice 4.2 Cet algorithme est destiné à prédire l'avenir, et il doit être infaillible! Exercice 4.3. Exercice 4.
Série TD 3 Exercice 4.1 Formulez un algorithme équivalent à l algorithme suivant : Si Tutu > Toto + 4 OU Tata = OK Alors Tutu Tutu + 1 Tutu Tutu 1 ; Exercice 4.2 Cet algorithme est destiné à prédire l'avenir,
Plus en détailLa conciliation bancaire
Introduction Auteure : Nicole Racette (Équipe de production) La conciliation bancaire Objectifs : Comprendre les étapes nécessaires pour établir le solde de son compte bancaire; Connaître en tout temps
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 détailUne introduction aux codes correcteurs quantiques
Une introduction aux codes correcteurs quantiques Jean-Pierre Tillich INRIA Rocquencourt, équipe-projet SECRET 20 mars 2008 1/38 De quoi est-il question ici? Code quantique : il est possible de corriger
Plus en détailCA Mainframe Chorus for Security and Compliance Management version 2.0
FICHE PRODUIT CA Mainframe Chorus for Security and Compliance CA Mainframe Chorus for Security and Compliance Management version 2.0 Simplifiez et rationalisez vos tâches de gestion de la sécurité et la
Plus en détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailChap III : Les tableaux
Chap III : Les tableaux Dans cette partie, on va étudier quelques structures de données de base tels que : Les tableaux (vecteur et matrice) Les chaînes de caractères LA STRUCTURE DE TABLEAU Introduction
Plus en détailComment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain?
DOSSIER SOLUTION Solution CA Virtual Placement and Balancing Comment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain? agility made possible La solution automatisée
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailLes BRMS Business Rules Management System. Groupe GENITECH
Les BRMS Business Rules Management System 1 Présentations Emmanuel Bonnet ebonnet (at) genigraph.fr Responsable Dpt Conseil Consultant, Expert BRMS Formateur IBM/Ilog JRules / JBoss Rules Génigraph SSII
Plus en détailOptimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
Plus en détailÀ L A D I S P O S I T I O N D E S M E M B R E S D E S Y N D I C A T S A F F I L I É S À L A C E N T R A L E D E S S Y N D I C A T S D U Q U É B E C
R É G I M E C O M P L É M E N T A I R E 1 D E S O I N S D E N T A I R E S J À L A D I S P O S I T I O N D E S M E M B R E S D E S Y N D I C A T S A F F I L I É S À L A C E N T R A L E D E S S Y N D I C
Plus en détailAlgorithmique et Programmation, IMA
Algorithmique et Programmation, IMA Cours 2 : C Premier Niveau / Algorithmique Université Lille 1 - Polytech Lille Notations, identificateurs Variables et Types de base Expressions Constantes Instructions
Plus en détailSERIE TS-770 SYSTEME CONFERENCE
SERIE TS-770 SYSTEME CONFERENCE Le système de conférence à fils de TOA installation, utilisation et extension faciles, Avec la participation à distance via IP ou téléphone. Système de conférence compact,
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailApproche Contract First
Exemple HelpDesk Approche Contract First Développement d un premier web service en utilisant l approche contract first (ou WSDL First) Écriture du wsdl avant d écrire le code java Autre possibilité implementation
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailLe crowdfunding : Cadre réglementaire et conditions d immatriculation des conseillers en investissements participatifs (CIP)
Le crowdfunding : Cadre réglementaire et conditions d immatriculation des conseillers en investissements participatifs (CIP) Natalie LEMAIRE Christelle SQUIBB Crowdtuesday 16 septembre 2014 Le crowdfunding
Plus en détailTechniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité
Techniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité Andreea Grigoriu avec Jean-Michel Coron, Cătălin Lefter and Gabriel Turinici CEREMADE-Université Paris Dauphine
Plus en détailRECUPEREZ DES FICHIERS SUPPRIMES AVEC RECUVA
RECUPEREZ DES FICHIERS SUPPRIMES AVEC RECUVA INTRODUCTION Ce logiciel gratuit peut vous aider à récupérer des fichiers que vous auriez malencontreusement effacés en vidant la corbeille par exemple. Il
Plus en détailDocument rédigé par Alexis Michaud (en janvier 2005), réactualisé par Angélique Amelot (septembre 2009)
Mode d emploi de l électroglottographe & démarrage rapide Glottal Enterprises Two-Channel Electroglottograph Model EG2 UMR 7018 CNRS/Université Sorbonne Nouvelle, 19 rue des Bernardins, 75005 Paris Document
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailAlgorithmique et structures de données I
Algorithmique et structures de données I Riadh Ben Messaoud Université 7 novembre à Carthage Faculté des Sciences Économiques et de Gestion de Nabeul 1ère année Licence Fondamentale IAG 1ère année Licence
Plus en détailDIPLOME D ETAT D AUXILIAIRE DE VIE SOCIALE LIVRET DE FORMATION
MINISTERE CHARGE DES AFFAIRES SOCIALES ETABLISSEMENT DE FORMATION : IFEN Pôle de Formations Aide à la Personne 34 bis, Rue Amiral COURBET - LE HAVRE DIPLOME D ETAT D AUXILIAIRE DE VIE SOCIALE LIVRET DE
Plus en détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailConditions de Maintenance et Service Après-Vente
Conditions de Maintenance et Service Après-Vente Durée de garantie et durée de vie des dispositifs Le tableau ci-après présente pour chaque dispositif médical distribué par la société Pentaferte France,
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailNorme internationale d information financière 1 Première application des Normes internationales d information financière
IFRS 1 Norme internationale d information financière 1 Première application des Normes internationales d information financière Objectif 1 L objectif de la présente Norme est d assurer que les premiers
Plus en détailLe filtrage de niveau IP
2ème année 2008-2009 Le filtrage de niveau IP Novembre 2008 Objectifs Filtrage : Le filtrage permet de choisir un comportement à adopter vis à vis des différents paquets émis ou reçus par une station.
Plus en détailStéphanie Delvaux. Responsable Espace associatif, Agence Conseil en Economie Sociale (AGES)
Stéphanie Delvaux Responsable Espace associatif, Agence Conseil en Economie Sociale (AGES) Programme Introduction : constat actuel Loi relative aux droits des volontaires 1)- Champ d application a) notion
Plus en détailIntroduire un nouveau type de maille ou un nouvel élément de référence
Titre : Introduire un nouveau type de maille ou un nouvel [...] Date : 05/10/2012 Page : 1/11 Introduire un nouveau type de maille ou un nouvel élément de référence Résumé : Ce document décrit ce qu il
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailAnalyse du temps de réponse des systèmes temps réel
Analyse du temps de réponse des systèmes temps réel Pascal Richard Laboratoire d Informatique Scientifique et Industrielle, ENSMA BP 40198 Téléport 2 F-86960 Futuroscope pascal.richard@ensma.fr RÉSUMÉ.
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailGOL502 Industries de services
GOL502 Industries de services Conception d un service Partie IIb Version 2013 Introduction Conception d un service partie IIb Nous verrons dans ce chapitre Modélisation d un service; Langage de modélisation
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détailDemande d autorisation de faire une tournée pour des cirques itinérants détenant des animaux sauvages
Demande d autorisation de faire une tournée pour des cirques itinérants détenant des animaux sauvages Première tournée / premier spectacle Nouvelle tournée / nouveau spectacle Entrée en Suisse de l étranger
Plus en détail