Analyse de réseaux avec R
|
|
- Théodore Dumais
- il y a 8 ans
- Total affichages :
Transcription
1 Analyse de réseaux avec R Julien Barnier Groupe de Recherche sur la Socialisation CNRS UMR 5040 julien.barnier@ens-lyon.fr 26 janvier 2011 Table des matières 1 Présentation R Extensions statnet Convention typographique Chargement de l extension Importer des données Import de données externes Jeux de données d exemple Visualisation 5 4 Indicateurs Au niveau du réseau Au niveau des sommets Extraction de réseaux égocentrés 13 6 Attributs associés 14 7 Génération aléatoire de réseaux 16 8 Équivalence structurale et block modelling 17 9 Conclusion 18 1 Présentation 1.1 R R est un langage orienté vers le traitement, la manipulation et l analyse de données. Il s agit d un logiciel libre, gratuit, multiplateforme (il fonctionne à la fois sous Windows, Mac OS X et Linux), non commercial et issu du monde universitaire. R bénéficie d un très grand nombre d extensions (plus de 1500 actuellement) développées par la communauté des utilisateurs et permettant d ajouter des fonctionnalités ou des méthodes d analyse à celles déjà proposées par le «noyau» de R. Il est de plus en plus utilisé dans de nombreuses disciplines (biologie, écologie, finances, sciences sociales... ).
2 2 Analyse de réseaux sous R Du côté des inconvénients, on pourra citer son caractère essentiellement anglophone, et surtout un temps d apprentissage non négligeable. L utilisation de R s apparente en effet à celle d un langage de programmation (à un niveau plus ou moins poussé) et on ne dispose pas d une interface graphique complète qui faciliterait son utilisation. Site officiel : Ce document n a pas pour ambition de fournir une introduction à R. De nombreux documents en anglais existent à ce sujet. On pourra également trouver une introduction en français et des liens vers d autres ressources à l adresse suivante : Extensions statnet Plusieurs extensions pour R ont été développées pour la manipulation, la visualisation et l analyse de réseaux : network, sna, ergm, latentnet, dynamicnetwork.... Elles ont été réunies sous l égide d une extension unique baptisée statnet. Site officiel : Plusieurs articles publiés début 2008 dans un numéro de la revue Journal of Statistical Software présentent de manière détaillée les extensions du projet statnet : Ce document en est très largement tiré ; il ne présente cependant qu une petite partie, la plus simple, des fonctionnalités offertes par ces outils. 1.3 Convention typographique Dans ce qui suit, les commandes saisies dans R sont indiquées dans une police à chasse fixe bleue et précédées de l invite R>. Le résultat éventuel renvoyé par R est indiqué dans une police à chasse fixe rouge inclinée : R> [1] Chargement de l extension Pour utiliser l extension statnet et les outils qui la composent, il suffit de l installer classiquement à l aide de : R> install.packages("statnet", dependencies = TRUE) Une fois nistallée, il suffit de la charger via : R> library(statnet)
3 2. Importer des données 3 2 Importer des données 2.1 Import de données externes L import des données d un réseau peut se faire de différentes manières. On peut réutiliser des données provenant d autres logiciels comme Pajek (via la fonction read.paj), ou bien utiliser des données saisies dans une application de type tableur. Dans ce cas les données peuvent se présenter sous plusieurs formes, soit comme une matrice d adjacence : Soit comme une liste d arêtes : Dans les deux cas on pourra enregistrer ces données au format CSV (séparé par des virgules par exemple) et les importer dans R via la fonction read.table ou l une de ses variantes, par exemple : R> net.mat <- read.csv(file = "matrice_adjacence.csv", header = TRUE, + row.names = 1) R> net.mat A B C D E A B C D E R> net.liste <- read.csv(file = "liste_aretes.csv", header = FALSE) R> net.liste V1 V2 1 A B 2 A D 3 A E 4 C B 5 C E 6 D A 7 D B 8 E A 9 E C
4 4 Analyse de réseaux sous R On transforme ensuite les objets ainsi créés en objets de type network à l aide de la fonction as.network 1 : R> net.mat <- as.network(as.matrix(net.mat)) R> net.liste <- as.network(net.liste) R> net.mat Network attributes: vertices = 5 directed = TRUE hyper = FALSE loops = FALSE multiple = FALSE bipartite = FALSE total edges= 9 missing edges= 0 non-missing edges= 9 Vertex attribute names: vertex.names R> net.liste Network attributes: vertices = 5 directed = TRUE hyper = FALSE loops = FALSE multiple = FALSE bipartite = FALSE total edges= 9 missing edges= 0 non-missing edges= 9 Vertex attribute names: vertex.names Dans les deux cas le résultat est exactement le même : R> all(net.mat[, ] == net.liste[, ]) [1] TRUE À noter qu il également très simple d exporter des objets de type réseau dans des formats d autres logiciels, dont le format DL utilisé par Pajek et UCINET (via la fonction write.dl). 2.2 Jeux de données d exemple Dans ce qui suit nous utiliserons deux jeux de données inclus dans les extensions de statnet. Le premier est nommé samplk, il est tiré de la célèbre observation par Sampson des relations entre moines dans un monastère en On le charge dans R de la manière suivante : R> data(samplk) 1. Dans le cas de l import d une matrice d adjacence, celle-ci étant importée comme un objet de type data frame elle doit d abord être convertie en objet de type matrix
5 3. Visualisation 5 Le réseau qui nous intéresse (et qui a été automatiquement chargé par la commande précédente) se nomme samplk3 et contient le réseau des relations d appréciations lors de la troisième interrogation : chacun des 18 moines du monastère devait désigner les trois autres moines pour lesquels il avait l appréciation (liking) la plus positive 2. Le second, nommé faux.mesa.high, est la reconstruction par simulation (pour des raisons d anonymisation) d un réseau de sociabilité entre élèves d un groupes d écoles rurales de l ouest des États-Unis. Il comprend 205 sommets et 203 arêtes (non-orientées). On le charge de la manière suivante : R> data(faux.mesa.high) Pour économiser quelques touches de clavier, on donnera à ces réseaux des noms un peu plus courts : R> samp <- samplk3 R> fmh <- faux.mesa.high Les sommets d un réseau peuvent être munis d un nom permettant de les identifier. La liste des noms peut-être affichée ou modifiée avec la fonction network.vertex.names. R> network.vertex.names(samp) [1] "Romul_10" "Bonaven_5" "Ambrose_9" "Berth_6" "Peter_4" "Louis_11" [7] "Victor_8" "Winf_12" "John_1" "Greg_2" "Hugh_14" "Boni_15" [13] "Mark_7" "Albert_16" "Amand_13" "Basil_3" "Elias_17" "Simp_18" 3 Visualisation La fonction de base pour visualiser les objets de type réseau est la fonction gplot. Elle produit par défaut une représentation optimisée par l algorithme de Fruchterman et Reingold : R> gplot(samp) 2. En réalité dans cette vague de mesure quelques moines ont donné quatre préférences.
6 6 Analyse de réseaux sous R Pour les graphes non orientés, on peut supprimer l affichage des arcs sous forme de flèches avec l argument gmode="graph". R> gplot(fmh, gmode = "graph")
7 3. Visualisation 7 De nombreuses options permettent de personnaliser la sortie graphique. L option mode, notamment, permet de choisir le mode de placement des sommets. De nombreuses possibilités sont offertes, on pourra se reporter à l aide de la fonction gplot.layout pour une liste exhaustive. R> par(mfrow = c(2, 3), mar = c(1, 1, 1, 1), cex = 1.5) R> gplot(samp, mode = "fruchtermanreingold", main = "Fruchterman-Reingold") R> gplot(samp, mode = "circle", main = "Circulaire") R> gplot(samp, usecurve = TRUE, main = "Arêtes courbées") R> gplot(samp, mode = "mds", main = "Multidimensional scaling") R> gplot(samp, mode = "random", main = "Aléatoire") R> gplot(samp, mode = "kamadakawai", main = "Kamada-Kawai") Fruchterman Reingold Circulaire Arêtes courbées Multidimensional scaling Aléatoire Kamada Kawai L option interactive=true permet de modifier manuellement le placement de certains sommets. Lorsqu on a une présentation satisfaisante, on peut enregistrer le résultat sous forme d image à l aide de la fonction dev.print. R> gplot(samp, interactive = TRUE) R> dev.print(device = png, file = "graph.png", width = 700) statnet permet également une représentation d un réseau en 3 dimensions avec possibilités de zoom et de rotation interactives, ceci grâce à la fonction gplot3d : R> gplot3d(samp) Ce qui peut donner quelque chose comme l image suivante :
8 8 Analyse de réseaux sous R Enfin, de très nombreuses options permettent de personnaliser l affichage. Parmi celles-ci on notera displaylabels qui permet d afficher les noms des sommets, label.pos qui détermine leur position (une valeur de 5 remplace le sommet par son label), displayisolates qui détermine si on affiche ou non les sommets isolés, vertex.cex et vertex.col qui fixent la taille et la couleur des sommets, etc. R> gplot(samp, label = network.vertex.names(samp), boxed.labels = TRUE, + label.col = "blue", label.pos = 5, label.cex = 0.85) Basil_3 Elias_17 Simp_18 Amand_13 Romul_10 Bonaven_5 Peter_4 John_1 Berth_6 Greg_2 Ambrose_9 Mark_7 Winf_12 Louis_11 Victor_8 Albert_16 Boni_15 Hugh_14 Enfin, on peut représenter graphiquement le réseau sous la forme de sa matrice d adjacence : R> plot.sociomatrix(samp, diaglab = FALSE, cex.lab = 0.7, labels = list(1:18, + 1:18))
9 4. Indicateurs Indicateurs statnet, via l extension sna, propose la plupart des indicateurs utilisés pour la description des réseaux et de ses éléments. On ne citera ici que certains des plus connus. 4.1 Au niveau du réseau La densité d un réseau peut être obtenue avec la fonction gden 3 : R> gden(samp) [1] R> gden(fmh, mode = "graph") [1] Une série de fonctions permettent de calculer des scores au niveau de l ensemble du réseau, comme son niveau de réciprocité (s il existe un arc de A vers B, il existe un arc de B vers A) avec la fonction grecip, de transitivité (si j ai un lien de A vers B et un lien de B vers C, alors j ai un lien de A vers C) à l aide de la fonction gtrans, ou de connexité (y a-t-il des sommets pour lesquels il n existe pas de chemin les reliant) avec connectedness : R> grecip(samp) Mut R> grecip(fmh) 3. Par défaut la diagonale de la matrice d adjacence n est pas prise en compte pour le calcul de la densité. Ce comportement peut être modifié par l option diag.
10 10 Analyse de réseaux sous R Mut 1 R> gtrans(samp) [1] R> gtrans(fmh) [1] R> connectedness(samp) [1] 1 R> connectedness(fmh) [1] Au niveau des sommets Les degrés des sommets d un réseau sont calculés par la fonction degree. L option cmode permet d indiquer si on souhaite les degrés entrants (indegree), sortants (outdegree), ou totaux (freeman). R> degree(samp, cmode = "indegree") [1] R> degree(samp, cmode = "outdegree") [1] R> degree(samp, cmode = "freeman") [1] On peut faciliter la lecture des degrés en les triant et en en faisant une représentation graphique. R> in.degs <- degree(samp, cmode = "indegree") R> names(in.degs) <- network.vertex.names(samp) R> in.degs <- sort(in.degs) R> in.degs Romul_10 Albert_16 Berth_6 Louis_11 Victor_8 Hugh_14 Boni_15 Amand_ Elias_17 Basil_3 Simp_18 Ambrose_9 Peter_4 John_1 Mark_7 Bonaven_ Winf_12 Greg_2 6 6 R> dotchart(in.degs, main = "Degrés entrants")
11 4.2 Au niveau des sommets 11 Degrés entrants Greg_2 Winf_12 Bonaven_5 Mark_7 John_1 Peter_4 Ambrose_9 Simp_18 Basil_3 Elias_17 Amand_13 Boni_15 Hugh_14 Victor_8 Louis_11 Berth_6 Albert_16 Romul_ Si on a un grand nombre de sommets, on peut étudier le tri à plat des degrés. R> table(degree(fmh)) D autres fonctions calculent des caractéristiques ou des scores au niveau de chaque sommet. On citera notamment (mais de manière non exhaustive) closeness, qui indique le degré de proximité d un sommet par rapport à l ensemble des autres sommets, et betweenness, qui indique si le sommet se trouve sur un grand nombre de plus courts chemins non-redondants entre d autres sommets, ou infocent, qui donne une indication sur le niveau de centralité vis-à-vis de la circulation de l information. R> closeness(samp) [1] [9] [17] R> betweenness(samp) [1] [9] [17] R> infocent(samp) [1] [9] [17] R> par(mfrow = c(1, 3), cex = 1.5) R> gplot(samp, vertex.cex = closeness(samp) * 10, main = "closeness") R> gplot(samp, vertex.cex = betweenness(samp)/10, main = "betweenness") R> gplot(samp, vertex.cex = infocent(samp) * 2, main = "infocent")
12 12 Analyse de réseaux sous R closeness betweenness infocent Enfin, la fonction geodist donne, pour chaque paire de sommets du réseau, le nombre de chemins entre ces deux sommets et la longueur du chemin le plus court : R> geodist(samp) $counts [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14] [1,] [2,] [3,] [4,] [5,] [,15] [,16] [,17] [,18] [1,] [2,] [3,] [4,] [5,] [getoption("max.print") est atteint lignes omises ]] $gdist [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14] [1,] [2,] Inf [3,] Inf [4,] Inf [5,] Inf [,15] [,16] [,17] [,18] [1,] [2,] [3,] [4,] [5,] [getoption("max.print") est atteint lignes omises ]] Pour le détail du calcul de ces indicateurs on se référera à la page d aide de chaque fonction. De nombreuses autres fonctions sont disponibles, dont on pourra avoir une liste dans l aide de l extension sna ou en tapant : R> help(package = sna)
13 5. Extraction de réseaux égocentrés 13 5 Extraction de réseaux égocentrés La fonction ego.extract permet d extraire un réseau égocentré d un réseau complet. Par exemple : R> samp.1 <- ego.extract(samp, ego = 1) R> gplot(samp.1, displaylabels = TRUE, label = colnames(samp.1)) Peter_4 Romul_10 Ambrose_9 Bonaven_5 Amand_13 La fonction neighborhood permet de calculer les voisins de chaque sommet à différents ordres sous forme de matrice d adjacence. Pour avoir les voisins directs (d ordre 1) et les voisins d ordre 2, on peut faire : R> neighborhood(samp, 1) [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14] [1,] [2,] [3,] [4,] [5,] [,15] [,16] [,17] [,18] [1,] [2,] [3,] [4,] [5,] [getoption("max.print") est atteint lignes omises ]] R> neighborhood(samp, 2) [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14] [1,]
14 14 Analyse de réseaux sous R [2,] [3,] [4,] [5,] [,15] [,16] [,17] [,18] [1,] [2,] [3,] [4,] [5,] [getoption("max.print") est atteint lignes omises ]] 6 Attributs associés Des variables supplémentaires peuvent être associées aux sommets du réseau. C est le cas du réseau de sociabilité fmh, qui contient en données associées le sexe et la classe (grade) des enquêtés. On peut accéder à ces attributs via la fonction get.vertex.attribute. R> sexe <- get.vertex.attribute(fmh, "Sex") R> table(sexe) sexe F M On peut ensuite représenter la valeur de ces attributs dans la représentation du réseau, par exemple en différenciant filles et garçons : R> sexe <- get.vertex.attribute(fmh, "Sex") R> sexe[sexe == "M"] <- "blue" R> sexe[sexe == "F"] <- "red" R> gplot(fmh, vertex.col = sexe, gmode = "graph") R> legend("topright", c("garçon", "Fille"), pch = 19, col = c("blue", + "red"))
15 6. Attributs associés 15 Garçon Fille Pour obtenir le nombre de relations en fonction des valeurs d un attribut, on peut utiliser la fonction mixingmatrix de la manière suivante : R> tab.sex <- mixingmatrix(fmh, "Sex") R> tab.sex Note: Marginal totals can be misleading for undirected mixing matrices. F M F M R> tab.grade <- mixingmatrix(fmh, "Grade") R> tab.grade Note: Marginal totals can be misleading for undirected mixing matrices Les valeurs plus importantes sur la diagonale du deuxième tableau montrent que les relations de sociabilité sont plus fréquentes entre élèves d un même niveau, ce qui paraît plutôt logique. On peut tester l hypothèse avec un classique test du χ 2 : R> chisq.test(tab.sex[[2]]) Pearson's Chi-squared test with Yates' continuity correction
16 16 Analyse de réseaux sous R data: tab.sex[[2]] X-squared = , df = 1, p-value = R> chisq.test(tab.grade[[2]]) Pearson's Chi-squared test data: tab.grade[[2]] X-squared = , df = 25, p-value < 2.2e-16 7 Génération aléatoire de réseaux On a vu précédemment que le niveau de réciprocité dans le cas du réseau de préférence des moines était de 0,83. Cette valeur est-elle particulièrement élevée ou non? R> grecip(samp) Mut Pour le savoir, on peut utiliser des méthodes de simulation et générer aléatoirement un grand nombre de réseaux semblables : la fonction rgraph est faite pour cela. On peut ainsi générer 1000 réseaux de 18 sommets ayant la même densité que notre réseau d intérêt de la manière suivante : R> graphs <- rgraph(18, m = 1000, tprob = gden(samp)) Puis on peut calculer le niveau de réciprocité de chacun de ces réseaux et représenter leur répartition : R> recip <- apply(graphs, 1, grecip) R> mean(recip) [1] R> hist(recip, main = "Niveaux de réciprocité", xlab = "grecip") Niveaux de réciprocité Frequency grecip
17 8. Équivalence structurale et block modelling 17 Au final, sur 1000 réseaux générés aléatoirement, combien ont un niveau de réciprocité au moins égal à celui de notre réseau d intérêt? R> sum(recip >= grecip(samp)) [1] 0 On peut donc penser que le niveau de réciprocité observé est significativement élevé. 8 Équivalence structurale et block modelling La fonction equiv.clust calcule une matrice de scores de similarité entre sommets du réseau afin d essayer de mesurer leur équivalence structurale (deux sommets sont strictement équivalents structuralement s ils sont reliés de la même manière aux mêmes sommets). Plusieurs types de scores sont possibles, ceux-ci sont décrits dans l aide de la fonction sedist. Une classification hiérarchique est ensuite effectuée à partir de cette matrice. Cette classification peutêtre représentée sous forme de dendrogramme. R> eq <- equiv.clust(samp) R> plot(eq) Cluster Dendrogram Height as.dist(equiv.dist) hclust (*, "complete") L opération suivante consiste à choisir un nombre de groupes et à couper le dendrogramme au niveau désiré. Ceci se fait via la fonction blockmodel. R> nbgroups <- 3 R> bm <- blockmodel(samp, eq, k = nbgroups) On peut ensuite représenter graphiquement la répartition des groupes dans le réseau.
18 18 Analyse de réseaux sous R R> groupes <- bm$block.membership[order(bm$order.vector)] R> gplot(samp, vertex.col = groupes, vertex.cex = 1.5) R> legend("topright", legend = paste("bloc", 1:nbgroups), pch = 19, + col = 1:nbgroups) Bloc 1 Bloc 2 Bloc 3 Enfin, l objet résultant de l utilisation de la fonction blockmodel permet de visualiser le résultat de la réduction en blocs. Cette réduction peut être de différents types, par défaut blockmodel utilise la densité. On se réfèrera à l aide de la fonction pour une liste des réductions possible. R> bm$block.model Block 1 Block 2 Block 3 Block Block Block Cette réduction montre une densité élevée à l intérieur de chaque bloc (sur la diagonale) : les individus de chaque groupe ont tendance à s apprécier mutuellement. Inversement, les densités entre les blocs sont faibles, voire nulle dans le cas du bloc 2 vers le bloc 1, ce qui signifie que les membres des différents blocs ont tendance à peu s apprécier, à l exception peut-être des membres du bloc 3 envers les membres du bloc 2. 9 Conclusion Ceci n est qu un petit aperçu des fonctionnalités les plus simples d analyse de réseaux sous R. De nombreuses possibilités n ont même pas été évoquées dans ce document, parmi lesquelles les techniques de comparaison de réseaux, la modélisation ou des outils permettant le traitement et l animation de réseaux longitudinaux.
19 9. Conclusion 19 Pour conclure, signalons que l utilisation des outils d analyse de réseaux sous R présente des avantages intéressants, notamment une grande souplesse dans son utilisation et une articulation simple et directe avec les autres méthodes d analyse de données fournies par R : tests, statistique multivariée, régressions, cartographie.... Enfin, les fonctions fournies par les extensions de statnet sont parfaitement évolutives, leur code source est disponible, et elles peuvent servir de base à de nouveaux développements, ceci permettant de s appuyer sur une base solide pour la production de nouveaux outils. Pour aller plus loin, de nombreuses ressources (en anglais) sont accessibles depuis le site officiel du projet statnet : Et on consultera tout particulièrement l ensemble des articles du volume 24 du Journal of statistical software :
Analyser les réseaux avec R (packages statnet, igraph et tnet)
Analyser les réseaux avec R (packages statnet, igraph et tnet) Laurent Beauguitte To cite this version: Laurent Beauguitte. Analyser les réseaux avec R (packages statnet, igraph et tnet). DEA. Analyser
Plus en détailInitiation à Pajek Logiciel pour l analyse des réseaux sociaux
Initiation à Pajek Logiciel pour l analyse des réseaux sociaux Laurent Beauguitte To cite this version: Laurent Beauguitte. Initiation à Pajek Logiciel pour l analyse des réseaux sociaux. 3ème cycle. Umr
Plus en détailAnalyse des réseaux : Une introduction à Pajek
1 Analyse des réseaux : Une introduction à Pajek Laurent Beauguitte (UMR Géographie cités, groupe fmr flux, matrices, réseaux) Pierre Mercklé (Centre Max Weber, équipe «Dispositions, pouvoirs, cultures,
Plus en détailUne nouvelle approche de détection de communautés dans les réseaux sociaux
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Une nouvelle approche de détection de communautés dans les réseaux sociaux Mémoire (INF 6021) pour l obtention du grade de Maîtrise
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailPrésentation du logiciel
Chapitre A Présentation du logiciel R Pré-requis et objectif La lecture du chapitre sur l installation de R dans les Annexes peut se révéler utile. Ce chapitre présente les origines, l objectif et les
Plus en détail1 Introduction - Qu est-ce que le logiciel R?
Master 1 GSI - Mentions ACCIE et RIM - ULCO, La Citadelle, 2012/2013 Mesures et Analyses Statistiques de Données - Probabilités TP 1 - Initiation au logiciel R 1 Introduction - Qu est-ce que le logiciel
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détailMini_guide_Isis.pdf le 23/09/2001 Page 1/14
1 Démarrer...2 1.1 L écran Isis...2 1.2 La boite à outils...2 1.2.1 Mode principal...3 1.2.2 Mode gadgets...3 1.2.3 Mode graphique...3 2 Quelques actions...4 2.1 Ouvrir un document existant...4 2.2 Sélectionner
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 détailIntégration de la dimension sémantique dans les réseaux sociaux
Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux
Plus en détailComment optimiser dans ImageReady?
L optimisation des éléments graphiques et la création de la page Web 243 Comment optimiser dans ImageReady? Avec ImageReady, l optimisation d un fichier pour le Web est plus performante qu avec Photoshop.
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailHTML. Notions générales
1 HTML Le langage HTML est le langage de base permettant de construire des pages web, que celles-ci soient destinées à être affichées sur un iphone/android ou non. Dans notre cas, HTML sera associé à CSS
Plus en détailMises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger.
Cet ouvrage est fondé sur les notes d un cours dispensé pendant quelques années à l Institut universitaire de technologie de Grenoble 2, au sein du Département statistique et informatique décisionnelle
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailMini_guide_Isis_v6.doc le 10/02/2005 Page 1/15
1 Démarrer... 2 1.1 L écran Isis... 2 1.2 Les barres d outils... 3 1.2.1 Les outils d édition... 3 1.2.2 Les outils de sélection de mode... 4 1.2.3 Les outils d orientation... 4 2 Quelques actions... 5
Plus en détailGestion des données avec R
Gestion des données avec R Christophe Lalanne & Bruno Falissard Table des matières 1 Introduction 1 2 Importation de fichiers CSV 1 2.1 Structure du fichier de données...................................
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 détail1 Démarrer... 3 1.1 L écran Isis...3 1.2 La boite à outils...3 1.2.1 Mode principal... 4 1.2.2 Mode gadget...4 1.2.3 Mode graphique...
1 Démarrer... 3 1.1 L écran Isis...3 1.2 La boite à outils...3 1.2.1 Mode principal... 4 1.2.2 Mode gadget...4 1.2.3 Mode graphique... 4 2 Quelques actions... 5 2.1 Ouvrir un document existant...5 2.2
Plus en détailDocumentation Suivi S.E.O
Documentation Suivi S.E.O Document : Projet : Documentation Outil de Suivi SEO myposeo Date : 18/02/15 Version : 1 G4interactive SAS 53, rue des deux communes 93100 Montreuil, France contact@myposeo.com
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailPRODIGE V3. Manuel utilisateurs. Consultation des métadonnées
PRODIGE V3 Manuel utilisateurs Consultation des métadonnées Pour plus d'information sur le dispositif : à remplir par chaque site éventuellement 2 PRODIGE V3 : Consultation des métadonnées SOMMAIRE 1.
Plus en détailTP 1. Prise en main du langage Python
TP. Prise en main du langage Python Cette année nous travaillerons avec le langage Python version 3. ; nous utiliserons l environnement de développement IDLE. Étape 0. Dans votre espace personnel, créer
Plus en détailCelestia. 1. Introduction à Celestia (2/7) 1. Introduction à Celestia (1/7) Université du Temps Libre - 08 avril 2008
GMPI*EZVI0EFSVEXSMVIH%WXVSTL]WMUYIHI&SVHIEY\ 1. Introduction à Celestia Celestia 1.1 Généralités 1.2 Ecran d Ouverture 2. Commandes Principales du Menu 3. Exemples d Applications 3.1 Effet de l atmosphère
Plus en détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailDécouverte du tableur CellSheet
Découverte du tableur CellSheet l application pour TI-83 Plus et TI-84 Plus. Réalisé par Guy Juge Professeur de mathématiques et formateur IUFM de l académie de Caen Pour l équipe des formateurs T 3 Teachers
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailNouveautés de Solid Edge ST7
Siemens PLM Software Nouveautés de Solid Edge ST7 Réimaginez le champ des possibles Avantages Des centaines d améliorations réclamées par les utilisateurs Une modélisation 3D plus flexible et plus rapide
Plus en détailINDUSTRIALISATION ET RATIONALISATION
INDUSTRIALISATION ET RATIONALISATION A. LA PROBLEMATIQUE La mission de toute production informatique est de délivrer le service attendu par les utilisateurs. Ce service se compose de résultats de traitements
Plus en détailUtiliser Access ou Excel pour gérer vos données
Page 1 of 5 Microsoft Office Access Utiliser Access ou Excel pour gérer vos données S'applique à : Microsoft Office Access 2007 Masquer tout Les programmes de feuilles de calcul automatisées, tels que
Plus en détailGuide d utilisation et d administration
Guide d utilisation et d administration Guide d utilisation et d administration l Sommaire Logo Vtiger...1 Chapitre 1. Premières étapes...5 Devenir un utilisateur...5 Installation sur PC et autres conditions...5
Plus en détailL informatique en BCPST
L informatique en BCPST Présentation générale Sylvain Pelletier Septembre 2014 Sylvain Pelletier L informatique en BCPST Septembre 2014 1 / 20 Informatique, algorithmique, programmation Utiliser la rapidité
Plus en détailTravailler avec les télécommunications
Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la
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 détailANALYSE CATIA V5. 14/02/2011 Daniel Geffroy IUT GMP Le Mans
ANALYSE CATIA V5 1 GSA Generative Structural Analysis 2 Modèle géométrique volumique Post traitement Pré traitement Maillage Conditions aux limites 3 Ouverture du module Choix du type d analyse 4 Calcul
Plus en détailInitiation à l analyse en composantes principales
Fiche TD avec le logiciel : tdr601 Initiation à l analyse en composantes principales A.B. Dufour & J.R. Lobry Une première approche très intuitive et interactive de l ACP. Centrage et réduction des données.
Plus en détailR01 Import de données
R01 Import de données A partir du package de base, R peut lire les données stockées dans des fichiers texte, à partir notamment des fonctions read.table, read.csv, read.delim, read.csv2, read.delim2, et
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 détailVirtual Universe aperçu numéro 1
Virtual Universe aperçu numéro 1 Cet aperçu va vous permettre d observer quelques aspects et fonctionnalités du futur produit Virtual Universe. Cet aperçu est encapsulé dans un exécutable généré par AUTOMGEN8.
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 détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailCours 1. I- Généralités sur R II- Les fonctions de R et autres objets III-Les vecteurs
Cours 1 I- Généralités sur R II- Les fonctions de R et autres objets III-Les vecteurs IV-Les facteurs I-1 Généralités sur R R (1995, AT&T Bell Laboratories) est un logiciel d analyse statistique et graphique,
Plus en détailIntroduction à la présentation graphique avec xmgrace
Chapitre 6 Introduction à la présentation graphique avec xmgrace Contenu 6.1 Avant-propos....................... 71 6.2 Faire un simple graphe................. 72 6.3 Un graphe avec plusieurs courbes...........
Plus en détailBASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
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 détailCentre de Contacts Virtuel (CCV) GEN-IP SOLUTIONS
Centre de Contacts Virtuel (CCV) GEN-IP SOLUTIONS PRÉSENTATION Avec l application de Centre de Contacts en mode Cloud ou SaaS (Software as a Service), vous bénéficiez immédiatement et sans investissement
Plus en détailUtiliser le site learningapps.org pour créer des activités interactives
Utiliser le site learningapps.org pour créer des activités interactives I. Créer un compte - Pour pouvoir utiliser le site learningapps.org à des fins de création, il faut commencer par créer un compte
Plus en détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
Plus en détailCréation de mises en plan
Création de mises en plan Numéro de publication spse01545 Création de mises en plan Numéro de publication spse01545 Avertissement sur les droits de propriété et les droits réservés Ce logiciel et la documentation
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 détail10 mn pour se connecter à un fichier Excel. Pas à Pas.
10 mn pour se connecter à un fichier Excel. Pas à Pas. 1 - Quel fichier, quelle source de données? 2 - Connexion au compte BIME 3 Connexion à BIME DESKTOP, mon tremplin vers internet 4 - Mes analyses 5
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 détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailSUGARCRM MODULE RAPPORTS
SUGARCRM MODULE RAPPORTS Référence document : SYNOLIA_Support_SugarCRM_Module_Rapports_v1.0.docx Version document : 1.0 Date version : 2 octobre 2012 Etat du document : En cours de rédaction Emetteur/Rédacteur
Plus en détailProgrammation Web. Madalina Croitoru IUT Montpellier
Programmation Web Madalina Croitoru IUT Montpellier Organisation du cours 4 semaines 4 ½ h / semaine: 2heures cours 3 ½ heures TP Notation: continue interrogation cours + rendu à la fin de chaque séance
Plus en détailCréation de fonds de cartes statiques et dynamiques avec R et Google Maps
Création de fonds de cartes statiques et dynamiques avec R et Google Maps Jérôme SUEUR MNHN UMR CNRS 7205 - OSEB Mardi 7 février 2012 Plan Pourquoi faire? Cartes statiques RgoogleMaps dismo Cartes dynamiques
Plus en détailHMI target Visu / PLC HMI. Pour réaliser une interface homme machine avec PLC control
HMI target Visu / PLC HMI Pour réaliser une interface homme machine avec PLC control VERSION : 1.4 / PH DATE : 5 Novembre 2014 Sommaire Ce manuel explique de manière pratique les étapes successives pour
Plus en détailManipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner
Le cas Orion Star Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner Le cas Orion Star... 1 Manipulation de données avec SAS Enterprise Guide et modélisation
Plus en détailFeature Team Primer. par Craig Larman et Bas Vodde. Version 1.2
ÉQUIPE FEATURE par Craig Larman et Bas Vodde Version 1.2 Les Équipes Feature 1 et les Domaines Fonctionnels 2 sont des éléments essentiels pour dimensionner le développement en mode agile et lean. Ces
Plus en détailDisparités entre les cantons dans tous les domaines examinés
Office fédéral de la statistique Bundesamt für Statistik Ufficio federale di statistica Uffizi federal da statistica Swiss Federal Statistical Office EMBARGO: 02.05.2005, 11:00 COMMUNIQUÉ DE PRESSE MEDIENMITTEILUNG
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailManuel de formation Spaceman 1 ère journée
Manuel de formation Spaceman 1 ère journée Table des Matières Présentation des barres d outils et des icônes...4 Présentation de l espace de travail...10 1 ère PARTIE : CONSTRUIRE LE MOBILIER...11 La gondole
Plus en détailSymantec Endpoint Protection 12.1.5 Fiche technique
Symantec Endpoint Protection 12.1.5 Fiche technique Fiche technique : Sécurité des terminaux Présentation Outre les attaques massives à grande échelle qu ils perpétuent, les logiciels malveillants ont
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 détailManuel d utilisation de la base de données nationale sur la situation de l enfance en Tunisie CHILDINFO 6.0
2010 Manuel d utilisation de la base de données nationale sur la situation de l enfance en Tunisie CHILDINFO 6.0 Observatoire d Information, de Formation, de Documentation et d Etudes pour la Protection
Plus en détailUtiliser un tableau de données
Utiliser un tableau de données OBJECTIFS : - Définir une Base de Données. - Présentation : tableau de données. - Création d un tableau de données - Gestion d un tableau de données. - Trier et Filtrer des
Plus en détail1 CRÉER UN TABLEAU. IADE Outils et Méthodes de gestion de l information
TP Numéro 2 CRÉER ET MANIPULER DES TABLEAUX (Mise en forme, insertion, suppression, tri...) 1 CRÉER UN TABLEAU 1.1 Présentation Pour organiser et présenter des données sous forme d un tableau, Word propose
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 détailAide GeoGebra. Manuel Officiel 3.2. Markus Hohenwarter et Judith Hohenwarter www.geogebra.org
Aide GeoGebra Manuel Officiel 3.2 Markus Hohenwarter et Judith Hohenwarter www.geogebra.org 1 Aide GeoGebra 3.2 Auteurs Markus Hohenwarter, markus@geogebra.org Judith Hohenwarter, judith@geogebra.org Traduction
Plus en détailLa valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k]
Evaluation de la rentabilité d un projet d investissement La décision d investir dans un quelconque projet se base principalement sur l évaluation de son intérêt économique et par conséquent, du calcul
Plus en détailTP Blender n 2 : Importation d un modèle SketchUp et animation
TP Blender n 2 : Importation d un modèle SketchUp et animation Service de Conception Géométrique Université de Liège Aérospatiale et Mécanique Conçu avec Blender 2.66 et SketchUp 8 De SketchUp à Blender
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 détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détail2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des
2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des marques déposées de Minitab, Inc. aux Etats-Unis et
Plus en détailESPACE MULTIMEDIA DU CANTON DE ROCHESERVIERE
ESPACE MULTIMEDIA DU CANTON DE ROCHESERVIERE Atelier «pour approfondir» Montage vidéo avec Windows Live Movie Maker 1 Présentation de Windows Live Movie Maker Windows Live Movie Maker est le logiciel de
Plus en détailInfolettre #18 : Les graphiques avec Excel 2010
Infolettre #18 : Les graphiques avec Excel 2010 Table des matières Introduction... 1 Hourra! Le retour du double-clic... 1 Modifier le graphique... 4 Onglet Création... 4 L onglet Disposition... 7 Onglet
Plus en détailMANIPULATION ET VISUALISATION DE GROSSES BASES DE DONNÉES AVEC R
MANIPULATION ET VISUALISATION DE GROSSES BASES DE DONNÉES AVEC R Jeudi 10 octobre 2013 CHAIGNEAU Alicia GAZAN Rozenn DAUFOUY Camille JOURDAN Sandra Introduction 2 Evolution des outils de collecte Big data
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 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 détailPRODIGE V3. Manuel utilisateurs. Consultation des métadonnées
PRODIGE V3 Manuel utilisateurs Consultation des métadonnées Pour plus d'information sur le dispositif : à remplir par chaque site éventuellement 2 PRODIGE V3 : Consultation des métadonnées SOMMAIRE 1.
Plus en détailPrénom : Matricule : Sigle et titre du cours Groupe Trimestre INF1101 Algorithmes et structures de données Tous H2004. Loc Jeudi 29/4/2004
Questionnaire d'examen final INF1101 Sigle du cours Nom : Signature : Prénom : Matricule : Sigle et titre du cours Groupe Trimestre INF1101 Algorithmes et structures de données Tous H2004 Professeur(s)
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailKeynote 08 Guide de l utilisateur
Keynote 08 Guide de l utilisateur K Apple Inc. 2008 Apple Inc. Tous droits réservés. Ce manuel est soumis aux lois sur le droit d auteur et ne peut être copié, totalement ou partiellement, sans le consentement
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 détailLes nouveautés de Femap 11.1
Siemens PLM Software Les nouveautés de Femap 11.1 Amélioration de la productivité des Ingénieurs calcul Avantages Manipulation plus rapide des modèles grâce à des performances graphiques améliorées Flexibilité
Plus en détailWHITE PAPER. Quels avantages la déduplication offre-t-elle aux entreprises? Livre blanc Acronis
Quels avantages la déduplication offre-t-elle aux entreprises? Livre blanc Acronis Copyright Acronis, Inc. 2000 2009 Table des matières Résumé... 3 Qu est-ce que la déduplication?... 4 Déduplication au
Plus en détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
Plus en détailPRESENTATION DE CLIC AND CASH
PRESENTATION DE CLIC AND CASH Table des matières I. Objectif du document 3 II. Clic And Cash, la solution complète pour vendre en ligne 3 A. Le système «clic-and-cash» 3 B. Fonctionnalités de l administration
Plus en détailPremiers Pas avec OneNote 2013
Premiers Pas avec OneNote 2 Présentation de OneNote 3 Ouverture du logiciel OneNote 4 Sous Windows 8 4 Sous Windows 7 4 Création de l espace de travail OneNote 5 Introduction 5 Présentation des différentes
Plus en détailPython - introduction à la programmation et calcul scientifique
Université de Strasbourg Environnements Informatique Python - introduction à la programmation et calcul scientifique Feuille de TP 1 Avant de commencer Le but de ce TP est de vous montrer les bases de
Plus en détailUE 8 Systèmes d information de gestion Le programme
UE 8 Systèmes d information de gestion Le programme Légende : Modifications de l arrêté du 8 mars 2010 Suppressions de l arrêté du 8 mars 2010 Partie inchangée par rapport au programme antérieur Indications
Plus en détailGestion du parc informatique matériel et logiciel de l Ensicaen. Rapport de projet. Spécialité Informatique 2 e année. SAKHI Taoufik SIFAOUI Mohammed
6, bd maréchal Juin F-14050 Caen cedex 4 Spécialité Informatique 2 e année Rapport de projet Gestion du parc informatique matériel et logiciel de l Ensicaen SAKHI Taoufik SIFAOUI Mohammed Suivi ENSICAEN
Plus en détail