Machine Learning avec Weka
|
|
- Julie Bureau
- il y a 8 ans
- Total affichages :
Transcription
1 Machine Learning avec Weka Module X8II090 - Cours 1 Florian Boudin Département informatique, Université de Nantes Révision 1 du 4 janvier 2012
2 Plan Préambule Introduction Traitement des données Format d entrée Pré-traitement des données Classification Les algorithmes de classification dans Weka Les méthodes de base Entraînement et sauvegarde des modèles dans Weka Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 2 sur 53
3 Objectifs et notions abordées Objectif principal : être capable d utiliser le toolkit Weka Interface graphique Outil en ligne de commande Ce cours reprend les exemples ainsi que la méthodologie du livre Data Mining par Witten & Frank Site web du cours 04 jan 2012 / Rév. 1 - page 3 sur 53
4 Motivations La fécondation in vitro (procréation médicalement assistée) Collecte d ovules et de spermatozoïdes Fécondation de plusieurs embryons Comment choisir les "meilleurs" embryons à implanter? Nombre de cellules, régularité, fragmentation,... (± 60 critères) L éleveur de Nouvelle-Zélande Habituellement 20% des vaches sont abattues en fin de saison Comment choisir les vaches pour l abattoir? Reproduction, quantité et qualité du lait, problèmes de santé, âge, amour de l éleveur,... (± 700 critères) Autres exemples : reconnaissance du code postal, filtrage anti-spams, radars automatiques L exploration de données et l apprentissage sont partout! 04 jan 2012 / Rév. 1 - page 4 sur 53
5 Plan Préambule Introduction Traitement des données Classification Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 5 sur 53
6 D ou vient le nom Weka? Alan Vernon via Wikimedia Commons 04 jan 2012 / Rév. 1 - page 6 sur 53
7 Présentation de Weka (1) Weka (Waikato Environment for Knowledge Analysis) Environnement Waikato pour l analyse de connaissances Suite de logiciels d apprentissage automatique et d exploration de données écrite en Java Développée à l université de Waikato en Nouvelle-Zélande Historique 1993, Développement de la version originale en C 1997, Re-développement à partir de zéro en Java 2005, Weka reçoit le SIG KDD award 2006, Pentaho Corporation acquiert une licence exclusive 04 jan 2012 / Rév. 1 - page 7 sur 53
8 Présentation de Weka (2) downloads sur Sourceforge (2011) Disponible pour toutes les plateformes Windows x86, Windows x64, Mac OS X, Linux etc. Documentation riche et communauté large Le livre Data Mining : Practical Machine Learning Tools and Techniques (troisième édition) API Wiki FAQ Tutoriels, mailing list, etc. 04 jan 2012 / Rév. 1 - page 8 sur 53
9 Que contient le toolkit Weka? Outils de pré-traitement des données (filtering) Sélection, transformation, combinaison d attributs, normalisation, re-échantillonnage, etc. Algorithmes pour l exploration de données Clustering, classification, régression, etc. Analyse de résultats Évaluation de performances, comparaison d algorithmes, etc. Plusieurs interfaces Graphiques (Explorer, Experimenter et Knowledge Flow) En ligne de commande (CLI) 04 jan 2012 / Rév. 1 - page 9 sur 53
10 Aperçu de l interface de Weka 04 jan 2012 / Rév. 1 - page 10 sur 53
11 Utilisation de l outil en ligne de commande L interface graphique est suffisante pour les premières expériences L interface en CLI est recommandée pour une utilisation plus poussée Elle offre des fonctionnalités supplémentaires Elle utilise beaucoup moins de mémoire Penser à : Augmenter le maximum heap size de Java (-Xmx1024M) Ajouter weka.jar dans CLASSPATH 04 jan 2012 / Rév. 1 - page 11 sur 53
12 Plan Préambule Introduction Traitement des données Format d entrée Pré-traitement des données Classification Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 12 sur 53
13 Format d entrée (1) Le format d entrée par défaut de Weka est le ARFF (Attribute Relation File Format) D autres formats peuvent être importés CSV, binaire, BDD SQL (avec JDBC), à partir d une URL, etc. Caractéristiques du format de fichier ARFF : 1. Les commentaires sont précédés de % % Ceci est un commentaire dans un ensemble % de donnees. 2. Définition du nom de l ensemble de données Le nom doit être aussi compréhensible que temperaturemaison_14jours 04 jan 2012 / Rév. 1 - page 13 sur 53
14 Format d entrée (2) 3. Définition des features Attributs nominaux suivis des valeurs entre outlook {sunny, overcast, rainy} Attributs numériques avec temperature real Attributs chaines avec string, les valeurs doivent être entre doubles guillemets "blah blih untexte string Attributs dates avec date (yyyy-mm-dd-thh :mm unedate date signale le début des instances 04 jan 2012 / Rév. 1 - page 14 sur 53
15 Exemple de fichier ARFF % Ensemble de donnees sur la weather % Definition des outlook {sunny, overcast, temperature humidity windy {TRUE, play {yes, no} % Debut des sunny,85,85,false,no sunny,80,90,true,no overcast,83,86,false,yes rainy,70,96,false,yes jan 2012 / Rév. 1 - page 15 sur 53
16 Format d entrée (3) Par défaut, le dernier attribut est considéré comme la variable de classe / à prédire En CLI, la commande -c permet de choisir la variable à prédire, e.g. -c 1 spécifie le premier attribut Dans le cas de données éparses, il est possible de compresser les données en ne représentant pas explicitement les valeurs 0 Le format est <index><espace><valeur> % Instances contenant beaucoup de 0 0, 6, 0, 0, 0, 0, 3, 0, 0, 0, "class A" 0, 0, 0, 4, 0, 0, 0, 0, 0, 0, "class B" % Instances compressees avec des accolades {1 6, 6 3, 10 "class A"} {3 4, 10 "class B"} 04 jan 2012 / Rév. 1 - page 16 sur 53
17 Format d entrée (4) Les outils de visualisation sont très utiles ARFFviewer : visualisation, modification, tri, etc. Explorer : chargement des données, histogrammes, etc. Apprendre à voir les données Les histogrammes et les courbes montrent les dépendances Trop de données prendre un extrait Démonstration 1 Visualisation et modification du contenu d un fichier ARFF Chargement et visualisation des courbes Conversion ARFF CSV 04 jan 2012 / Rév. 1 - page 17 sur 53
18 Plan Préambule Introduction Traitement des données Format d entrée Pré-traitement des données Classification Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 18 sur 53
19 Pré-traitement des données (1) Les pré-traitements dans Weka sont effectués grâce aux filtres Les filtres permettent de modifier les ensemble de données : supprimer ou ajouter des attributs, ré-échantillonner, supprimer des exemples, etc. Le package weka.filters dispose de deux types de filtres Filtres non supervisés Filtres supervisés, i.e. tirant parti de l information de la classe Il existe des filtres pour les attributs et pour les exemples Attention à l évaluation des résultats, les filtres supervisés utilisent les valeurs de classes et peuvent biaiser les résultats 04 jan 2012 / Rév. 1 - page 19 sur 53
20 Pré-traitement des données (2) Plusieurs dizaines de filtres Ajout, suppression et copie d attributs (Add, Remove et Copy) Ajout de bruit (AddNoise) Fusion d attributs (Merge) Conversion (NominalToBinary, StringToBinary, etc.) Anonymer (Obfuscate) Méthode de discrétisation (Discretize) Exemple d application d un filtre avec l Exlorer et en CLI 04 jan 2012 / Rév. 1 - page 20 sur 53
21 Application d un filtre : normalisation 04 jan 2012 / Rév. 1 - page 21 sur 53
22 Application d un filtre : normalisation 04 jan 2012 / Rév. 1 - page 21 sur 53
23 Application d un filtre : normalisation 04 jan 2012 / Rév. 1 - page 21 sur 53
24 Application d un filtre : normalisation Avec un clic droit sur le nom du filtre, il est possible d obtenir plus de détails sur son fonctionnement. Il est également possible de modifier certains paramètres. 04 jan 2012 / Rév. 1 - page 21 sur 53
25 Application d un filtre : normalisation Le filtre a normalisé toutes les valeurs numériques de l ensemble de données dans l intervalle [0, 1]. 04 jan 2012 / Rév. 1 - page 21 sur 53
26 Application d un filtre en CLI Tous les filtres disposent des options -i et -o pour spécifier l ensemble de données d entrée et de sortie L option -h permet d obtenir la liste des options disponibles Supprimer les deux premiers attributs d un ensemble de données java weka.filters.unsupervised.attribute.remove -R 1-2 -i data1.arff -o data2.arff Créer un sous ensemble préservant la distribution des classes java weka.filters.supervised.instance.resample -i data1.arff -o data1-5%.arff -c last -Z 5 04 jan 2012 / Rév. 1 - page 22 sur 53
27 Pré-traitement des données (3) Le pré-traitement des données est très important, et il a un impact majeur sur la qualité de l apprentissage Démonstration 2 Chargement des données Application de filtres avec l explorer (ajout de bruit, anonymer) 04 jan 2012 / Rév. 1 - page 23 sur 53
28 Plan Préambule Introduction Traitement des données Classification Les algorithmes de classification dans Weka Les méthodes de base Entraînement et sauvegarde des modèles dans Weka Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 24 sur 53
29 Les algorithmes de classification Les classifieurs dans Weka sont des modèles pour prédire des valeurs nominales ou numériques Algorithmes de classification inclus Arbres de décision Classification bayésienne naïve Machine à vecteurs de support (SVM) Perceptron multi-couche Réseau bayésien, etc. Des meta-classifieurs Combinaison Bagging Boosting, etc. 04 jan 2012 / Rév. 1 - page 25 sur 53
30 L onglet Classify dans l Explorer 04 jan 2012 / Rév. 1 - page 26 sur 53
31 Plan Préambule Introduction Traitement des données Classification Les algorithmes de classification dans Weka Les méthodes de base Règles de classification Classification Bayésienne probabiliste Les arbres de décision Entraînement et sauvegarde des modèles dans Weka Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 27 sur 53
32 Déduction de règles de classification Trouver des règles de classification simples (1R pour 1-rule) Idée Une règle pour chaque attribut Une branche pour chacune des valeurs des attributs Pseudocode pour 1R Pour chaque attribut Pour chaque valeur de cet attribut, creer une regle Compter combien de fois chaque classe apparait Trouver la classe la plus frequente Creer une regle : attribut-valeur -> classe Calculer le taux d'erreur de la regle Choisir les regles avec le plus petit taux d'erreur 04 jan 2012 / Rév. 1 - page 28 sur 53
33 Déduction de règles de classification outlook {sunny,overcast,rainy} temperature numeric humidity numeric windy {TRUE,FALSE} play sunny,85,85,false,no sunny,80,90,true,no overcast,83,86,false,yes rainy,70,96,false,yes rainy,68,80,false,yes rainy,65,70,true,no overcast,64,65,true,yes sunny,72,95,false,no sunny,69,70,false,yes rainy,75,80,false,yes sunny,75,70,true,yes overcast,72,90,true,yes overcast,81,75,false,yes rainy,71,91,true,no Attributs Règles Erreurs Total 1 outlook sunny no 2/5 4/14 overcast yes 0/4 rainy yes 2/5 2 temperature 85 no 0/1?/14 83 yes 0/ humidity 96 yes 0/1?/14 95 no 0/ windy false yes 2/8 5/14 true no 3/6 choix aléatoire de la meilleur règle 04 jan 2012 / Rév. 1 - page 29 sur 53
34 Déduction de règles de classification outlook {sunny,overcast,rainy} temperature numeric humidity numeric windy {TRUE,FALSE} play sunny,85,85,false,no sunny,80,90,true,no overcast,83,86,false,yes rainy,70,96,false,yes rainy,68,80,false,yes rainy,65,70,true,no overcast,64,65,true,yes sunny,72,95,false,no sunny,69,70,false,yes rainy,75,80,false,yes sunny,75,70,true,yes overcast,72,90,true,yes overcast,81,75,false,yes rainy,71,91,true,no Attributs Règles Erreurs Total 1 outlook sunny no 2/5 4/14 overcast yes 0/4 rainy yes 2/5 2 temperature 85 no 0/1?/14 83 yes 0/ humidity 96 yes 0/1?/14 95 no 0/ windy false yes 2/8 5/14 true no 3/6 choix aléatoire de la meilleur règle 04 jan 2012 / Rév. 1 - page 29 sur 53
35 Déduction de règles de classification outlook {sunny,overcast,rainy} temperature numeric humidity numeric windy {TRUE,FALSE} play sunny,85,85,false,no sunny,80,90,true,no overcast,83,86,false,yes rainy,70,96,false,yes rainy,68,80,false,yes rainy,65,70,true,no overcast,64,65,true,yes sunny,72,95,false,no sunny,69,70,false,yes rainy,75,80,false,yes sunny,75,70,true,yes overcast,72,90,true,yes overcast,81,75,false,yes rainy,71,91,true,no Attributs Règles Erreurs Total 1 outlook sunny no 2/5 4/14 overcast yes 0/4 rainy yes 2/5 2 temperature 85 no 0/1?/14 83 yes 0/ humidity 96 yes 0/1?/14 95 no 0/ windy false yes 2/8 5/14 true no 3/6 choix aléatoire de la meilleur règle 04 jan 2012 / Rév. 1 - page 29 sur 53
36 Déduction de règles de classification outlook {sunny,overcast,rainy} temperature numeric humidity numeric windy {TRUE,FALSE} play sunny,85,85,false,no sunny,80,90,true,no overcast,83,86,false,yes rainy,70,96,false,yes rainy,68,80,false,yes rainy,65,70,true,no overcast,64,65,true,yes sunny,72,95,false,no sunny,69,70,false,yes rainy,75,80,false,yes sunny,75,70,true,yes overcast,72,90,true,yes overcast,81,75,false,yes rainy,71,91,true,no Attributs Règles Erreurs Total 1 outlook sunny no 2/5 4/14 overcast yes 0/4 rainy yes 2/5 2 temperature 85 no 0/1?/14 83 yes 0/ humidity 96 yes 0/1?/14 95 no 0/ windy false yes 2/8 5/14 true no 3/6 choix aléatoire de la meilleur règle Problème avec les attributs numériques 04 jan 2012 / Rév. 1 - page 29 sur 53
37 Classification 1-R dans Weka 04 jan 2012 / Rév. 1 - page 30 sur 53
38 Discrétisation des données Comment convertir les attributs numériques en attributs nominaux pour pouvoir créer des règles? Il faut discrétiser les attributs numériques yes no yes yes yes no no yes yes yes no yes yes no 04 jan 2012 / Rév. 1 - page 31 sur 53
39 Discrétisation des données Comment convertir les attributs numériques en attributs nominaux pour pouvoir créer des règles? Il faut discrétiser les attributs numériques yes no yes yes yes no no yes yes yes no yes yes no Création (automatique) de 8 catégories en découpant aux points 64.5, 66.5, 70.5, 72, 77.5, 80.5 et 84 1-R n utilise qu un attribut! Utiliser tous les attributs, chacun contribuant à la décision 04 jan 2012 / Rév. 1 - page 31 sur 53
40 Plan Préambule Introduction Traitement des données Classification Les algorithmes de classification dans Weka Les méthodes de base Règles de classification Classification Bayésienne probabiliste Les arbres de décision Entraînement et sauvegarde des modèles dans Weka Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 32 sur 53
41 Ensemble de données outlook {sunny, overcast, temperature {hot, mild, humidity {high, windy {TRUE, play {yes, sunny,hot,high,false,no sunny,hot,high,true,no overcast,hot,high,false,yes rainy,mild,high,false,yes rainy,cool,normal,false,yes rainy,cool,normal,true,no overcast,cool,normal,true,yes jan 2012 / Rév. 1 - page 33 sur 53
42 Classification Bayésienne probabiliste I Méthode simple et intuitive basée sur le théorème de Bayes P(H E) = P(E H)P(H) P(E) Ou H est l hypothèse à tester et E l évidence associée à H, P(H) est une probabilité a priori Calcul des probabilités conditionnelles à partir des instances P(E H) P(outlook : sunny yes), P(windy : TRUE yes),... P(H) P(yes), P(no) 04 jan 2012 / Rév. 1 - page 34 sur 53
43 Classification Bayésienne probabiliste sunny,hot,high,false,no sunny,hot,high,true,no overcast,hot,high,false,yes rainy,mild,high,false,yes rainy,cool,normal,false,yes rainy,cool,normal,true,no overcast,cool,normal,true,yes sunny,mild,high,false,no sunny,cool,normal,false,yes rainy,mild,normal,false,yes sunny,mild,normal,true,yes overcast,mild,high,true,yes overcast,hot,normal,false,yes rainy,mild,high,true,no P(outlook : sunny yes) = 2/9 P(outlook : sunny no) = 3/5 P(windy : TRUE yes) = 3/9... P(yes) = 9/14 P(no) = 5/14 04 jan 2012 / Rév. 1 - page 35 sur 53
44 Classification Bayésienne probabiliste (2) Outlook Temperature Humidity Windy Play value yes no value yes no value yes no value yes no yes no sunny 2/9 3/5 hot 2/9 2/5 high 3/9 4/5 false 6/9 2/5 9/14 5/14 overcast 4/9 0/5 mild 4/9 2/5 normal 6/9 1/5 true 3/9 3/5 rainy 3/9 2/5 cool 3/9 1/5 Un nouvel exemple arrive : ( sunny ; cool ; high ; true ;? ) 04 jan 2012 / Rév. 1 - page 36 sur 53
45 Classification Bayésienne probabiliste (2) Outlook Temperature Humidity Windy Play value yes no value yes no value yes no value yes no yes no sunny 2/9 3/5 hot 2/9 2/5 high 3/9 4/5 false 6/9 2/5 9/14 5/14 overcast 4/9 0/5 mild 4/9 2/5 normal 6/9 1/5 true 3/9 3/5 rainy 3/9 2/5 cool 3/9 1/5 Un nouvel exemple arrive : ( sunny ; cool ; high ; true ;? ) 04 jan 2012 / Rév. 1 - page 36 sur 53
46 Classification Bayésienne probabiliste (2) Outlook Temperature Humidity Windy Play value yes no value yes no value yes no value yes no yes no sunny 2/9 3/5 hot 2/9 2/5 high 3/9 4/5 false 6/9 2/5 9/14 5/14 overcast 4/9 0/5 mild 4/9 2/5 normal 6/9 1/5 true 3/9 3/5 rainy 3/9 2/5 cool 3/9 1/5 Un nouvel exemple arrive : ( sunny ; cool ; high ; true ;? ) Vraisemblance de yes : 2/9 3/9 3/9 3/9 9/14 = jan 2012 / Rév. 1 - page 36 sur 53
47 Classification Bayésienne probabiliste (2) Outlook Temperature Humidity Windy Play value yes no value yes no value yes no value yes no yes no sunny 2/9 3/5 hot 2/9 2/5 high 3/9 4/5 false 6/9 2/5 9/14 5/14 overcast 4/9 0/5 mild 4/9 2/5 normal 6/9 1/5 true 3/9 3/5 rainy 3/9 2/5 cool 3/9 1/5 Un nouvel exemple arrive : ( sunny ; cool ; high ; true ;? ) Vraisemblance de yes : 2/9 3/9 3/9 3/9 9/14 = Vraisemblance de no : 3/5 1/5 4/5 3/5 5/14 = jan 2012 / Rév. 1 - page 36 sur 53
48 Classification Bayésienne probabiliste (2) Outlook Temperature Humidity Windy Play value yes no value yes no value yes no value yes no yes no sunny 2/9 3/5 hot 2/9 2/5 high 3/9 4/5 false 6/9 2/5 9/14 5/14 overcast 4/9 0/5 mild 4/9 2/5 normal 6/9 1/5 true 3/9 3/5 rainy 3/9 2/5 cool 3/9 1/5 Un nouvel exemple arrive : ( sunny ; cool ; high ; true ;? ) Vraisemblance de yes : 2/9 3/9 3/9 3/9 9/14 = Vraisemblance de no : 3/5 1/5 4/5 3/5 5/14 = Les nombres peuvent être changés en probabilités Probabilité de yes = / ( ) = 20.5% Probabilité de no = / ( ) = 79.5% 04 jan 2012 / Rév. 1 - page 36 sur 53
49 Classification Bayésienne probabiliste (3) Méthode simple et intuitive basée sur le théorème de Bayes P(H E) = P(E H)P(H) P(E) Ou H est l hypothèse à tester et E l évidence associée à H, P(H) est une probabilité a priori Reprise de l exemple précédent outlook : sunny ; temperature : cool ; humidity : high ; windy : true P(yes E) = P(sunny yes) P(cool yes) P(high yes) P(true yes) P(yes) P(E) P(yes E) = 2/9 3/9 3/9 3/9 9/14 P(E) 04 jan 2012 / Rév. 1 - page 37 sur 53
50 Plan Préambule Introduction Traitement des données Classification Les algorithmes de classification dans Weka Les méthodes de base Règles de classification Classification Bayésienne probabiliste Les arbres de décision Entraînement et sauvegarde des modèles dans Weka Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 38 sur 53
51 Les arbres de décision Processus récursif Sélectionner un attribut en noeud racine et ajouter une branche pour chacune des valeurs possibles Répéter le processus pour chaque branche, utilisant uniquement les attributs qui atteignent la branche Quel attribut choisir? Celui qui divise de la manière la plus pure mesure de pureté 04 jan 2012 / Rév. 1 - page 39 sur 53
52 Les arbres de décision Processus récursif Sélectionner un attribut en noeud racine et ajouter une branche pour chacune des valeurs possibles Répéter le processus pour chaque branche, utilisant uniquement les attributs qui atteignent la branche Quel attribut choisir? Celui qui divise de la manière la plus pure mesure de pureté 04 jan 2012 / Rév. 1 - page 39 sur 53
53 Les arbres de décision Processus récursif Sélectionner un attribut en noeud racine et ajouter une branche pour chacune des valeurs possibles Répéter le processus pour chaque branche, utilisant uniquement les attributs qui atteignent la branche Quel attribut choisir? Celui qui divise de la manière la plus pure mesure de pureté 04 jan 2012 / Rév. 1 - page 39 sur 53
54 Classification J48 dans Weka 04 jan 2012 / Rév. 1 - page 40 sur 53
55 Plan Préambule Introduction Traitement des données Classification Les algorithmes de classification dans Weka Les méthodes de base Entraînement et sauvegarde des modèles dans Weka Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 41 sur 53
56 Entraînement et sauvegarde des modèles (1) 04 jan 2012 / Rév. 1 - page 42 sur 53
57 Entraînement et sauvegarde des modèles (2) L option -t spécifie l ensemble de données d entraînement et -d permet de sauvegarder le modèle construit java weka.classifiers.trees.j48 -t train.arff -d j48.model L option -l permet de charger un modèle sauvegardé et -T spécifie l ensemble de données de test java weka.classifiers.trees.j48 -l j48.model -T test.arff Chaque classifieur a un format de modèle binaire différent, un modèle ne pourra être lu que par le même classifieur 04 jan 2012 / Rév. 1 - page 43 sur 53
58 Entraînement et sauvegarde des modèles (3) Weka contient de très nombreux algorithmes de classification regroupés en catégories : bayes, functions, rules, trees, etc. Attention : il faut installer LibSVM pour que Weka puisse l utiliser Démonstration 3 Entraînement de modèles simples (Explorer) Sauvegarde/chargement des modèles Présentation d Akinator (arbre de recherche) 04 jan 2012 / Rév. 1 - page 44 sur 53
59 Plan Préambule Introduction Traitement des données Classification Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 45 sur 53
60 Mesures de performance Matrice de confusion classe réelle oui classe prédite non oui vrai positif (TP) faux negatif (FN) non faux positif (FP) vrai negatif (TN) Calcul des mesures classiques Précision = TP TP + FP Rappel = TP TP + FN f-mesure = 2 P R (P + R) Les erreurs n ont pas toutes le même impact : matrice de coût 04 jan 2012 / Rév. 1 - page 46 sur 53
61 Découpage des données Situation idéale : grand ensemble de données d entraînement et ensemble de données de test distinct Découpage des données en deux sous-ensembles Ensemble d entraînement (e.g. 66%) Ensemble de test (e.g. 33%) Validation croisée en n strates Partitionnement en n sous-ensembles n 1 sous-ensembles utilisé en entraînement et 1 pour le test Processus répété n fois (un par partitionnement) 04 jan 2012 / Rév. 1 - page 47 sur 53
62 Découpage des données avec l Explorer 04 jan 2012 / Rév. 1 - page 48 sur 53
63 Évaluation du modèle avec l Explorer 04 jan 2012 / Rév. 1 - page 49 sur 53
64 Découpage des données en CLI L option -T spécifie l ensemble de données de test et -i permet d afficher les informations de précision/rappel et f-mesure java weka.classifiers.trees.j48 -i -l j48.model -T weather.arff L option -split-percentage détermine le pourcentage de données qui sera utilisé pour le découpage train/test java weka.classifiers.trees.j48 -t train.arff -split-percentage 66 L option -x détermine le nombre de strates pour la validation croisée, fonctionne uniquement si -T est absent java weka.classifiers.trees.j48 -t train.arff -x jan 2012 / Rév. 1 - page 50 sur 53
65 Les différentes options de test de Weka Weka fournit un ensemble d options permettant d évaluer la qualité des modèles appris Être constant dans les paramètres d évaluation afin de pouvoir comparer les différentes méthodes Démonstration 4 Présentation des sorties par défaut Découpage 66/33 et validation croisée 04 jan 2012 / Rév. 1 - page 51 sur 53
66 Plan Préambule Introduction Traitement des données Classification Évaluation de l apprentissage Conclusion 04 jan 2012 / Rév. 1 - page 52 sur 53
67 Conclusion Aperçu des fonctionnalités de classification de Weka Présentation des méthodes de classification de base Toujours essayer la méthode la plus simple Être très rigoureux avec l évaluation des modèles Lecture conseillée de Data Mining par Witten & Frank Site web du cours 04 jan 2012 / Rév. 1 - page 53 sur 53
Deuxième Licence en Informatique Data Warehousing et Data Mining La Classification - 1
Deuxième Licence en Informatique Data Warehousing et Data Mining La Classification - 1 V. Fiolet Université de Mons-Hainaut 2006-2007 Nous allons aujourd hui nous intéresser à la tâche de classification
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailBIRT (Business Intelligence and Reporting Tools)
BIRT (Business Intelligence and Reporting Tools) Introduction Cette publication a pour objectif de présenter l outil de reporting BIRT, dans le cadre de l unité de valeur «Data Warehouse et Outils Décisionnels»
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 détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailData Mining. Master 1 Informatique - Mathématiques UAG
Data Mining Master 1 Informatique - Mathématiques UAG 1.1 - Introduction Data Mining? On parle de Fouille de données Data Mining Extraction de connaissances à partir de données Knowledge Discovery in Data
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailDATA MINING FOR SCIENTISTS
DATA MINING FOR SCIENTISTS LAYACHI BENTABET, Bishop s University, Winter 2007 Notes par Philippe Giabbanelli I. Une introduction à la fouille de données 1) Les Grandes Etapes Classification. On prédit
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailDidacticiel Études de cas. Description succincte de Pentaho Data Integration Community Edition (Kettle).
1 Objectif Description succincte de Pentaho Data Integration Community Edition (Kettle). L informatique décisionnelle («Business Intelligence BI» en anglais, ça fait tout de suite plus glamour) fait référence
Plus en détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailIntroduction 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 détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailTANAGRA : un logiciel gratuit pour l enseignement et la recherche
TANAGRA : un logiciel gratuit pour l enseignement et la recherche Ricco Rakotomalala ERIC Université Lumière Lyon 2 5, av Mendès France 69676 Bron rakotoma@univ-lyon2.fr http://eric.univ-lyon2.fr/~ricco
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailSpécifications, Développement et Promotion. Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC
Spécifications, Développement et Promotion Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC Ricco? Enseignant chercheur (CNU.27) En poste à l Université Lyon 2 Faculté de Sciences Eco. Recherche
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailTechniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailSAP BusinessObjects Web Intelligence (WebI) BI 4
Présentation de la Business Intelligence 1. Outils de Business Intelligence 15 2. Historique des logiciels décisionnels 16 3. La suite de logiciels SAP BusinessObjects Business Intelligence Platform 18
Plus en détailHighPush. document 3.0 18/06/2009 Révision pour version 3.0 2.0 20/11/2008 Revision pour la 2.0 1.0 01/10/2008 Documentation initiale.
Version du Date document 3.0 18/06/2009 Révision pour version 3.0 2.0 20/11/2008 Revision pour la 2.0 1.0 01/10/2008 Documentation initiale Commentaires 1 Table des matières 1 Introduction / Identification...
Plus en détailAnalyses croisées de sites Web pour détecter les sites de contrefaçon. Prof. Dr. Olivier Biberstein
Analyses croisées de sites Web pour détecter les sites de contrefaçon Prof. Dr. Olivier Biberstein Division of Computer Science 14 Novembre 2013 Plan 1. Présentation générale 2. Projet 3. Travaux futurs
Plus en détailAWS avancé. Surveiller votre utilisation d EC2
10 AWS avancé Dans ce chapitre, nous bâtirons sur les bases que nous avons apprises jusqu ici. Nous étudierons des sujets plus avancés tels que la surveillance de votre utilisation d AWS, l utilisation
Plus en détailPentaho 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 détailLOGO. Module «Big Data» Extraction de Connaissances à partir de Données. Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.
Module «Big Data» Extraction de Connaissances à partir de Données Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.fr 14 Janvier 2015 Pourquoi l extraction de connaissances à partir de
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailTutoriel : utilisation de l outil de veille TaDaweb
Tutoriel : utilisation de l outil de veille TaDaweb Document réalisé par : Anaïs Carroux, Anaïs Chaffard, Lucie Choulet, Mylène Coconnier, Garance Foucher, Nizar Elyoussfi, Jean-Baptiste Mac Luckie, Aurélie
Plus en détailFouille de données (Data Mining) - Un tour d horizon -
Laboratoire d Informatique Fondamentale de Lille OOPAC Fouille de données (Data Mining) - Un tour d horizon - E-G. Talbi talbi@lifl.fr Introduction au Data Mining Définition du Data Mining Pourquoi le
Plus en détailDéveloppement d applications Internet et réseaux avec LabVIEW. Alexandre STANURSKI National Instruments France
Développement d applications Internet et réseaux avec LabVIEW Alexandre STANURSKI National Instruments France Quelles sont les possibilités? Publication de données Génération de rapports et de documents
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailhttp://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 détailIntroduction : présentation de la Business Intelligence
Les exemples cités tout au long de cet ouvrage sont téléchargeables à l'adresse suivante : http://www.editions-eni.fr Saisissez la référence ENI de l'ouvrage RI3WXIBUSO dans la zone de recherche et validez.
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 détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détail5. Excel 2010, le tableur collaboratif. a. Concevez des tableaux lisibles
5. Excel 2010, le tableur collaboratif Avec Excel 2010, modéliser sa pensée avec des chiffres et prendre les décisions qui s imposent devient plus simple quel que soit le nombre de données que vous manipulez
Plus en détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailUtilisation avancée de SugarCRM Version Professional 6.5
Utilisation avancée de SugarCRM Version Professional 6.5 Document : Utilisation_avancee_SugarCRM_6-5.docx Page : 1 / 32 Sommaire Préambule... 3 I. Les rapports... 4 1. Les principes du générateur de rapports...
Plus en détailÉvaluation et implémentation des langages
Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation
Plus en détailFOIRE AUX QUESTIONS ACT! 2009
FOIRE AUX QUESTIONS ACT! 2009 Informations générales sur ACT! 1. Quelles sont les principales fonctionnalités d ACT!? - Gérer tous vos contacts et vos clients en toute simplicité - Communiquer avec vos
Plus en détailCours Plugin Eclipse. Université Paris VI / Parcours STL / Master I Pierre-Arnaud Marcelot - Iktek - pamarcelot@iktek.com
Cours Plugin Eclipse Université Paris VI / Parcours STL / Master I Pierre-Arnaud Marcelot - Iktek - pamarcelot@iktek.com 1 Qui suis-je? Ancien étudiant de Jussieu - Paris VI Diplomé du Master Technologies
Plus en détailNouveautés CRM 2015 & Migration. By Tanguy Touzard MVP CRM
Nouveautés CRM 2015 & Migration By Tanguy Touzard MVP CRM Nouvelles fonctionnalités Sécurité Recherche Hiérarchies Champs calculés/agrégés Règles métier Processus métier Catalogue produit SLA Information
Plus en détailAccéder à ZeCoffre via FTP
Accéder à ZeCoffre via FTP Table des matières Introduction... 2 Qu est-ce que FTP... 3 Comment se connecter à ZeCoffre via FTP... 4 Connexion FTP depuis Windows / Linux / Mac OS X... 5 Connexion FTP depuis
Plus en détailMagasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP)
Magasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP) Définition (G. Gardarin) Entrepôt : ensemble de données historisées variant
Plus en détailBio-Rad Laboratories CONTRÔLE DE QUALITÉ. Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité
Bio-Rad Laboratories CONTRÔLE DE QUALITÉ Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité CONTRÔLE DE QUALITÉ 1 Unity Real Time 2.0 Unity Real Time 2.0 est un logiciel pour la gestion
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailManuel logiciel client Java
Manuel logiciel client Java 2 Copyright Systancia 2012 Tous droits réservés Les informations fournies dans le présent document sont fournies à titre d information, et de ce fait ne font l objet d aucun
Plus en détailData Mining. Bibliographie (1) Sites (1) Bibliographie (2) Plan du cours. Sites (2) Master 2 Informatique UAG
Data Mining Master 2 Informatique UAG Bibliographie (1) U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, R. Uthurusamy, editors, Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, 1996 Gilbert
Plus en détailContactForm et ContactFormLight - Gestionnaires de formulaire pour Prestashop Edité par ARETMIC S.A.
ContactForm et ContactFormLight - Gestionnaires de formulaire pour Prestashop Edité par ARETMIC S.A. - 1 - PREAMBULE Les conditions générales d utilisation détaillant l ensemble des dispositions applicables
Plus en détailPRÉSENTATION PRODUIT. Plus qu un logiciel, la méthode plus efficace de réconcilier.
PRÉSENTATION PRODUIT Plus qu un logiciel, la méthode plus efficace de réconcilier. Automatiser les réconciliations permet d optimiser l utilisation des ressources et de générer plus de rentabilité dans
Plus en détailDEVAKI NEXTOBJET PRESENTATION. Devaki Nextobjects est un projet sous license GNU/Public.
DEVAKI NEXTOBJET 1 Présentation...2 Installation...3 Prérequis...3 Windows...3 Linux...3 Exécution...4 Concevoir une BDD avec Devaki NextObject...5 Nouveau MCD...5 Configurer la connexion à la base de
Plus en détailRicco Rakotomalala. SQL Server Data Mining Add-Ins (incluant Data Mining Client pour Excel).
1 Objectif SQL Server Data Mining Add-Ins (incluant Data Mining Client pour Excel). Excel le tableur de manière général est très populaire auprès des «data scientist» 1. Mais, s il est effectivement performant
Plus en détailPlateforme de capture et d analyse de sites Web AspirWeb
Projet Java ESIAL 2A 2009-2010 Plateforme de capture et d analyse de sites Web AspirWeb 1. Contexte Ce projet de deuxième année permet d approfondir par la pratique les méthodes et techniques acquises
Plus en détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailSélection de Caractéristiques pour le Filtrage de Spams
Sélection de Caractéristiques pour le Filtrage de Spams Kamilia MENGHOUR, Labiba SOUICI-MESLATI Laboratoire LRI, Université Badji Mokhtar, BP 12, 23000, Annaba, Algérie. k_menghour@yahoo.fr, souici_labiba@yahoo.fr
Plus en détailOutils pour les réseaux de neurones et contenu du CD-Rom
Outils pour les réseaux de neurones et contenu du CD-Rom Depuis le développement théorique des réseaux de neurones à la fin des années 1980-1990, plusieurs outils ont été mis à la disposition des utilisateurs.
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailGrégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.
Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans
Plus en détailProgramme détaillé. LES TABLEAUX DE BORD Formation en présentiel (21 h) accompagnée d un parcours e-learning Excel (5 h)
Programme détaillé LES TABLEAUX DE BORD Formation en présentiel (21 h) accompagnée d un parcours e-learning Excel (5 h) Public : Toute personne assurant ou participant à la gestion d une entreprise (et
Plus en détailLes technologies du Big Data
Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR
Plus en détailComment faire des étiquettes d adresse avec LIBREOFFICE, à partir d un fichier EXEL ou CALC
Comment faire des étiquettes d adresse avec LIBREOFFICE, à partir d un fichier EXEL ou CALC LIBREOFFICE est une suite bureautique gratuite, OPEN SOURCE, et multiplate-forme.(windows, Linux, Mac OS). Une
Plus en détailHelpDesk. Sept avantages de HelpDesk
HelpDesk Artologik HelpDesk est l outil rêvé pour ceux qui recherchent un programme de support et de gestion des tickets alliant facilité d utilisation et puissance. Avec Artologik HelpDesk, vous pourrez
Plus en détailProcédure d'utilisation de Password Gorilla
Procédure d'utilisation de Password Gorilla PROCÉDURE RÉFÉRENCE DIFFUSION Procédure d'utilisation de Password Gorilla N/A LIBRE F-QM01 Procedure utilisation Password Gorilla 1/12 Table des matières 1.
Plus en détailNOS FORMATIONS EN BUREAUTIQUE
NOS FORMATIONS EN BUREAUTIQUE Par Vivien Romaric DOVI EREBYA SENEGAL «Villa N 1, cité BOURGI - Route de l'aéroport - Dakar, Sénégal» +221 77 475 74 59 info@erebya.com 1 FORMATION N 002 : Initiation à l
Plus en détailIntroduction à Eclipse
Introduction à Eclipse Eclipse IDE est un environnement de développement intégré libre (le terme Eclipse désigne également le projet correspondant, lancé par IBM) extensible, universel et polyvalent, permettant
Plus en détailVIPE CNAM 6 mars 2015. Frank Meyer Orange Labs / IMT / UCE / CRM-DA / PROF
CNAM 6 mars 205 Frank Meyer Orange Labs / IMT / UCE / CRM-DA / PROF 2 UCE / CRM-DA / PROF Application prototype pour l apprentissage multi-label interactif 2 sous-applications en ligne (utilisable par
Plus en détailTable des matières A. Introduction... 4 B. Principes généraux... 5 C. Exemple de formule (à réaliser) :... 7 D. Exercice pour réaliser une facture
Excel 2007 -2- Avertissement Ce document accompagne le cours qui a été conçu spécialement pour les stagiaires des cours de Denis Belot. Le cours a été réalisé en réponse aux diverses questions posées par
Plus en détailIntroduction 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 détailManuel d utilisation du site web de l ONRN
Manuel d utilisation du site web de l ONRN Introduction Le but premier de ce document est d expliquer comment contribuer sur le site ONRN. Le site ONRN est un site dont le contenu est géré par un outil
Plus en détailUne ergonomie intuitive
Une ergonomie intuitive Les solutions de la ligne PME offrent une interface de travail proche des usages quotidiens en informatique. Leur ergonomie intuitive facilite la prise en main du logiciel. Une
Plus en détailCREATION D UN WINPE 3.1
CREATION D UN WINPE 3.1 Créé le 03/10/2011 Page 1 de 10 1. QU EST CE WINPE L environnement de pré-installation Windows (Windows PE) est un système d exploitation minimal conçu pour préparer un ordinateur
Plus en détailGuide Tenrox R8.7 de configuration de Microsoft Reporting Services
Guide Tenrox R8.7 de configuration de Microsoft Reporting Services Février 2006 Guide Tenrox R8.7 de configuration de Microsoft Reporting Services Copyright 2006 Tenrox. Tous droits réservés. Il est interdit
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailFEN FICHE EMPLOIS NUISANCES
Version 4.8.2 Date mise à jour : 19 Février 2013 Auteur : LAFUMA Gilles Email : glfm02@orange.fr Web : www.procarla.fr/soft Présentation : FEN FICHE EMPLOIS NUISANCES Le Logiciel FEN Fiche emploi nuisance
Plus en détailObjet du document. Version document : 1.00
Version document : 1.00 Objet du document Les dix points de cet article constituent les règles à connaitre pour intégrer une application au sein d AppliDis. Le site des Experts Systancia comporte également
Plus en détailTP Bases de données réparties
page 1 TP Bases de données réparties requêtes réparties Version corrigée Auteur : Hubert Naacke, révision 5 mars 2003 Mots-clés: bases de données réparties, fragmentation, schéma de placement, lien, jointure
Plus en détailWINDOWS SHAREPOINT SERVICES 2007
WINDOWS SHAREPOINT SERVICES 2007 I. TABLE DES MATIÈRES II. Présentation des «content types» (Type de contenu)... 2 III. La pratique... 4 A. Description du cas... 4 B. Création des colonnes... 6 C. Création
Plus en détailMessagerie & Groupeware. augmentez l expertise de votre capital humain
Messagerie & Groupeware augmentez l expertise de votre capital humain OUTLOOK 2010* Etude des fonctionnalités d un logiciel de messagerie Tout public 1 journée MG01 Maîtrise de l environnement Windows
Plus en détailModule d anonymisation
Module d anonymisation Préambule Ce module permet d «anonymiser» un fichier, c est à dire de masquer les informations qu il contient en fonction de règles préalablement spécifiées. Le fichier généré par
Plus en détail5. Apprentissage pour le filtrage collaboratif
686 PARTIE 5 : Au-delà de l apprentissage supervisé 5. Apprentissage pour le filtrage collaboratif Il semble que le nombre de choix qui nous sont ouverts augmente constamment. Films, livres, recettes,
Plus en détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailGroupe Eyrolles, 2005,
Groupe Eyrolles, 2005, Table des matières AVANT-PROPOS...................................................... XVIII CD-Rom Mozilla Thunderbird sur le CD-Rom offert avec cet ouvrage XIX 1. INSTALLATION ET
Plus en détailProgramme des Obligations d épargne du Canada. Guide d utilisation du serveur FTPS. Version 2.4
Programme des Obligations d épargne du Canada Guide d utilisation du serveur FTPS Version 2.4 Le 5 août 2014 Guide d utilisation du serveur FTPS Guide d utilisation du serveur FTPS Historique des mises
Plus en détail