Introduc)on à la fouille de données, cours 1
|
|
- Marie-Anne Lachapelle
- il y a 8 ans
- Total affichages :
Transcription
1 Introduc)on à la fouille de données, cours 1
2 Sources «Introduc)on to data mining» Cours de l année précédente
3 Pourquoi fouiller les données? Beaucoup de données stockées dans des «data centers» Web (pages, traffic ) Commerce ()ckets de caisse ) Transac)ons financières Puissance de calcul accessible Nouvelles architectures Cloud Compé))on entre entreprises L études des données peut donner un avantage (marke)ng, ges)on des stocks, )
4 Données récentes Pages Web Environ 1000 milliards (Google 2008) 50 milliards indexées Génome humain 3.4 milliards de paires de bases (3GB) gènes AT & T 312 TB dans une base de données (2005) 2800 milliards d appels téléphoniques ChoicePoint 250 TB sur 220 millions d Américains World Data Center for Climate (WDCC) 220 TB
5 Mo)va)on du Data Mining Grosses quan)tés de données Incompréhensibles pour un humain Souvent de l informa)on «cachée» non évidente 4,000,000 3,500,000 3,000,000 2,500,000 2,000,000 1,500,000 1,000, ,000 0 The Data Gap Total new disk (TB) since 1995 Number of analysts
6 Qu est ce que la fouille de données? Extraire de l informa)on cachée ou implicite de données Informa)on nouvelle Informa)on u)le Explorer et analyser de façon automa)que de grandes quan)tés de données
7 Processus de fouille de données Knowledge Discovery in Data (KDD) 1. Données brutes 2. Pré- processing 3. Fouille de données 4. Post- processing 5. Informa)on
8 Fouille de données? Pas de la fouille de données Chercher un numéro de téléphone dans un annuaire Faire une recherche Web sur Amazon Fouille de données Découvrir que certains noms sont plus fréquents dans certaines régions Regrouper des documents suivant leur contexte Amazon.com Amazon rainforest
9 Origines de la fouille de données Provient des techniques de machine learning / Intelligence ar)ficielle, extrac)on de paherns, bases de données Adapta)on de ces techniques à De grandes quan)tés de données Des données avec de nombreuses dimensions (c.a.d. ahributs) Données hétérogènes et distribuées Sta)s)cs/ AI Machine Learning/ Pahern Recogni)on Data Mining Database systems
10 Tâches de fouille de données Méthodes prédic)ves U)liser des variables pour prédire la valeur de variables inconnues ou futures Descrip)on de données Trouver une interpréta)on humaine d un ensemble de données
11 Tâches de fouille de données Classifica)on (prédic)on) Clustering (descrip)on) Découverte de règles d associa)on (descrip)on) Découverte de paherns séquen)els (descrip)on) Régression (prédic)on) Détec)on d anomalies (prédic)on)
12 Classifica)on Ensemble de données (training set) Chaque donnée con)ent des ahributs, l un d entre eux est la classe Trouver un modèle de classe qui s appuie sur la valeur des ahributs Objec)f: de nouvelles données doivent être assignées à une classe de la façon la plus précise possible Évalua)on avec un test set qui permet de vérifier la précision du modèle
13 10 10 Exemple de classifica)on Tid Refund Marital Status Taxable Income Cheat Refund Marital Status Taxable Income Cheat 1 Yes Single 125K No No Single 75K? 2 No Married 100K No Yes Married 50K? 3 No Single 70K No No Married 150K? 4 Yes Married 120K No Yes Divorced 90K? 5 No Divorced 95K Yes No Single 40K? 6 No Married 60K No 7 Yes Divorced 220K No No Married 80K? Test Set 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes Training Set Learn Classifier Model
14 Classifica)on : Applica)on 1 Marke)ng Objec)f : Dans une campagne de publicité par courrier, réduire le nombre de courriers envoyé en ciblant les consommateurs Approche: U)liser les données d un produit similaire Nous savons pour ce produit quels u)lisateurs ont acheté ou non à 2 classes, {achète, n achète pas} Récupérer les informa)ons démographiques, etc sur les consommateurs U)liser ces informa)ons comme ahributs pour entrainer un classifieur
15 Classifica)on: Applica)on 2 Détec)on de fraude Objec)f: Prédire des transac)ons de CB frauduleuses Approche: U)liser des transac)ons de CB en données et les caractéris)ques de la personne en ahributs Quand il achète, ce qu il achète, quelle fréquence Créer 2 classes de transac)ons, légi)mes et frauduleuses sur les opéra)ons passées (train set) Entrainer le modèle U)liser ce modèle sur de nouvelles données pour prédire les fraudes
16 Clustering Étant donné un ensemble de points ayant des ahributs et une fonc)on de similarité entre ces points, trouver des clusters tels que Les points d un cluster sont similaires entre eux Les points de clusters différents sont différents entre eux Mesures de similarité Distance euclidienne sur des ahributs con)nus D autres mesures spécifiques sur d autres ahributs
17 Illustra)on du clustering Distance Euclidienne dans un espace 4D Distance dans un cluster minimisée Distance entre clusters maximisée
18 Clustering: Applica)on 1 Segmenta)on de marché Objec)f: sous- diviser un marché en différents ensembles de clients de façon à mieux cibler le marke)ng Approche: Collecter différents ahributs sur les consommateurs Trouver des clusters d u)lisateurs similaires Faire une mesure de qualité de clustering en observant les achats des u)lisateurs d un cluster par rapport aux autres
19 Clustering: Applica)on 2 Clustering de documents Objec)f: trouver les groupes de documents qui sont similaires entre eux en fonc)on des termes qui y apparaissent Approche: iden)fier les termes qui apparaissent fréquemment dans chaque document. Faire une mesure de similarité basée sur la fréquence des termes, et l u)liser pour faire le clustering Gain: meilleure recherche d informa)on dans des documents (moteur de recherche), u)lisa)on des clusters pour assigner de nouveaux documents
20 Illustra)on du clustering de documents 3204 ar)cles du Los Angeles Times Mesure de similarité: nombre de mots en commun entre les documents (après filtrage des stop- words) Category Total Correctly Articles Placed Financial Foreign National Metro Sports Entertainment
21 Illustra)on: Clustering du cours des Observer le cours d une ac)on ac)ons Points simples: le cours monte ou il descend, vecteur sur une durée temporelle Mesure de similarité: 2 points sont similaires si les varia)ons entre les 2 points sont souvent les mêmes le même jour Discovered Clusters 1 Applied-Matl-DOWN,Bay-Network-Down,3-COM-DOWN, Cabletron-Sys-DOWN,CISCO-DOWN,HP-DOWN, DSC-Co mm-dow N,INTEL-DOWN,LSI-Logic-DOWN, Micron-Tech-DOWN,Texas-Inst-Down,Tellabs-Inc-Down, Natl-Semiconduct-DOWN,Oracl-DOWN,SGI-DOW N, Sun-DOW N Apple-Comp-DOW N,Autodesk-DOWN,DEC-DOWN, ADV-Micro-Device-DOWN,Andrew-Corp-DOWN, 2 Co mputer-assoc-down,circuit-city-down, Co mpaq-down, EM C-Corp-DOWN, Gen-Inst-DOWN, Motorola-DOWN,Microsoft-DOWN,Scientific-Atl-DOWN 3 4 Fannie-Mae-DOWN,Fed-Ho me-loan-dow N, MBNA-Corp-DOWN,Morgan-Stanley-DOWN Baker-Hughes-UP,Dresser-Inds-UP,Halliburton-HLD-UP, Louisiana-Land-UP,Phillips-Petro-UP,Unocal-UP, Schlu mberger-up Industry Group Technology1-DOWN Technology2-DOWN Financial-DOWN Oil-UP
22 Règles d associa)on Étant donné un ensemble d enregistrements qui con)ennent des éléments d une collec)on Générer des règles de dépendance qui prédisent les occurrences d éléments suivant les occurrences des autres TID Items 1 Bread, Coke, Milk 2 Beer, Bread 3 Beer, Coke, Diaper, Milk 4 Beer, Bread, Diaper, Milk 5 Coke, Diaper, Milk Rules Discovered: {Milk} --> {Coke} {Diaper, Milk} --> {Beer}
23 Règles d associa)on: Applica)on 1 Marke)ng Étant donné la règle {Bière, }à {Chips} Chips en par)e droite à On peut déterminer comment booster les ventes de chips Bière en par)e gauche à Que se passerait- il si on arrêtait d en vendre Ensemble de la règle à Placement de produits dans le magasin
24 Règles d associa)on: Applica)on 2 Ges)on de rayons de supermarcher Obje)f: iden)fier les ar)cles qui sont achetés ensemble par de nombreux clients Approche: U)liser les )ckets de caisse des clients pour trouver les dépendances entre les ar)cles Une règle classique Si un u)lisateur achète des couches et du lait, alors il achète probablement de la bière Donc ne soyez pas surpris si vous trouver la bière à côté des couches dans les magasins!
25 Découverte de paherns séquen)els Étant donné un ensemble d objets, dans lequel chaque objet est associé à une séquence temporelle, trouver des dépendances séquen)elles entre les évènements (A B) (C) (D E) Les règles sont créées en découvrant les paherns, puis en étudiant les contraintes temporelles (A B) (C) (D E) <= xg >ng <= ws <= ms
26 Paherns séquen)els: Exemple En télécommunica)ons, logs d alarmes (Inverter_Problem Excessive_Line_Current) (Rec)fier_Alarm) - - > (Fire_Alarm) Dans un magasin, séquence d achats Livres d informa)que (Intro_To_Visual_C) (C++_Primer) - - > (Perl_for_dummies,Tcl_Tk) Ar)cles de sport (Shoes) (Racket, Racketball) - - > (Sports_Jacket)
27 Régression Prédire la valeur d une variable con)nue en u)lisant la valeur d autres variables en supposant une rela)on (non)linéaire entre elles Très u)lisé en sta)s)ques Exemples: Prédire la quan)té de ventes d un nouveau produit en fonc)on du budget de publicité Prédire la force du vent en fonc)on de la température, humidité, pression Prédire le cours de la bourse
28 Détec)on d anomalies Détecter des dévia)ons significa)ves d un comportement normal Applica)ons: Détec)on de fraudes (CB) Détec)on d une ahaque réseau Détec)on d un capteur défaillant
29 Challenges de la fouille de données Passage à l échelle Hautes dimensions Complexité de données hétérogènes Qualité des données Préserva)on de la vie privée
Faire émerger les théma.ques et les opinions : applica.on à l'analyse des médias sociaux
Faire émerger les théma.ques et les opinions : applica.on à l'analyse des médias sociaux Julien Velcin Laboratoire ERIC hup://mediamining.univ- lyon2.fr/velcin 3 ème Séminaire recherche informa.que/ informa.on
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 détailDevenez un virtuose de Google. Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com
Devenez un virtuose de Google Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com Google Google est une société fondée en 1998 en Californie par Larry Page et Sergey Brin.
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 détailCollabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants:
Collabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants: Tassadit BOUADI 22 Juin 2010, Saint Jacut 1 Plan Introduc
Plus en détailÉvolu>on et maintenance
IFT3912 Développement et maintenance de logiciels Évolu>on et maintenance Bruno Dufour Université de Montréal dufour@iro.umontreal.ca Modifica>on des logiciels Les modifica>ons sont inévitables Des nouveaux
Plus en détailUN GUIDE PROPOSÉ PAR PME-WEB EMAIL MARKETING GUIDE ULTIME DES MOTS INTERDITS. Un guide pour Éviter de voir vos email passer en SPAM. www.pme- web.
UN GUIDE PROPOSÉ PAR PME-WEB EMAIL MARKETING GUIDE ULTIME DES MOTS INTERDITS Un guide pour Éviter de voir vos email passer en SPAM Table des matières 1. Introduction 2. Les termes financiers 3. Les termes
Plus en détailEntrepôt de données et l Analyse en ligne. Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot
Entrepôt de données et l Analyse en ligne Maguelonne Teisseire Hugo Alatrista Salas hugo.alatrista- salas@teledetec9on.fr Flavien Bouillot Déroulement du cours 17 janvier : cours et TD 20 janvier : cours?
Plus en détailMTI820 Entrepôts de données et intelligence d affaires. Gouvernance des données et ges1on des données de référence
MTI820 Entrepôts de données et intelligence d affaires Gouvernance des données et ges1on des données de référence 1 La gouvernance des données Défini1on: «Processus de supervision et de décision qui permet
Plus en détailLes réseaux sociaux et le mobile au service de l industrie du tourisme digital
Les réseaux sociaux et le mobile au service de l industrie du tourisme digital eafortier@adknowledge.com fr.linkedin.com/in/eafortier @ericalexfortier Eric- Alexis For:er 5 Décembre 2013 Qui sommes- nous?
Plus en détailData Mining, Data Scien-st, Data Analy-cs, CRM, Modélisa-on et ou-ls mathéma-ques Eclairages et principes
Data Mining, Data Scien-st, Data Analy-cs, CRM, Modélisa-on et ou-ls mathéma-ques Eclairages et principes Michel Béra Professeur du Cnam (Chaire de Modélisa-on sta-s-que du risque) Cours STA201 Comment
Plus en détailSmarter Commerce TRANSFORMER LES DONNÉES EN DÉCISIONS ET LES DÉCISIONS EN ACTIONS. Hervé Dhélin IBM herve.dhelin@fr.ibm.
Smarter Commerce TRANSFORMER LES DONNÉES EN DÉCISIONS ET LES DÉCISIONS EN ACTIONS Hervé Dhélin IBM herve.dhelin@fr.ibm.com 14/09/2011 Achats et suivi des approvisionnements en produits, compo-sants et
Plus en détailDOCUMENTATION KAPTravel Module de gestion des appels de disponibilité
DOCUMENTATION KAPTravel Module de gestion des appels de disponibilité 01/06/15 KAPT Tous Droits Réservés 2 PRÉSENTATION Ce+e présenta3on va vous perme+re de prendre en main la plateforme de ges3on KAPTravel
Plus en détailBaromètre Direct Assurance des cyberconsommateurs
Avril 2013 DIRECT ASSURANCE Baromètre Direct Assurance des cyberconsommateurs 3 ème vague Paris Toronto Shanghaï Buenos Aires Connection creates value Méthodologie Échan0llon Pour ce(e étude, un échan0llon
Plus en détailPe#t déjeuner Prévention des risques professionnels dans la Mutualité
Pe#t déjeuner Prévention des risques professionnels dans la Mutualité 15 mai 2014 Intervenantes: Emmanuelle Paradis, Chef de projet Préven#on et santé au travail CHORUM - CIDES Carole Hazé, Responsable
Plus en détailOffre Azimut CONTENT MARKETING. A l a&en)on de : Date de remise : Version : 3.0
Offre Azimut CONTENT MARKETING A l a&en)on de : Date de remise : Version : 3.0 01 Marke3ng de Contenu Ecosytème Editorial Offre & Ou3ls Azimut Content Marke3ng Méthodologie Content management Qui sommes-
Plus en détailPRÉSENTATION DES RÉSULTATS DU LIVRE BLANC BIG DATA
PARTENAIRES BIG DATA PRÉSENTATION DES RÉSULTATS DU LIVRE BLANC BIG DATA Le Livre Blanc de l EBG a pour ambion d'entrer dans le concret du Big Data. Finis les concepts flous et les formules vagues : nous
Plus en détailL ou%l téléphone dans votre stratégie de marke%ng direct
L ou%l téléphone dans votre stratégie de marke%ng direct «Allo, vous n avez pas de stratégie téléphone?» Alain Pierre La Chaîne de l Espoir Pascal Fréneaux ADM VALUE Présenta%on de La Chaîne de l Espoir
Plus en détailArchitecture matériel et logiciel 2
Architecture matériel et logiciel 2 Architectures Venera Arnaoudova Concep8on architecturale 1. Introduc8on 2. Modéliser l architecture avec UML 3. Éléments architecturaux 4. Styles architecturaux 1. Architecture
Plus en détailLes méthodes Agiles. Introduc)on aux méthodes Agiles Exemple : Scrum
Les méthodes Agiles Introduc)on aux méthodes Agiles Exemple : Scrum Défini)on de base Les méthodes Agiles sont des procédures de concep)on de logiciel qui se veulent plus pragma)ques que les méthodes tradi)onnelles
Plus en détailMTI820 Entrepôts de données et intelligence d affaires. Les applica+ons de BI
MTI820 Entrepôts de données et intelligence d affaires Les applica+ons de BI Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 1 Le cycle de vie d un projet en BI Diagramme
Plus en détailPrésentation Level5. Editeur de Logiciels. «If it s not monitored, it s not in production» Theo Schlossnagle #velocityconf
Editeur de Logiciels Présentation Level5 «If it s not monitored, it s not in production» Theo Schlossnagle #velocityconf «If you can not measure it, you can not improve it» Lord Kelvin vous accompagne
Plus en détailProgramme «INVESTISSEUR»
La plateforme de missions photos Laissez la communauté prendre ou trouver des photos juste pour vous Programme «INVESTISSEUR» Offrez- vous une startup dès 100 Version : 10 février 2015 Dossier confiden,el,
Plus en détailVers un Système unique d informa4on na4onale de médicaments au Mexique, dans le cadre du suivi de l OMD 8.13
Vers un Système unique d informa4on na4onale de médicaments au Mexique, dans le cadre du suivi de l OMD 8.13 México Angélica Ivonne Cisneros- Luján Lisbonne, 11 septembre 2012 CONTEXTE et DÉSCRIPTION du
Plus en détailHervé Couturier EVP, SAP Technology Development
Hervé Couturier EVP, SAP Technology Development Hervé Biausser Directeur de l Ecole Centrale Paris Bernard Liautaud Fondateur de Business Objects Questions à: Hervé Couturier Hervé Biausser Bernard Liautaud
Plus en détailChapitre 4 La prise en compte de l informa6on dans le modèle de marché
Chapitre 4 La prise en compte de l informa6on dans le modèle de marché Microéconomie 2014/2015 Rappel Chapitre 1 Hypothèses du modèle canonique concurrence pure et parfaite: Atomicité des agents Biens
Plus en détail«UN REIN C EST PAS RIEN»
Nom de l en?té déposante : ICOM agence Agence conseil : ICOM Annonceur : La Fédéra7on Na7onale d Aide aux Insuffisants Rénaux Midi- Pyrénées en partenariat avec la Clinique néphrologique Saint- Exupéry
Plus en détailH2PS engage ses compétences auprès des entreprises et des parculiers par la mise en place de soluons d accompagnements et de services.
Notre Société H2PS engage ses compétences auprès des entreprises et des parculiers par la mise en place de soluons d accompagnements et de services. Nos Engagements: Nous uliserons nos connaissances, expériences
Plus en détailIntroduc;on à l intelligence d affaires et aux entrepôts de données
MTI820 Entrepôts de données et intelligence d affaires Introduc;on à l intelligence d affaires et aux entrepôts de données C. Desrosiers Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaBi,
Plus en détailSÉLECTIONNER LES MEILLEURS CANDIDATS : L APPORT DES OUTILS D ÉVALUATION AU RECRUTEMENT ET À LA MOBILITÉ INTERNE
PARTENAIRE RESSOURCES HUMAINES SÉLECTIONNER LES MEILLEURS CANDIDATS : L APPORT DES OUTILS D ÉVALUATION AU RECRUTEMENT ET À LA MOBILITÉ INTERNE PROGRAMME Il est primordial pour une organisation de savoir
Plus en détailLe contrôle fiscal anno 2013
Le contrôle fiscal anno 2013 Carlos SIX! Administrateur général de la Fiscalité SPF Finances Ges$on des risques Contrôle fiscal CRM & Tolérance zéro ONDEMENT OBJECTIFS STRATEGIQUES Etude externe 2010 constata$ons
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 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 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 détailConsultants, trouvez de nouveaux marchés grâce aux médias sociaux animé par Valérie March au Salon des micro- entreprises 2012
Consultants, trouvez de nouveaux marchés grâce aux médias sociaux animé par Valérie March au Salon des micro- entreprises 2012 Conseils pra,ques et ou,ls pour Prospecter plus efficacement Faire connaître
Plus en détailArchitecture des entrepôts de données
MTI820 Entrepôts de données et intelligence d affaires Architecture des entrepôts de données Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaEi, C. Desrosiers 1 Le cycle de vie d un projet
Plus en détailCatalogue de FORMATIONS 2015
Catalogue de FORMATIONS 2015 Qui sommes nous? î SmartView est un cabinet de conseil et de forma1on, basé à Montpellier et Paris, qui accompagne ses clients professionnels, grands comptes ou PME innovantes,
Plus en détailLes enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013
Les enjeux du Big Data Innovation et opportunités de l'internet industriel François Royer froyer@datasio.com Accompagnement des entreprises dans leurs stratégies quantitatives Valorisation de patrimoine
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 détailOrganiser vos données - Big Data. Patrick Millart Senior Sales Consultant
Organiser vos données - Big Data Patrick Millart Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be
Plus en détailOFFRE MIX MARKETING : créateur de consommateurs. A l a&en)on de : Date de remise : Version : 3.0
OFFRE MIX MARKETING : créateur de consommateurs A l a&en)on de : Date de remise : Version : 3.0 01 Créateur de consommateurs Générateur de leads Offre & Ou@ls Azimut Inbound & Outbound Marke@ng. Méthodologie.
Plus en détailDAY 2 #HUBMWC TRENDS MOBILE WORLD CONGRESS 2015. HUBinstitute.com
DAY 2 #HUBMWC TRENDS MOBILE WORLD CONGRESS 2015 HUBinstitute.com LE MOBILE WORLD CONGRESS La mobilité : un objec1f stratégique pour les entreprises La deuxième journée du Mobile World Congress 2015 s est
Plus en détailFouillez facilement dans votre système Big Data. Olivier TAVARD
Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche
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 détailEXECUTIVE DOCTORATE IN BUSINESS ADMINISTRATION : LA NÉCESSITÉ DE L'INTÉGRATION DES TIC POUR MANAGER LA DISTANCE
COLLOQUE INTERNATIONAL «LE NUMÉRIQUE POUR ENSEIGNER AUTREMENT» 27 ET 28 JUIN 2014 UNIVERSITÉ PARIS-DAUPHINE EXECUTIVE DOCTORATE IN BUSINESS ADMINISTRATION : LA NÉCESSITÉ DE L'INTÉGRATION DES TIC POUR MANAGER
Plus en détailComment valoriser votre patrimoine de données?
BIG DATA POUR QUELS USAGES? Comment valoriser votre patrimoine de données? HIGH PERFORMANCE HIGH ANALYTICS PERFORMANCE ANALYTICS MOULOUD DEY SAS FRANCE 15/11/2012 L ENTREPRISE SAS EN QUELQUES CHIFFRES
Plus en 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 détailLE SUPPLIER RELATIONSHIP MANAGEMENT EN PRATIQUE
PARTENAIRES ACHATS LE SUPPLIER RELATIONSHIP MANAGEMENT EN PRATIQUE PROGRAMME La geson de la relaon fournisseur Supplier Relaonship Management est au centre de l aenon de toutes les foncons Achats. Les
Plus en détailPrésenta6on Isatech. ERP, Décisionnel, Architecture Systèmes & Réseaux. Isatech Tous droits réservés Page 1
Présenta6on Isatech ERP, Décisionnel, Architecture Systèmes & Réseaux Isatech Tous droits réservés Page 1 L offre globale Couvrir l intégralité de la chaîne du SI Isatech Tous droits réservés Page 2 Isatech
Plus en détailSanté, condi,ons de travail et égalité professionnelle F/H Comment agir?
Santé, condi,ons de travail et égalité professionnelle F/H Comment agir? Rencontres expertes de l Aract Bretagne Lundi 9 mars 2015 Elisabeth Dewanckel e.dewanckel@anact.fr Hélène Plassoux h.plassoux@anact.fr
Plus en détailQu est- ce que Bien- être@travail? Copyright Quo.ent Factor Inc., 2011
Qu est- ce que Bien- être@travail? Copyright Quo.ent Factor Inc., 2011 Et vous, le Bien- être@travail? Le bonheur est une chose fugace. Le bien- être suppose des condi1ons au- delà de la simple survivance,
Plus en détailConcepon et réalisaon
Concepon et réalisaon Vendée Etudes & Réalisaons de Soluons Informaques 10 rue des Sables 85540 Mouers les Mauxfaits h%p://sarl-versi.fr contact@sarl-versi.fr Mainate 2 une logiciel d aide à la communicaon
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 détailQu est ce qu une PME? 4. Pourquoi investir dans une PME? 6. Comment investir en direct dans une PME? 10
SOMMAIRE Introduction 3 Qu est ce qu une PME? 4 Définition conventionnelle d une PME 4 L actionnariat au sein d une PME 4 Participer à une augmentation de capital 4 Etre actionnaire d une société 5 Assister
Plus en détailComment u)liser les réseaux sociaux?
Comment u)liser les réseaux sociaux? Améliorer sa notoriété/visibilité? Atelier Webmarketing 2014 Awex Eupen Yves Vandeuren Be Quiet Décembre 2014 Yves Vandeuren Services : Conseils en Marke-ng // Digital
Plus en détailLes termes du cloud CUMULO NUMBIO 2015 O. COLLIN
Les termes du cloud CUMULO NUMBIO 2015 O. COLLIN Agenda Pe$t glossaire du cloud : termes qui seront u$lisés lors de ce5e école Virtualisa$on CMP Environnement Bioinforma$que Linux Comment les machines
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 détailCabinet de Conseil STRATÉGIE MANAGEMENT ORGANISATION JURIDIQUE FORMATION AVEC BW CONSULTANTS CHOISISSEZ DE GARANTIR VOTRE DEVELOPPEMENT
Cabinet de Conseil STRATÉGIE MANAGEMENT ORGANISATION JURIDIQUE FORMATION 1 Pourquoi nous choisir? Le chef d entreprise, surtout s il est propriétaire, déteste l aventure. Notre Objec>f est de vous accompagner
Plus en détailParK24. Solu%on innovante pour un sta%onnement intelligent
ParK24 Solu%on innovante pour un sta%onnement intelligent Guidage à la place Un système intégré sans fil, autonome et modulaire pour guider les automobilistes vers les dernières places disponibles d un
Plus en détailLe cycle de vie d'un projet en intelligence d'affaires
MTI820 Entrepôts de données et intelligence d affaires Le cycle de vie d'un projet en intelligence d'affaires Département de génie logiciel et des TI MTI820 Hiver 2011 S. ChaHi, C. Desrosiers 1 QuesKons
Plus en détailCQP 112 Introduc/on à la programma/on. Thème 2 : Architecture d un système informa/que. Département d informa/que
CQP 112 Introduc/on à la programma/on Thème 2 : Architecture d un système informa/que Département d informa/que CQP 112 : Introduc/on à la programma/on Plan 1. Historique des ordinateurs 2. Composants
Plus en détailLA DIGITALISATION DE LA RELATION CLIENT
PARTENAIRES ENTREPRISE ET TRANSFORMATION DIGITALE LA DIGITALISATION DE LA RELATION CLIENT PROGRAMME Face à la mulplicaon des canaux digitaux de communicaon, à l évoluon des comportements des clients et
Plus en détailIntroduction à l Informatique Décisionnelle - Business Intelligence (7)
Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence
Plus en détailPerformances. Gestion des serveurs (2/2) Clustering. Grid Computing
Présentation d Oracle 10g Chapitre VII Présentation d ORACLE 10g 7.1 Nouvelles fonctionnalités 7.2 Architecture d Oracle 10g 7.3 Outils annexes 7.4 Conclusions 7.1 Nouvelles fonctionnalités Gestion des
Plus en détailINTRASTAT 2015. No ce explica ve Merkbla
INTRASTAT 2015 Noce explicave Merkbla Rédacon en chef Alain Hoffmann Rédacon, coordinaon et concepon graphique Luc Kohnen STATEC Instut naonal de la stasque et des études économiques Centre Administraf
Plus en détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
Plus en détailDEVELOPPER SON SOURCING VIA LES RESEAUX SOCIAUX FACEBOOK
DEVELOPPER SON SOURCING VIA LES RESEAUX SOCIAUX FACEBOOK DEVELOPPER SON SOURCING VIA FACEBOOK ATELIER 1 CREATION DE VOTRE PROFIL ATELIER 1 EN GUISE D INTRODUCTION Pourquoi u(liser les réseaux sociaux dans
Plus en détailSites Internet : les. tendances. Jeudi 30 janvier 2014 Bordeaux L AGENCE CONNECTÉE À L ENTREPRISE
Sites Internet : les tendances pour 2014 Jeudi 30 janvier 2014 Bordeaux L AGENCE CONNECTÉE À L ENTREPRISE Inaa$v, une agence de communica$on avec des spécificités CONSEiL EN COMMUNICATION FoRmatiOns WEBMARKETING
Plus en détailMe#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on
Me#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on Thierry Badard, PhD, ing. jr Centre de Recherche en Géoma6que Conférence ITIS - Big Data et Open Data au coeur
Plus en détail#GoSocial. solutions de marketing communautaire & social crm
#GoSocial La révolution du Social Média Depuis quelques années, les médias sociaux ont métamorphosé le paysage du web et les modes de communication entre les individus et les marques. Hier encore spectateurs,
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 détailENVI-F-409. Economie écologique. Séance 8 13 Mai 2015. Tom Bauler tbauler@ulb.ac.be Supports de cours : http://tbauler.pbworks.com
ENVI-F-409 Economie écologique Séance 8 13 Mai 2015 Tom Bauler tbauler@ulb.ac.be Supports de cours : http://tbauler.pbworks.com Chapitre 9 : Penseurs hétérodoxes Ostrom vs Hardin. Lectures ins3tu3onnelle
Plus en détailLes bases du SEO (référencement naturel)
Les bases du SEO (référencement naturel) CCI Limoges Juin 2015 45 minutes LES BASES DU SEO 1 INTRODUCTION 2 MOTS CLES 3 OPTIMISATION IN SITE 4 NETLINKING LES BASES DU SEO 1 INTRODUCTION 1. INTRODUCTION
Plus en détailPrépara&on Opéra&onnelle à l Emploi de BASYCA (POEB) BASYCA SAS FRANCE - Anzize BADAROU
Prépara&on Opéra&onnelle à l Emploi de BASYCA (POEB) 1 Sommaire Objec&fs généraux Contenu POEB Approche générique Animateurs Partenaires 2 Objectifs généraux Enjeux de la forma1on Réconcilier la forma&on
Plus en détailUn nouveau modèle régional à Ouranos : défis et opportunités
Consor&um sur la climatologie régionale et l adapta&on aux changements clima&ques Un nouveau modèle régional à Ouranos : défis et opportunités Sébas&en Biner Groupe Simula&ons et analyses clima&ques Ouranos
Plus en détailRESSOURCES INFORMATIQUES UFR IMAG ANNEE 2010-2011. Présentation service informatique UFR IMAG année 2010/2011 1
RESSOURCES INFORMATIQUES UFR IMAG ANNEE 2010-2011 1 Quelques chiffres 800 étudiants (UFR IMAG et hors UFR IMAG) u;lisent les ressources informa;ques 19 salles de TP 300 postes de travail 60 serveurs 500
Plus en détailLes 10 étapes clés pour trouver des clients par internet
Les 10 étapes clés pour trouver des clients par internet Guide pour les entreprises de Home Staging 1 L auteur : Adrian Measures Adrian Measures est responsable du marke@ng sur internet et fondateur de
Plus en détailSimplifiez la ges-on de votre parc informa-que
Simplifiez la ges-on de votre parc informa-que Qui sommes nous? Société créé en 2000, présente en France depuis 2008 Présence interna6onale sur 23 pays, 450 employés Croissance globale de 20% YTD 6500
Plus en détailDes Big Data aux Big Brothers Jean- Gabriel Ganascia Equipe ACASA LIP6 Université Pierre and Marie Curie Labex OBVIL PRES Sorbonne Université
Des Big Data aux Big Brothers Jean- Gabriel Ganascia Equipe ACASA LIP6 Université Pierre and Marie Curie Labex OBVIL PRES Sorbonne Université 4, place Jussieu, 75252 Paris Cedex 05, FRANCE Jean- Gabriel.Ganascia@lip6.fr
Plus en détailFocus: Les projets pour le renforcement des compétences
Focus: Les projets pour le renforcement des compétences Delphine Richard, Chargée de mission projets interna7onaux, Agrocampus Ouest Radhouane Gdoura, Coordinateur du projet Tempus Développement de partenariats
Plus en détailKick Off SCC 2015. EMC l offre EXTREMIO. fmarti@fr.scc.com Philippe.rolland@emc.com. Vers de nouveaux horizons
Kick Off SCC 2015 EMC l offre EXTREMIO fmarti@fr.scc.com Philippe.rolland@emc.com Vers de nouveaux horizons Context Marché Les baies de stockages traditionnelles ont permis de consolider fortement Les
Plus en détailSpeed up your business
Speed up your business 1 Sommaire 1. Un concept innovant de communica3on cross media 2. Les Ou3ls UpMyCom a. Plateforme de Blog b. Plateforme de Quiz - Communica3on externe - Communica3on interne c. Jeux
Plus en détailBIG DATA en Sciences et Industries de l Environnement
BIG DATA en Sciences et Industries de l Environnement François Royer www.datasio.com 21 mars 2012 FR Big Data Congress, Paris 2012 1/23 Transport terrestre Traçabilité Océanographie Transport aérien Télémétrie
Plus en détailLES SOLUTIONS DE MESSAGERIE ET BUREAUTIQUE PROFESSIONNELLES
LES SOLUTIONS DE MESSAGERIE ET BUREAUTIQUE PROFESSIONNELLES SOMMAIRE Présentation de L@goon Entreprises Notre solution de messagerie et bureautique professionnelles Notre offre commerciale Nos contacts
Plus en détailOPTIMISER SA STRATÉGIE SEA DANS UNE LOGIQUE DE VENTE
PARTENAIRE SEO - SEM OPTIMISER SA STRATÉGIE SEA DANS UNE LOGIQUE DE VENTE PROGRAMME > Tirer par des fonconnalités d Adwords et de Bing pour mieux vendre en ligne et hors ligne > Structurer son compte /
Plus en détailIntroduc)on à Map- Reduce. Vincent Leroy
Introduc)on à Map- Reduce Vincent Leroy Sources Apache Hadoop Yahoo! Developer Network Hortonworks Cloudera Prac)cal Problem Solving with Hadoop and Pig Les cours seront mis en ligne sur hhp://membres.liglab.fr/leroy/
Plus en détailLes datas = le fuel du 21ième sicècle
Les datas = le fuel du 21ième sicècle D énormes gisements de création de valeurs http://www.your networkmarketin g.com/facebooktwitter-youtubestats-in-realtime-simulation/ Xavier Dalloz Le Plan Définition
Plus en détailLe don d organes après arrêt des thérapeu2ques Maastricht 3 Une réalité?...
Le don d organes après arrêt des thérapeu2ques Maastricht 3 Une réalité?... François MOUREY Corinne ANTOINE et le COPIL Maastricht 3 Agence de la biomédecine Les jeudis de l urgence: Marseille 9 janvier
Plus en détailTables Rondes Le «Big Data»
Tables Rondes Le «Big Data» 2012-2013 1 Plan Introduc9on 1 - Présenta9on Ingensi 2 - Le Big Data c est quoi? 3 - L histoire 4 - Le monde du libre : Hadoop 5 - Le système HDFS 6 - Les algorithmes distribués
Plus en détailGESTION DE CONTENUS (ECM) Ges1on de l informa1on. Nicolas Bürki, Senior Analyst
GESTION DE CONTENUS (ECM) Ges1on de l informa1on Nicolas Bürki, Senior Analyst AGENDA Entreprises: les tendances & les projets Les offres ECM / GED : les tendances du marche La réalité / retour d expérience
Plus en détailIntroduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1)
Introduction à lʼinformatique Décisionnelle et la «Business Intelligence» (1) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013
Plus en détailRéunion de rentrée Licence PER Programma3on en environnement répar3. Année universitaire 2014-2015
Réunion de rentrée Licence PER Programma3on en environnement répar3 Année universitaire 2014-2015 Intervenants de la présenta3on Responsables de la forma/on Bogdan Cau/s, bogdan.cau/s@u- psud.fr Jean-
Plus en détailJean-François Boulicaut & Mohand-Saïd Hacid
e siècle! Jean-François Boulicaut & Mohand-Saïd Hacid http://liris.cnrs.fr/~jboulica http://liris.cnrs.fr/mohand-said.hacid Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205
Plus en détailAVIS A MANIFESTATION D INTERET N 017/MPT/2013/UCP/CAB
AVIS A MANIFESTATION D INTERET N 017/MPT/2013/UCP/CAB RECRUTEMENT D UN CONSULTANT INDIVIDUEL POUR LA REALISATION DE L ETUDE SUR LA PORTABILITE SUR LE MARCHE DES TELECOMMUNICATIONS EN REPUBLIQUE DU CONGO
Plus en détailDéployer et sécuriser des applica1ons mobiles dans votre SI / Cloud
Déployer et sécuriser des applica1ons mobiles dans votre SI / Cloud Roadmap 12c Event Janvier 2015 Eric De Smedt Middleware Sales ConsulIng Director Safe Harbor Statement The following is intended to outline
Plus en détailCATALOGUE DES OFFRES 2014
CATALOGUE DES OFFRES 2014 GM_Oct 2014 Sommaire P9 DIAGNOSTIQUER Etat des lieux de l entreprise P3 REPRESENTER La défense des entrepreneurs P7 Sécurisaon des impayés P7 Projet à l international P7 Assistantes
Plus en détailUSER EXPERIENCE ET DATA : AUGMENTER LES CONVERSIONS GRÂCE À UN PARCOURS UTILISATEUR OPTIMISÉ
PARTENAIRES : E-COMMERCE USER EXPERIENCE ET DATA : AUGMENTER LES CONVERSIONS GRÂCE À UN PARCOURS UTILISATEUR OPTIMISÉ PROGRAMME Comment améliorer le parcours des client en temps réel avec les données collectées
Plus en détail