Antoine Cornuéjols. 1- Introduction à l IA C est quoi l intelligence? 1.2- Comment étudier l intelligence? AgroParisTech
|
|
- Charles Perras
- il y a 8 ans
- Total affichages :
Transcription
1 ! 7 séances de 3h (cours + TD/TP)! Programme et références sur : iodaa-cours-ia.html Antoine Cornuéjols AgroParisTech! Contrôle continu :! DMs! Quizz (10 )! Mini-Projet antoine.cornuejols@agroparistech.fr Cours IA 2/39!"###!"#$%&'()%"*$#%&'(#)#*+,-%./-0#12#34-5%672,#384#+,-.%$/)%"*&+*0$/-1+2* 9"###*+,-%./-0#12#34-5%672,#20*+"34$%""+5+"#*"%"*&6#+$54"42#2#:8;2<#81;24,8=42>#?"###7--$+")22/0+*-/$*$+"8%$(+5+"#* 1- Introduction à l IA 1.1- C est quoi l intelligence? 1.2- Comment étudier l H"###;/<+24/"*$+/2%"4"0# I"###;/<+24/"*"+#=%$>2* J"###?@@*/"&*A%* 3/39 4/39
2 " Perception " Prise de décision " Action " Communication " Apprentissage 5/39 6/39! Projet COG au MIT 7/39 8/39
3 Projet ONU! Capteurs disséminés! Aspects spatial et temporel Action européenne (Kdubiq)! Omniprésence d objets «!intelligents!»! Percevant leur environnement! Analyse de documents sur le web! Objectifs :! Prédiction! Compréhension! Communiquant entre eux! Prenant des décisions! Objectifs :! Aide aux usagers! " Rationalité limitée " Bande passante limitée " Environnements changeants " Apprentissage 9/39 10/39 Applications! Domotique! Aide aux personnes handicapées! Station orbitale! 11/39 12/39
4 ! Discrimination! Adaptation! Perception / associations / analogies / métaphores! Communication! Planification! Apprentissage et découverte «!The study of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it.!» Dartmouth Workshop, Summer of /39 14/39 15/39 16/39
5 17/39 18/39 19/39 20/39
6 21/39 22/39! Construire des machines pour une large variété d applications augmentant les capacités de résolution de problèmes «!mal posés!»! Formaliser ce qu est la connaissance! Mécaniser l intelligence! Utiliser des modèles computationnels pour comprendre des comportements complexes! Rendre l interaction avec les systèmes computationnels aussi simple qu avec les humains 23/39 24/39
7 ! La perception est ambiguë de manière inhérente! «!J ai laissé tomber l œuf sur le sol et il s est cassé!»! Rationalité limitée! Y-a-t-il un premier coup gagnant aux échecs?! Etudie les problèmes insolubles en informatique classique! Solution optimale inconnue ou trop difficile à trouver/identifier! Des paramètres difficiles à maîtriser : connaissances incertaines, vagues, hypothétiques,...! Exigences d explication ou de communication sophistiquée avec les utilisateurs! Compromis entre buts en conflits! Objectif d adaptation et d apprentissage avec l expérience! Information incomplète et/ou incertaine!... 25/39 26/39! Prise en compte de la Connaissance (symbolique)! Raisonnements! Logiques / Probabilistes / imprécis /! Induction / analogie /! Heuristique! Non déterministe vs. déterministe! Solutions satisfaisantes vs. Optimales! Pas programmé mais par apprentissage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
8 ! Systèmes de diagnostic! Système Pathfinder et Internist en médecine (supérieurs aux médecins)! Système d aide aux consommateurs (Whirlpool)! Systèmes de conception et configuration! Système XCON de DEC pour aider à la configuration de systèmes informatiques! Aide à la décision (e.g. financière)! Systèmes de détection de fraude (IRS aux USA, banques (cartes de crédit), prêts, )! Aide aux demandes de financement des particuliers! 123*4)(3+#(+'-&33./'&0$%+! 1ST1K7MFT+#(+-&+U616+! 5;)$%3*"&0$%+&:*$)&0N:(+#(+*>;$"4)(3+! 123*4)(3+#(+@(:+! P>&),.$%3+#:+)$%#(+&:D+#&)(3+E&%?-$V3&D$%%(3GO+$*>(--$O+B&'W?&))$%O+;'>('3+! J"$3+,"$?"43+&:+J!+! 1("*+X+'$%'(C$."+#(3+323*4)(3+3A&#&,*&%*+X+#(3+).-.(:D+>$30-(3+! 8"&#:'0$%+&:*$)&0N:(+! 123*4)(3+#(+*"&#:'0$%+#(+6-*&M.3*&+$:+#(+J$$?-(+! 8"&#:'0$%+#(3+)&%:(-3+#(+P&*(",.--&"+8":'W+'$),&%2+#&%3+YZ+-&%?:(3* 29/39 30/39! L école symbolique! La pensée consiste en une séquence de transformations de représentations " Agents cognitifs délibératifs! L école sub-symbolique! La pensée consiste en une transmission et une transformation de signaux " Agents réactifs! L école de la cognition située! La pensée ne réside pas dans la tête d un individu isolée mais est distribuée au sein d une société (incluant son histoire et sa culture) et suscitée par le contexte. " Emergence et auto-organisation! 0. Depuis l Antiquité...! Bacon / Pascal / Descartes / Leibniz! Babbage & Ada de Lovelace / Boole! Réflexion sur les fondements des mathématiques 1. Les pionniers de l IA (~ ~1956)! Turing : les fonctions calculables sont définies par une machine! Von Neumann : architecture des ordinateurs, réflexions sur les automates! McCulloch & Pitts (1943) : Premier modèle formel du neurone! Hebb (1949) : assemblées de neurones et règle d apprentissage! Les conférences Macy et la première Cybernétique 31/39 32/39
9 2. L IA comme méthodes générales (~ ~1968)! La pensée comme manipulation de représentations discrètes des connaissances: IA symbolique! Démonstrateurs de théorèmes (principe de résolution (-> Prolog))! Résolveurs universels de problèmes (GPS)! Le système CHECKER! Premier connexionnisme! Le Perceptron [Rosenblatt, ]! [6H1+4)%*<.;).%+\+! +]&+*"&#:'0$%+&:*$)&0N:(+! +](3+(D,("*3+%(+3$%*+,&3+#(3+(D,("*3+:%.C("3(-3+^_+! +](+9("'(,*"$%+(3*+-.).*;+ 3. Knowledge is power (~ ~1980)! Représentation des connaissances! Représentations structurées : réseaux sémantiques, scripts, schémas et frames (précurseurs des LO),...! Des extensions de la logique : logiques non monotones, logiques temporelles, logique floue,...! De nombreux systèmes intelligents : ARCH, AM, MAGGIE, BORIS, PLANNER,...! Projet CYC! Utilisation des connaissances : les systèmes experts " +9"$B-4)(+\+<-7720F#8<K.+4=4#F-.F2,#%2,#<-008=,,80<2,#0+<2,,8=42,#L# *****:",,)05*#<0<-/!$%)-*.)%*)=1<-$)0.)%*>%"(6)05*/11!$'(<)%*?*4)%*@1-"A!B,)%*C"()5DE*F* 33/39 34/39 4. Méthodes générales d apprentissage (~ ~1990)! Méthodes symboliques! De nombreuses réalisations et nouvelles techniques # Algorithme d élimination # Arbres de décision # Méthode de l Etoile! Nouveaux principes # Espace des versions! Renouveau du connexionnisme et du mouvement subsymbolique! Hopfield (1982)! Le Perceptron Multi-Couches (1985)! IA distribuée (Algorithmes Génétiques, Vie Artificielle,...) 35/39 5. Apprentissage statistique et applications (~ )! Nouvelles méthodes subsymboliques (réseaux de neurones, algorithmes génétiques, réseaux bayésiens, chaînes de Markov,...)! Théorie de l apprentissage statistique (données i.i.d.)! Besoins industriels " On ne parle plus de connaissances! Perspectives :! Data mining ; Text mining ; Web mining! BIGGG Data! Systèmes à longue durée de vie " ++*2F-.4#12#%8#<-008=,,80<2#L### " #M24,#48/-08%=F+#%=7=F+2#2F#,N,F672,#<-73%2O2,#G+F+4-P602,## #$#%-0P.2#;=2# 36/39
10 Lesquelles de ces choses sont actuellement possibles?! `$:("+#;'())(%*+&:+,.%?V,$%?+! P$%#:."(+:%+C;>.':-(+-(+-$%?+#A:%(+"$:*(+3.%:(:3(+(%+)$%*&?%(+! P$%#:."(+:%+C;>.':-(+#&%3+-(+'(%*"(+#A:%(+?"&%#(+C.--(+! `$:("+#;'())(%*+&:+B".#?(+a+`$:("+#;'())(%*+&:+,$'W("+! 5;'$:C"."+(*+,"$:C("+:%+%$:C(&:+*>;$"4)(+#(+)&*>;)&0N:(+! b'"."(+:%(+>.3*$."(+.%*(%0$%%(--()(%*+#"c-(+! 5$%%("+:%+'$%3(.-+'$),;*(%*+#&%3+:%+#$)&.%(+,";'.3+#:+#"$.*+! 8"&#:."(+:%(+'$%C("3&0$%+(%*"(+:%+d"&%e&.3+(*+:%+6%?-&.3+(%+*(),3+";(-+E#&%3+-(3+#(:D+3(%3G+! Point de vue des sciences cognitives! Comprendre la cognition naturelle par des modèles informatiques! Point de vue de l ingénieur! Résoudre des problèmes difficiles par n importe quelle méthode! Point de vue du théoricien! Découvrir les lois universelles de la cognition "!3'.--&0$%+(%*"(+'(3+*"$.3+,c-(3+ 37/39 38/39! R. Callan : Artificial Intelligence. Palgrave MacMillan, 2003.! I. Millington : Artificial Intelligence for Games. Morgan Kaufmann, 2006.! Nilsson N. (98) : Artificial Intelligence : A new synthesis. Morgan Kaufmann, 1998.! E. Rich & K. Knight : Artificial Intelligence. McGraw-Hill, 1991! S. Russell & P. Norvig : Artificial Intelligence: A modern approach (3nd ed.). Prentice Hall, 2009 (Trad. française!: «!Intelligence artificielle!», Pearson Education, 2006, 1184 p.) 39/39
Intelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailIntelligence Articielle (1) Introduction
1/32 Introduction Un peu d'histoire Les nouveaux dés Intelligence Articielle (1) Introduction Pierre Gançarski Université de Strasbourg IUT Robert Schuman DUT Informatique /32 Plan 1 Introduction 2 Un
Plus en détailLes apports de l informatique. Aux autres disciplines
Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailUne brève introduction aux Sciences Cognitives
Une brève introduction aux Sciences Cognitives Sommaire Une brève introduction aux Sciences Cognitives... 1 1. Introduction... 1 2. Objet et enjeux des Sciences Cognitives... 2 2.1. Historique... 2 2.2.
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 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 détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
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 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 détailEnvironnement Architecture de controle. Décisions
Chapitre 1 Introduction 1.1 Robot Mobile Il existe diverses définitions du terme robot, mais elles tournent en général autour de celle-ci : Un robot est une machine équipée de capacités de perception,
Plus en détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailQuand le bâtiment va, tout va
Quand le bâtiment va, tout va Citation de Martin Nadeau en 1849 à l Assemblée législative de la France Martin Nadeau Ancien ouvrier maçon Député à l Assemblée législative Les sots font bâtir les maisons
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 détailData 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares
Plus en 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 détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
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 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 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 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 détailPartenaires: w w w. c o g m a s t e r. n e t
Partenaires: w w w. c o g m a s t e r. n e t Une approche interdisciplinaire et intégrative neuropsychologie psychologie neuroanatomie linguistique philosophie SCIENCES COGNITIVES logique/probas neurosciences
Plus en détailIntelligence artificielle et les défis en robotique mobile et autonome
Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février
Plus en détailUtilisation de l ingénierie des modèles pour la conception collaborative de produits mécaniques
Utilisation de l ingénierie des modèles pour la conception collaborative de produits mécaniques Mathias Kleiner Laboratoire des Sciences de l Information et des Systèmes (LSIS) - UMR CNRS 7296 Projet Ingenierie
Plus en détailThéorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailAXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES
1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte
Plus en détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
Plus en 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 détailCours Bases de données
Informations sur le cours Cours Bases de données 9 (10) séances de 3h Polycopié (Cours + TD/TP) 3 année (MISI) Antoine Cornuéjols www.lri.fr/~antoine antoine.cornuejols@agroparistech.fr Transparents Disponibles
Plus en détailApprentissage. Intelligence Artificielle NFP106 Année 2012-2013. Plan. Apprentissage. Apprentissage
Intelligence Artificielle NFP106 Année 2012-2013 Apprentissage! F.-Y. Villemin! Plan! Apprentissage! Induction! Règles d'inférence inductive! Apprentissage de concepts!! Arbres de décision! ID3! Analogie
Plus en détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
Plus en détailGENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT
Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements
Plus en détailTableau de recueil des données concernant l auto évaluation. Nom de la structure :
Tableau de recueil des données concernant l auto évaluation Nom de la structure : : 1 = très vrai, 2 = plutôt vrai, 3 = plutôt pas vrai, 4 = pas vrai du tout PRINCIPES DE DELIVRANCE DES SERVICES Principe
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailInformatique et Société : une brève histoire
Informatique et Société : une brève histoire Igor Stéphan UFR Sciences Angers 2012-2013 Igor Stéphan UEL29 1/ 24 Informatique et Société : une brève histoire 1 Les conditions de l émergence 2 3 4 5 Igor
Plus en détailAdaptabilité d un MOOC aux styles d apprentissage. Hubert Kadima Directeur de Recherche LARIS/EISTI Email : hubert.kadima@eisti.fr
Adaptabilité d un MOOC aux styles d apprentissage Hubert Kadima Directeur de Recherche LARIS/EISTI Email : hubert.kadima@eisti.fr Agenda 1. Contexte : l apprentissage dans le projet PLACIS 2. Choix du
Plus en détailBig Data -Comment exploiter les données et les transformer en prise de décisions?
IBM Global Industry Solution Center Nice-Paris Big Data -Comment exploiter les données et les transformer en prise de décisions? Apollonie Sbragia Architecte Senior & Responsable Centre D Excellence Assurance
Plus en détailRSA ADAPTIVE AUTHENTICATION
RSA ADAPTIVE AUTHENTICATION Plate-forme complète d authentification et de détection des fraudes D UN COUP D ŒIL Mesure du risque associé aux activités de connexion et de postconnexion via l évaluation
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 détailRéseaux bayésiens. 3 e édition Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, Anna Becker
Réseaux bayésiens 3 e édition Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, Anna Becker Avec la contribution de Bruce G. Marcot, Carmen Lacave et Francisco J. Díez Groupe Eyrolles,
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailJean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA
La visualisation d information pour comprendre et interagir avec les données Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr, www.aviz.fr, @jdfaviz
Plus en détailTHEORIE ET CAS PRATIQUES
THEORIE ET CAS PRATIQUES A DEFINIR 8/28/2012 Option AUDIT 1 INTRODUCTION L informatique : omniprésente et indispensable Développement des S.I. accroissement des risques Le SI = Système Nerveux de l entreprise
Plus en détailPrésentation de la majeure ISN. ESILV - 18 avril 2013
Présentation de la majeure ISN ESILV - 18 avril 2013 La Grande Carte des Métiers et des Emplois Sociétés de service Entreprises Administrations Grand- Public Sciences Utiliser Aider à utiliser Vendre APPLICATIONS:
Plus en détailLe cinquième chapitre
Le cinquième chapitre Objectif : présenter les supports matériels ou immatériels permettant d'étayer cette nouvelle approche de la fonction maintenance. I. Evolution du domaine technique - Différents domaines
Plus en détailIntroduction à la robotique Licence 1ère année - 2011/2012
Introduction à la robotique Licence 1ère année - 2011/2012 Laëtitia Matignon GREYC-CNRS Université de Caen, France Laetitia Matignon Université de Caen 1 / 61 Plan Définitions 1 Définitions 2 3 Robots
Plus en détailCours de Management des Systèmes d Information
Cours de Management des Systèmes d Information Module Management Stratégique et Opérationnel Première Partie : Description Première Partie Pour quoi faire Un S.I... Définition Applications traditionnelles
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 détailConference "Competencies and Capabilities in Education" Oradea 2009 IMPORTANŢA SOFTURILOR EDUCAŢIONALE ÎN PROCESUL DE PREDARE- ÎNVĂŢARE
IMPORTANŢA SOFTURILOR EDUCAŢIONALE ÎN PROCESUL DE PREDARE- ÎNVĂŢARE L IMPORTANCE DES LOGICIELS ÉDUCATIFS DANS LE PROCESSUS D ENSEIGNER ET D ÉTUDIER Carmen Bal 1 Abstract La pratique scolaire impose une
Plus en détailInformatique Machines à calculer en théorie et en pratique
Licence Physique-Chimie Histoire des Sciences Informatique Machines à calculer en théorie et en pratique Notes de Cours 1 Introduction Étymologie En Allemagne (1957) le terme «Informatik» est créé par
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
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 détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
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 détailApprentissage symbolique et statistique à l ère du mariage pour tous
Apprentissage symbolique et statistique à l ère du mariage pour tous Stéphane Canu asi.insa-rouen.fr/enseignants/~scanu RFIA 2014, INSA Rouen 2 juillet 2014 Apprentissage : humain vs. machine Les apprentissages
Plus en détailAtelier de simulation APOLLO XIII
Atelier de simulation APOLLO XIII Les enjeux d une formation réussie Favoriser la participation, susciter l intérêt Enseigner les principes théoriques tout en l alliant à la pratique Motiver, impliquer,
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 détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
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 détailLogique binaire. Aujourd'hui, l'algèbre de Boole trouve de nombreuses applications en informatique et dans la conception des circuits électroniques.
Logique binaire I. L'algèbre de Boole L'algèbre de Boole est la partie des mathématiques, de la logique et de l'électronique qui s'intéresse aux opérations et aux fonctions sur les variables logiques.
Plus en détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
Plus en détailen SCÈNE RATIONAL Rational Démonstration SDP : automatisation de la chaîne de développement Samira BATAOUCHE sbataouche@fr.ibm.com
Rational Démonstration SDP : automatisation de la chaîne de développement Samira BATAOUCHE sbataouche@fr.ibm.com Fabrice GRELIER fabrice.grelier@fr.ibm.com RATIONAL en SCÈNE 2007 IBM Corporation Objectif
Plus en détailPROGRAMME DETAILLE. Parcours en première année en apprentissage. Travail personnel. 4 24 12 24 CC + ET réseaux
PROGRAMME DETAILLE du Master IRS Parcours en première année en apprentissage Unités d Enseignement (UE) 1 er semestre ECTS Charge de travail de l'étudiant Travail personnel Modalités de contrôle des connaissances
Plus en détailIntelligence artificielle appliquée à l automatique
Intelligence artificielle appliquée à l automatique par Sylviane GENTIL Professeur à l École nationale supérieure d ingénieurs électriciens Institut national polytechnique de Grenoble 1. Définitions et
Plus en détailL OUTIL NUMERIQUE CARACTERISTIQUES ET FONCTIONNALITES
L OUTIL NUMERIQUE CARACTERISTIQUES ET FONCTIONNALITES Aujourd hui, le numérique est partout. Il se retrouve principalement dans les nouvelles technologies, mais également dans l art, les livres, notre
Plus en détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailLES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION
LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION DES NOMBRES par Jean-Luc BREGEON professeur formateur à l IUFM d Auvergne LE PROBLÈME DE LA REPRÉSENTATION DES NOMBRES On ne conçoit pas un premier enseignement
Plus en détailCurriculum Vitae 1 er février 2008
Curriculum Vitae 1 er février 2008 Informations générales Cédric MEUTER Nationalité belge Né à La Louvière, le 16 novembre 1979 Adresse personnelle : Adresse professionnelle : Ave Général Bernheim, 57
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 détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détailCMI ECONOMIE, FINANCE QUANTITATIVE ET STATISTIQUES - PARCOURS FORMATION EN APPRENTISSAGE
Université de PARIS 2 - ASSAS 1/3 PARCOURS FORMATION EN APPRENTISSAGE L1 S1 Mathématiques 1 4 L1 S1 Statistiques 1 4 L1 S1 Fondemants de l'informatique 4 L1 S1 Compléments Maths 2 L1 S1 Compléments Stats
Plus en détailModèle multi-agents de prise de décision éthique
Équipe Modèles, Agents, Décision Laboratoire GREYC CNRS UMR 6072 Université de Caen Basse-Normandie ENSICAEN Boulevard du Maréchal Juin CS 14 032, 14 032 Caen Cedex 5 Tel. : +33 (0)2 31 56 74 84 Fax :
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 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 détailSimulation centrée individus
Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les
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 détailProgrammation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006
vendredi 8 septembre 2006 Programmation d'agents intelligents Vers une refonte des fils de raisonnement Stage de fin d'études Master IAD 2006 Benjamin DEVEZE Responsable : M. Patrick TAILLIBERT Plan Plan
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 27/01/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Présentation de l auteur En charge de la statistique et du data mining dans un grand groupe bancaire Enseigne le data mining en Master 2 à l Université
Plus en détailProtection des données personnelles : Vers un Web personnel sécurisé
Rencontre Inria Industrie Les télécoms du futur Table ronde Sécurité des contenus Protection des données personnelles : Vers un Web personnel sécurisé Luc Bouganim - INRIA Paris-Rocquencourt EPI SMIS,
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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailPour un web accessible Convaincre tous les acteurs du web Jean-Marc Bassin Paris Web 14 novembre 2008
Pour un web accessible Convaincre tous les acteurs du web Jean-Marc Bassin Paris Web 14 novembre 2008 Sommaire 1 2 3 L accessibilité pourquoi? Convaincre les différents acteurs Questions réponses 2 Paris
Plus en détailAcquisition des données - Big Data. Dario VEGA Senior Sales Consultant
Acquisition des données - Big Data Dario VEGA Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
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 détailConception de réseaux de télécommunications : optimisation et expérimentations
Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailMANAGEMENT DES SYSTEMES D INFORMATION ET DE PRODUCTION MSIP
MANAGEMENT DES SYSTEMES D INFORMATION ET DE PRODUCTION MSIP METHODES & CONCEPTS POUR UNE INGENIERIE INNOVANTE Ecole Nationale Supérieure des Mines de Rabat Département INFORMATIQUE www.enim.ac.ma MANAGEMENT
Plus en détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Plus en détailIntelligence Economique - Business Intelligence
Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit
Plus en détailOrganisation du parcours M2 IR Les unités d enseignements (UE) affichées dans la partie tronc commun sont toutes obligatoires, ainsi que le stage et
Organisation du parcours M2 IR Les unités d enseignements (UE) affichées dans la partie tronc commun sont toutes obligatoires, ainsi que le stage et l'anglais. L'étudiant a le choix entre deux filières
Plus en détailMonitoring elderly People by Means of Cameras
Nuadu project Technologies for Personal Hearth Seminar, June 4th, 2009 Monitoring elderly People by Means of Cameras Laurent LUCAT Laboratory of Embedded Vision Systems CEA LIST, Saclay, France 1 Summary
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailLes lières. MSc in Electronics and Information Technology Engineering. Ingénieur civil. en informatique. MSc in Architectural Engineering
Ingénieur civil Ingénieur civil Les lières MSc in Electronics and Information Technology Engineering MSc in Architectural Engineering MSc in Civil Engineering MSc in Electromechanical Engineering MSc
Plus en détailProblématique / Problématiser / Problématisation / Problème
Problématique / Problématiser / Problématisation / PROBLÉMATIQUE : UN GROUPEMENT DE DÉFINITIONS. «Art, science de poser les problèmes. Voir questionnement. Ensemble de problèmes dont les éléments sont
Plus en détail