Construction d un chemin Hamiltonien unique et robuste descripteur d un maillage

Dimension: px
Commencer à balayer dès la page:

Download "Construction d un chemin Hamiltonien unique et robuste descripteur d un maillage"

Transcription

1 Construction d un chemin Hamiltonien unique et robuste descripteur d un maillage V. Itier 1,2, W. Puech 1, G. Gesquière 3, J.P. Pedeboy 2 and G. Subsol 1 LIRMM UMR 5506 CNRS, University of Montpellier II 1 STRATEGIES S.A rue de Villeneuve, Parc des Affaires SILIC - BP 80429, Rungis FRANCE 2 LIRIS, UMR CNRS 5205, University Lumière Lyon Mai 2013 V. Itier 1 / 43

2 Outline 1 Introduction 2 État de l art 3 Synchronisation 3D à l aide des EMST 4 Construction d un chemin robuste 5 Conclusion V. Itier 2 / 43

3 Outline Introduction 1 Introduction 2 État de l art 3 Synchronisation 3D à l aide des EMST 4 Construction d un chemin robuste 5 Conclusion V. Itier 3 / 43

4 Introduction Introduction Modèles 3D De plus en plus de logiciel CAD, CAO... Des bases de données de plus en plus importantes, indexation. Diffusion légale, illégale (piratebay: physibles). Imprimante 3D. V. Itier 4 / 43

5 Introduction Introduction STRATEGIES 1 Logiciel CAD (Computer-aided design) Chaussure Maroquinerie Figure: Logiciel de CAD 1 V. Itier 5 / 43

6 Introduction Introduction Problématique Méta-données. Contrôle d intégrité. DRM (Digital Rights Management).... Solution Tatouage, insertion de données cachées. V. Itier 6 / 43

7 Introduction Introduction Problématique Méta-données. Contrôle d intégrité. DRM (Digital Rights Management).... Solution Tatouage, insertion de données cachées. V. Itier 6 / 43

8 Outline État de l art 1 Introduction 2 État de l art Tatouage Synchronisation 3 Synchronisation 3D à l aide des EMST 4 Construction d un chemin robuste 5 Conclusion V. Itier 7 / 43

9 État de l art État de l art Tatouage SYNCHRONISATION INSERTION Figure: Schéma du tatouage d un message dans un objet. V. Itier 8 / 43

10 État de l art État de l art Tatouage SYNCHRONISATION EXTRACTION Figure: Schéma de l extraction du message. V. Itier 9 / 43

11 État de l art Synchronisation État de l art Définition: Où insérer les données. Comment les extraire après. En préservant la sécurité (clé). V. Itier 10 / 43

12 État de l art Synchronisation État de l art Synchronisation 2D: Domaine d insertion: Spatial (LSB, LLSB,...). Harmonique (DCT,...). Wavelets (Daubechies,...). Exemple de chemin unique: Figure: Chemin en ZigZag d une image 2D. Lignes et colonnes. ZigZag. Blocs). V. Itier 11 / 43

13 État de l art Synchronisation État de l art Synchronisation 3D: Pas d ordre trivial! Figure: Maillage 3D : Bunny. État de l art: 3 sortes de synchronisation dans le domaine spatial en fonction : De la topologie et du message [Ohbuchi et al. 97]. De la topologie seule [Cayre et Macq 01], [Rossignac 99]. Structure de voisinage[amat et al. 10],[Tournier et al. 11].. Itier 12 / 43

14 État de l art Synchronisation État de l art Ordonnancement des sommets par une structure de donnée unique: Unique. Ne dépend pas de la connexité du maillage. Ne détériore pas le modèle 3D. Donne un ordre implicite. P. Amat, W. Puech, S. Druon and J.P. Pedeboy Lossless 3D steganography based on MST and connectivity modification. Signal Processing: Image Communication, vol.25, N. Tournier, W. Puech, G. Subsol, and J.P. Pedeboy Finding robust vertices for 3D synchronization based on Euclidean minimum spanning tree. Proc. SPIE 7864 Three-Dimensional Imaging, Interaction, and Measurement, V. Itier 13 / 43

15 Outline Synchronisation 3D à l aide des EMST 1 Introduction 2 État de l art 3 Synchronisation 3D à l aide des EMST Rappel sur les graphes Structure d un EMST Problème de sensibilité des EMST Résultats expérimentaux 4 Construction d un chemin robuste 5 Conclusion V. Itier 14 / 43

16 Synchronisation 3D à l aide des EMST Rappel sur les graphes Rappel sur les graphes Figure: Représentation d un graphe Definition : G un graphe, G = (V, E, ω) V l ensemble des sommets. E l ensemble des arêtes. ω : E R + la fonction de coût sur chaque arête. V. Itier 15 / 43

17 Synchronisation 3D à l aide des EMST Structure d un EMST EMST Synchronisation Euclidean Minimum Spanning Tree G un graphe, G = (V, E) et T = (V, E T ) l EMST de G T est un arbre. ω(t ) = e E T ω(e) est minimum. Figure: Représentation d un EMST Avantages Permet d induire un ordre à partir de la racine connu. V. Itier 16 / 43

18 Synchronisation 3D à l aide des EMST EMST Synchronisation Structure d un EMST Figure: Maillage 3D: Horse Figure: EMST de Horse. Itier 17 / 43

19 Synchronisation 3D à l aide des EMST Problème de sensibilité des EMST EMST Synchronisation Problème de sensibilité Figure: Schéma du problème de sensibilité. Soit G = (V, E, ω) un graphe. Soit T l EMST de G. Soit v V une sommet de G. Question : Comment peut on déplacer v sans changer les connexions dans T? V. Itier 18 / 43

20 Synchronisation 3D à l aide des EMST Problème de sensibilité des EMST EMST Synchronisation Solution: Introduire 2 contraintes de déplacement maximal des sommets : r,le rapprochement d un sommet à un autre. r +,l éloignement d un sommet à un autre. r Dépend des distances calculés avant par l algorithme de Prim. V. Itier 19 / 43

21 Synchronisation 3D à l aide des EMST Problème de sensibilité des EMST EMST Synchronisation r + Dépend du second sommet le plus proche. r + Dépend de la cellule de Voronoï. V. Itier 20 / 43

22 Synchronisation 3D à l aide des EMST EMST Synchronisation Résultats expérimentaux V. Itier 21 / 43

23 Synchronisation 3D à l aide des EMST EMST Synchronisation Résultats expérimentaux V. Itier 21 / 43

24 Synchronisation 3D à l aide des EMST EMST Synchronisation Résultats expérimentaux V. Itier 21 / 43

25 Synchronisation 3D à l aide des EMST EMST Synchronisation Résultats expérimentaux V. Itier 21 / 43

26 Synchronisation 3D à l aide des EMST EMST Synchronisation Résultats expérimentaux V. Itier 21 / 43

27 Synchronisation 3D à l aide des EMST EMST Synchronisation Résultats expérimentaux V. Itier 21 / 43

28 Résultats Synchronisation 3D à l aide des EMST Résultats expérimentaux V. Itier 22 / 43

29 Outline Construction d un chemin robuste 1 Introduction 2 État de l art 3 Synchronisation 3D à l aide des EMST 4 Construction d un chemin robuste Principe Partitionnement de l espace Construction Itérative d un chemin unique Résultats expérimentaux 5 Conclusion V. Itier 23 / 43

30 Construction d un chemin robuste Principe Construction d un chemin robuste Constatations: Problème des arêtes de mêmes tailles. Décimation des x%, pas très efficace. Figure: Algorithme de Prim à t = 2. Solutions: Limitation du choix à certaine arêtes. Décimation par clustering. V. Itier 24 / 43

31 Construction d un chemin robuste Principe Construction d un chemin robuste Constatations: Problème des arêtes de mêmes tailles. Décimation des x%, pas très efficace. Figure: Algorithme de Prim à t = 2. Solutions: Limitation du choix à certaine arêtes. Décimation par clustering. V. Itier 24 / 43

32 Construction d un chemin robuste Principe Construction d un chemin robuste Étapes: Décimation avec clustering. Construction d un graphe G = (V, E) sur les centroïds C i des n clusters K 0,...,n 1 tel que V = {C 0,..., C n 1 }. Caractérisation d un conflit. Construction itérative du chemin Hamiltonien sur le graphe G. V. Itier 25 / 43

33 Construction d un chemin robuste Principe Construction d un chemin robuste 3D Vertex Cloud Clustering 3D Vertex Cloud Evenly Divided Iterative Hamiltonian Path Buiding Unique Hamiltonian Vertex Cloud Path Wanted Robustness Number of Data Secret Key Figure: Schéma général de la méthode proposée. V. Itier 26 / 43

34 Construction d un chemin robuste Construction d un chemin robuste Partitionnement de l espace Figure: Modèle 3D Figure: Découpage du volume englobant. Itier 27 / 43

35 Construction d un chemin robuste Partitionnement de l espace Construction d un chemin robuste Division du volume englobant: Calcul du nombre de sous-cubes. Division en sous-cubes. Création des clusters et calcul des centroïds centres des clusters. Figure: Armadillo sommets; décomposition en 372 clusters. Figure: Armadillo décimé 372 sommets. V. Itier 28 / 43

36 Construction d un chemin robuste Construction Itérative d un chemin unique Construction d un chemin robuste Chemin Hamiltonien: Trouver un chemin Hamiltonien dans un graphe. Un chemin passant par tous les sommets une et une seule fois. NP-complet. Facile sur un graphe complet. Figure: Chemin Hamiltonien. V. Itier 29 / 43

37 Construction d un chemin robuste Construction d un chemin robuste Construction Itérative d un chemin unique 3D Vertex Cloud Evenly Divided Nearest Vertex Choosing Seed Conflicts Checking Adding seed to Path Unique Hamiltonian Vertex Cloud Path Secret Key Clusters Neighbours Search Merge/Split Figure: Schéma détaillé. V. Itier 30 / 43

38 Construction d un chemin robuste Construction Itérative d un chemin unique Construction d un chemin robuste Notations: Le graphe complet G = (V, E). C i V le sommet du graphe choisit à t = i. A t = 0, C 0 donné par la clé. C j V le sommet le plus proche, candidat à t = i + 1. C k V \ {C 0,..., C i, C j } l ensemble des sommets candidats. Définition d un conflit: d(c i, C j ) < d(c i, C k ), d(c i, C j ) min(d(c i, C k )) < γ. V. Itier 31 / 43

39 Construction d un chemin robuste Construction Itérative d un chemin unique Construction d un chemin robuste Caractérisation des conflits: Si C j est en conflit avec C k, K j voisin de K k = Fusion. K j non voisin de K k = Division. V. Itier 32 / 43

40 Construction d un chemin robuste Construction Itérative d un chemin unique Construction d un chemin robuste Fusion: 2 niveaux: Sur le maillage: K j K k = K jk. Sur le graphe: G = (V, E ) tel que V = V \ {C j, C k } C jk. V. Itier 33 / 43

41 Construction d un chemin robuste Construction d un chemin robuste Construction Itérative d un chemin unique Division: 2 niveaux: Sur le maillage division suivant les axes: K j = K j1, K j2. K k = K k1, K k2. Sur le graphe: G = (V, E ) tel que V = V \ {C j, C k } {C j1, C j2, C k1, C k2 }. K j. Division selon un plan aligné par rapport aux axes. V. Itier 34 / 43 K j1, K j2.

42 Résultats Construction d un chemin robuste Résultats expérimentaux Modèles utilisés: Modèles normalisés en fonction de leur volume englobant. Modèle Nombre de sommets Bunny Horse Armadillo Blade Bunny. Horse. Armadillo. Blade. V. Itier 35 / 43

43 Résultats Construction d un chemin robuste Résultats expérimentaux Figure: Clusters, Fusion/Division. Figure: Chemin Hamiltonien.. Itier 36 / 43

44 Construction d un chemin robuste Résultats expérimentaux Résultats Résistance à un bruit Gaussien σ = 10 6 : Différence des chemins Hamiltoniens entre un modèle original et celui bruité. Bleu : Arêtes communes. Vert : Arêtes du modèle non bruité. Rouge : Arêtes du modèle bruité. V. Itier 37 / 43

45 Résultats Construction d un chemin robuste Résultats expérimentaux Figure: Chemin Hamiltonien avec une décimation naïve. Figure: Chemin Hamiltonien avec notre méthode.. Itier 38 / 43

46 Résultats Construction d un chemin robuste Résultats expérimentaux 100 average size of a cluster: % common edges Armadillo ArmadilloND blade bladend bunny bunnynd horse horsend noise sigma V. Itier 39 / 43

47 Outline Conclusion 1 Introduction 2 État de l art 3 Synchronisation 3D à l aide des EMST 4 Construction d un chemin robuste 5 Conclusion V. Itier 40 / 43

48 Conclusion Conclusion Amélioration des résultats: Robustesse au bruit. Réduction de la complexité. V. Itier, W. Puech, J.P. Pedboy, and G. Gesquière Construction of a unique and robust Hamiltonian path for vertex Cloud. IEEE MMSP, V. Itier 41 / 43

49 Conclusion Conclusion Perspectives: Amélioration du clustering. Proposer une méthode de tatouage. En soumission : V. Itier, N. Tournier, W. Puech, G. Subsol and J.P. Pedboy Analysis of an EMST-based algorithm for vertex ordering in 3D meshes. IEEE TMM, V. Itier 42 / 43

50 Questions Conclusion Merci de votre attention. V. Itier 43 / 43

Big Data et Graphes : Quelques pistes de recherche

Big 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 détail

Big Data et Graphes : Quelques pistes de recherche

Big 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 détail

TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes

TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes TRS: Sélection des sous-graphes représentants par l intermédiaire des attributs topologiques et K-medoïdes Mohamed Moussaoui,Wajdi Dhifli,Sami Zghal,Engelbert Mephu Nguifo FSJEG, Université de Jendouba,

Plus en détail

Mesure agnostique de la qualité des images.

Mesure agnostique de la qualité des images. Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire

Plus en détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55

Plus en détail

Présent et futur dans la normalisation de la compression 3D

Présent et futur dans la normalisation de la compression 3D Présent et futur dans la normalisation de la compression 3D Khaled MAMOU Marius PREDA Authoring 3D Graphics Chain : Authoring and Publishing Very heterogeneous production chain: -A 3D Asset is processed

Plus en détail

Introduction au maillage pour le calcul scientifique

Introduction au maillage pour le calcul scientifique Introduction au maillage pour le calcul scientifique CEA DAM Île-de-France, Bruyères-le-Châtel franck.ledoux@cea.fr Présentation adaptée du tutorial de Steve Owen, Sandia National Laboratories, Albuquerque,

Plus en détail

ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection

ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection Nicolas HEULOT (CEA LIST) Michaël AUPETIT (CEA LIST) Jean-Daniel FEKETE (INRIA Saclay) Journées Big Data

Plus en détail

Technique de compression des images médicales 4D

Technique de compression des images médicales 4D Technique de compression des images médicales 4D Leila Belhadef 1 et Zoulikha Mekkakia 1 1 Département d Informatique, USTO-MB, BP 1505 El Mnaouer, Oran, Algérie l.belhadef@gmail.com, mekkakia@univ-usto.dz

Plus en détail

Historique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications

Historique. 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 détail

Introduction à MATLAB R

Introduction à MATLAB R Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d

Plus en détail

Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012. Better Match, Faster Innovation

Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012. Better Match, Faster Innovation Better Match, Faster Innovation Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012 Meeting on the theme of High Performance Computing TABLE DES MATIÈRES Qu est ce qu un imatch? STI

Plus en détail

Performances. Gestion des serveurs (2/2) Clustering. Grid Computing

Performances. 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 détail

Ebauche Rapport finale

Ebauche Rapport finale Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide

Plus en détail

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction

Plus en détail

Modélisation multi-agents - Agents réactifs

Modélisation 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 détail

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas

Plus en détail

Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12

Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité

Plus en détail

Introduction aux algorithmes MapReduce. Mathieu Dumoulin (GRAAL), 14 Février 2014

Introduction aux algorithmes MapReduce. Mathieu Dumoulin (GRAAL), 14 Février 2014 Introduction aux algorithmes MapReduce Mathieu Dumoulin (GRAAL), 14 Février 2014 Plan Introduction de la problématique Tutoriel MapReduce Design d algorithmes MapReduce Tri, somme et calcul de moyenne

Plus en détail

La classification automatique de données quantitatives

La 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 détail

Sauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS

Sauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS Sauvegarde collaborative entre pairs 1 Sauvegarde collaborative entre pairs Ludovic Courtès LAAS-CNRS Sauvegarde collaborative entre pairs 2 Introduction Pourquoi pair à pair? Utilisation de ressources

Plus en détail

COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume

COURS 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 détail

Les fonctions de hachage, un domaine à la mode

Les fonctions de hachage, un domaine à la mode Les fonctions de hachage, un domaine à la mode JSSI 2009 Thomas Peyrin (Ingenico) 17 mars 2009 - Paris Outline Qu est-ce qu une fonction de hachage Comment construire une fonction de hachage? Les attaques

Plus en détail

Géométrie Algorithmique Plan du cours

Géométrie Algorithmique Plan du cours Plan du cours Introduction Triangulation de polygones Recherche/localisation Diagrammes de Voronoï Triangulation de Delaunay Arbres de partition binaire 1 Intersection de segments de droite Intersection

Plus en détail

SIMULATION HYBRIDE EN TEMPOREL D UNE CHAMBRE REVERBERANTE

SIMULATION HYBRIDE EN TEMPOREL D UNE CHAMBRE REVERBERANTE SIMULATION HYBRIDE EN TEMPOREL D UNE CHAMBRE REVERBERANTE Sébastien LALLECHERE - Pierre BONNET - Fatou DIOUF - Françoise PALADIAN LASMEA / UMR6602, 24 avenue des landais, 63177 Aubière pierre.bonnet@lasmea.univ-bpclermont.fr

Plus en détail

Gestion des Clés Publiques (PKI)

Gestion des Clés Publiques (PKI) Chapitre 3 Gestion des Clés Publiques (PKI) L infrastructure de gestion de clés publiques (PKI : Public Key Infrastructure) représente l ensemble des moyens matériels et logiciels assurant la gestion des

Plus en détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail

Visualisation 3D dans les SIG ; vers une approche basée sur des standards. Laboratoire d'informatique en Image et Systèmes d'information

Visualisation 3D dans les SIG ; vers une approche basée sur des standards. Laboratoire d'informatique en Image et Systèmes d'information 1 Visualisation 3D dans les SIG ; vers une approche basée sur des standards Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon

Plus en détail

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1 Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation

Plus en détail

Big Graph Data Forum Teratec 2013

Big Graph Data Forum Teratec 2013 Big Graph Data Forum Teratec 2013 MFG Labs 35 rue de Châteaudun 75009 Paris, France www.mfglabs.com twitter: @mfg_labs Julien Laugel MFG Labs julien.laugel@mfglabs.com @roolio SOMMAIRE MFG Labs Contexte

Plus en détail

La 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 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 détail

PROGRAMME DU CONCOURS DE RÉDACTEUR INFORMATICIEN

PROGRAMME DU CONCOURS DE RÉDACTEUR INFORMATICIEN PROGRAMME DU CONCOURS DE RÉDACTEUR INFORMATICIEN 1. DÉVELOPPEMENT D'APPLICATION (CONCEPTEUR ANALYSTE) 1.1 ARCHITECTURE MATÉRIELLE DU SYSTÈME INFORMATIQUE 1.1.1 Architecture d'un ordinateur Processeur,

Plus en détail

Choisir le mode d envoi souhaité. Option 1 : Envoyer un SMS à un nombre réduit de numéros (0 10 )

Choisir le mode d envoi souhaité. Option 1 : Envoyer un SMS à un nombre réduit de numéros (0 10 ) Ce service permet d effectuer des envois de SMS texte à partir d une source de numéros de GSM (Maroc Telecom, Meditel,INWI ou Etrangers) sous format texte ou sous format Excel. Il est nécessaire au préalable

Plus en détail

Détection et suivi d'objets dans une séquence d'images par contours actifs

Détection et suivi d'objets dans une séquence d'images par contours actifs Détection et suivi d'objets dans une séquence d'images par contours actifs A. Fekir (1), N. Benamrane (2) et A. Taleb-Ahmed (3) (1) Département d informatique, Université de Mustapha Stambouli, BP 763,

Plus en détail

Compte-rendu re union Campus AAR 3 mars 2015

Compte-rendu re union Campus AAR 3 mars 2015 Compte-rendu re union Campus AAR 3 mars 2015 Table des matières Liste d actions... 2 I. Environnement d analyse : INA, Armadillo... 3 a. Connexion de l outil INA avec API Armadillo... 3 b. Outil d analyse

Plus en détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 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 détail

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines

Plus en détail

Hadoop, les clés du succès

Hadoop, les clés du succès Hadoop, les clés du succès Didier Kirszenberg, Responsable des architectures Massive Data, HP France Copyright 2015 Hewlett-Packard Development Company, L.P. The information contained herein is subject

Plus en détail

Programme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique

Programme 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 détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

DECLARATION DES PERFORMANCES N 1

DECLARATION DES PERFORMANCES N 1 DECLARATION DES PERFORMANCES N 1 Résistance mécanique C18 EN 1912 : 2012 + EN 338 :2009 DECLARATION DES PERFORMANCES N 2 Résistance mécanique C24 EN 1912 : 2012 + EN 338 :2009 DECLARATION DES PERFORMANCES

Plus en détail

Limitations of the Playstation 3 for High Performance Cluster Computing

Limitations 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 détail

Our experience in using Apache Giraph for computing the diameter of large graphs. Paul Bertot - Flavian Jacquot

Our experience in using Apache Giraph for computing the diameter of large graphs. Paul Bertot - Flavian Jacquot Our experience in using Apache Giraph for computing the diameter of large graphs Paul Bertot - Flavian Jacquot Plan 1. 2. 3. 4. 5. 6. Contexte Hadoop Giraph L étude Partitionnement ifub 2 1. Contexte -

Plus en détail

Traitement bas-niveau

Traitement bas-niveau Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.

Plus en détail

SGBDR. Systèmes de Gestion de Bases de Données (Relationnelles)

SGBDR. Systèmes de Gestion de Bases de Données (Relationnelles) SGBDR Systèmes de Gestion de Bases de Données (Relationnelles) Plan Approches Les tâches du SGBD Les transactions Approche 1 Systèmes traditionnels basés sur des fichiers Application 1 Gestion clients

Plus en détail

ANALYSE CATIA V5. 14/02/2011 Daniel Geffroy IUT GMP Le Mans

ANALYSE 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 détail

Etude d Algorithmes Parallèles de Data Mining

Etude d Algorithmes Parallèles de Data Mining REPUBLIQUE TUNISIENNE MINISTERE DE L ENSEIGNEMENT SUPERIEUR, DE LA TECHNOLOGIE ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE DE TUNIS ELMANAR FACULTE DES SCIENCES DE TUNIS DEPARTEMENT DES SCIENCES DE L INFORMATIQUE

Plus en détail

Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias

Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias MÉMOIRE (INF6021) pour l obtention

Plus en détail

Optimisation de la compression fractale D images basée sur les réseaux de neurones

Optimisation de la compression fractale D images basée sur les réseaux de neurones Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com

Plus en détail

Les outils actuels permettent-ils d automatiser la production de cartes? De quels outils dispose-t-on?

Les outils actuels permettent-ils d automatiser la production de cartes? De quels outils dispose-t-on? Le "Portrait de la Biodiversité Communale" est un document réalisé au niveau national pour chaque commune, regroupant les connaissances publiques disponibles et mobilisables à l'échelle nationale en matière

Plus en détail

Programmation parallèle et distribuée

Programmation parallèle et distribuée Programmation parallèle et distribuée (GIF-4104/7104) 5a - (hiver 2015) Marc Parizeau, Département de génie électrique et de génie informatique Plan Données massives («big data») Architecture Hadoop distribution

Plus en détail

Initiation à LabView : Les exemples d applications :

Initiation à LabView : Les exemples d applications : Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple

Plus en détail

e-biogenouest CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé

e-biogenouest CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé e-biogenouest Coordinateur : Olivier Collin Animateur : Yvan Le Bras CNRS UMR 6074 IRISA-INRIA / Plateforme de Bioinformatique GenOuest yvan.le_bras@irisa.fr Programme fédérateur Biogenouest co-financé

Plus en détail

Vers l'orchestration de grilles de PC par les mécanismes de publicationsouscription

Vers l'orchestration de grilles de PC par les mécanismes de publicationsouscription Vers l'orchestration de grilles de PC par les mécanismes de publicationsouscription Présentée par Leila Abidi Sous la direction de Mohamed Jemni & Christophe Cérin Plan Contexte Problématique Objectifs

Plus en détail

Cassandra et Spark pour gérer la musique On-line

Cassandra et Spark pour gérer la musique On-line Cassandra et Spark pour gérer la musique On-line 16 Juin 2015 @ Paris Hammed RAMDANI Architecte SI 3.0 et BigData mramdani@palo-it.com +33 6 80 22 20 70 Appelez-moi Hammed ;-) (Sidi Mo)Hammed Ramdani @smramdani

Plus en détail

Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR

Reconstruction 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 détail

Évaluation d une architecture de stockage RDF distribuée

Évaluation d une architecture de stockage RDF distribuée Évaluation d une architecture de stockage RDF distribuée Maeva Antoine 1, Françoise Baude 1, Fabrice Huet 1 1 INRIA MÉDITERRANÉE (ÉQUIPE OASIS), UNIVERSITÉ NICE SOPHIA-ANTIPOLIS, I3S CNRS prénom.nom@inria.fr

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

Plus en détail

SharePoint Foundation 2013 Construire un intranet collaboratif en PME (édition enrichie de vidéos)

SharePoint Foundation 2013 Construire un intranet collaboratif en PME (édition enrichie de vidéos) Présentation des technologies SharePoint 1. Introduction 19 2. Enjeux 20 3. Les pièges à éviter 22 4. Présentation technologique 22 4.1 Historique 23 4.2 Briques fonctionnelles et comparatif des éditions

Plus en détail

Analyse empirique et modélisation de la dynamique de la topologie de l Internet

Analyse empirique et modélisation de la dynamique de la topologie de l Internet Analyse empirique et modélisation de la dynamique de la topologie de l Internet Sergey Kirgizov Directrice de thèse: Clémence Magnien Complex Networks, LIP6, (UPMC, CNRS) Paris, 12 décembre 2014 Plan 1

Plus en détail

Apprentissage Automatique

Apprentissage 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 détail

Les capitalistes sociaux sur Twitter : détection via des mesures de similarité

Les capitalistes sociaux sur Twitter : détection via des mesures de similarité Les capitalistes sociaux sur Twitter : détection via des mesures de similarité Nicolas Dugué, Anthony Perez LIFO - Université d Orléans rue Léonard de Vinci B.P. 6759 F-45067 ORLEANS Cedex 2 FRANCE RÉSUMÉ.

Plus en détail

Développements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière

Développements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière Développements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière Principaux contributeurs: Zhang Xiaopeng (CASIA-NLPR-LIAMA Coordinateur Groupe Image) Li HongJun (CASIA-NLPR-LIAMA

Plus en détail

Les structures de données. Rajae El Ouazzani

Les structures de données. Rajae El Ouazzani Les structures de données Rajae El Ouazzani Les arbres 2 1- Définition de l arborescence Une arborescence est une collection de nœuds reliés entre eux par des arcs. La collection peut être vide, cad l

Plus en détail

ÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS

ÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS ÉTUDE ET DÉVELOPPEMENT D UN SYSTÈME EXPERT BASÉ SUR LES RÉSEAUX DE NEURONES POUR LE DIAGNOSTIC DES DÉFAUTS DE ROULEMENTS B. Badri 1 ; M. Thomas 1 ; S. Sassi 2 (1) Department of Mechanical Engineering,

Plus en détail

Gestion de projet Gestion de configuration Gestion de Conflits. Lydie du Bousquet Philippe Lalanda

Gestion de projet Gestion de configuration Gestion de Conflits. Lydie du Bousquet Philippe Lalanda Gestion de projet Gestion de configuration Gestion de Conflits Lydie du Bousquet Philippe Lalanda Sommaire Gestion de projet Un projet Le chef de projet La planification Gestion de configuration Gestion

Plus en détail

Curriculum Vitae - Emmanuel Hebrard. Emmanuel Hebrard

Curriculum Vitae - Emmanuel Hebrard. Emmanuel Hebrard Emmanuel Hebrard Adresse 5 Tuckey Street Cork, Ireland emmanuel.hebrard@gmail.com http ://4c.ucc.ie/ ehebrard/home.html Adresse Professionnelle Cork Constraint Computation Centre Cork, Ireland Telephone

Plus en détail

Travail de session : Mémoire. Le clustering de données. Par Nicolas Sola & Mathieu Schmitt

Travail de session : Mémoire. Le clustering de données. Par Nicolas Sola & Mathieu Schmitt Travail de session : Mémoire Le clustering de données Par Nicolas Sola & Mathieu Schmitt Résumé Le travail du clustering consiste à regrouper les données en classe ; nous obtenons par ce biais une forte

Plus en détail

Parallélisme et Répartition

Parallélisme et Répartition Parallélisme et Répartition Master Info Françoise Baude Université de Nice Sophia-Antipolis UFR Sciences Département Informatique baude@unice.fr web du cours : deptinfo.unice.fr/~baude Septembre 2009 Chapitre

Plus en détail

Projet d informatique M1BI : Compression et décompression de texte. 1 Généralités sur la compression/décompression de texte

Projet d informatique M1BI : Compression et décompression de texte. 1 Généralités sur la compression/décompression de texte Projet d informatique M1BI : Compression et décompression de texte Le but de ce projet est de coder un programme réalisant de la compression et décompression de texte. On se proposera de coder deux algorithmes

Plus en détail

SQL Server 2012 et SQL Server 2014

SQL Server 2012 et SQL Server 2014 SQL Server 2012 et SQL Server 2014 Principales fonctions SQL Server 2012 est le système de gestion de base de données de Microsoft. Il intègre un moteur relationnel, un outil d extraction et de transformation

Plus en détail

Gestion hybride de la mémoire dynamique dans les systèmes Java temps-réel

Gestion hybride de la mémoire dynamique dans les systèmes Java temps-réel Gestion hybride de la mémoire dynamique dans les systèmes Java temps-réel Nicolas Berthier Stage de Magistère M encadré par Christophe Rippert et Guillaume Salagnac Laboratoire Vérimag Septembre 007 Résumé

Plus en détail

Polissage des Miroirs d Advanced Virgo : un nouveau défi. Les solutions envisagées

Polissage des Miroirs d Advanced Virgo : un nouveau défi. Les solutions envisagées Polissage des Miroirs d Advanced Virgo : un nouveau défi Les solutions envisagées Laurent PINARD Responsable Technique Laboratoire des Matériaux Avancés - Lyon 1 Plan de l exposé Introduction Virgo, les

Plus en détail

Présentation du module Base de données spatio-temporelles

Présentation du module Base de données spatio-temporelles Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes

Plus en détail

Catalogue de formation

Catalogue de formation Enregistré sous le numéro : 11 91 012 9991 auprès du Commissaire de la République de la Région Ile de France et du Département de Paris, CADLM propose un ensemble de formation dont les programmes sont

Plus en détail

PRESENTATION / FORMATION

PRESENTATION / FORMATION PRESENTATION / FORMATION Utilisation de l'outil «Open Office BASE» Présentation générale OpenOffice Base vous permet d'accéder à des données enregistrées dans divers formats de fichier de base de données.

Plus en détail

SQL Server 2014 Administration d'une base de données transactionnelle avec SQL Server Management Studio

SQL Server 2014 Administration d'une base de données transactionnelle avec SQL Server Management Studio Présentation 1. Introduction 13 2. Présentation de SQL Server 14 2.1 Qu'est-ce qu'un SGBDR? 15 2.2 Mode de fonctionnement client/serveur 16 2.3 Les plates-formes possibles 18 2.4 Les composants de SQL

Plus en détail

Tatouage, watermarking, MPEG-4, objets vidéo, manipulation, robustesse, ACP, morphing.

Tatouage, watermarking, MPEG-4, objets vidéo, manipulation, robustesse, ACP, morphing. Tatouage d objets vidéos résistant aux manipulations Video object watermarking robust to manipulations par Patrick BAS, Benoît MACQ Laboratoire Tele, Bâtiment Stevin, Place du Levant, B-1348 Louvain-la-Neuve,

Plus en détail

Rétablissement d un réseau cellulaire après un désastre

Rétablissement d un réseau cellulaire après un désastre Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après

Plus en détail

Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier

Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration

Plus en détail

SQL Server 2012 - Administration d'une base de données transactionnelle avec SQL Server Management Studio (édition enrichie de vidéos)

SQL Server 2012 - Administration d'une base de données transactionnelle avec SQL Server Management Studio (édition enrichie de vidéos) Présentation 1. Introduction 13 2. Présentation de SQL Server 14 2.1 Qu'est-ce qu'un SGBDR? 14 2.2 Mode de fonctionnement Client/Serveur 16 2.3 Les plates-formes possibles 17 2.4 Les composants de SQL

Plus en détail

Ne cherchez plus, soyez informés! Robert van Kommer

Ne cherchez plus, soyez informés! Robert van Kommer Ne cherchez plus, soyez informés! Robert van Kommer Le sommaire La présentation du contexte applicatif Le mariage: Big Data et apprentissage automatique Dialogues - interactions - apprentissages 2 Le contexte

Plus en détail

Compression de maillages 3D statiques et dynamiques

Compression de maillages 3D statiques et dynamiques UNIVERSITE RENE DESCARTES - PARIS V Centre Universitaire des Saints-Pères UFR DE MATHEMATIQUES ET INFORMATIQUE Thèse présentée en vue de l obtention du grade de Docteur de l Université RENE DESCARTES -

Plus en détail

Fast and furious decision tree induction

Fast and furious decision tree induction Institut National des Sciences Appliquées de Rennes Rapport de pré-étude Encadrants : Nikolaos Parlavantzas - Christian Raymond Fast and furious decision tree induction Andra Blaj Nicolas Desfeux Emeline

Plus en détail

Compression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette

Compression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où

Plus en détail

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003 Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation

Plus en détail

Datawarehouse and OLAP

Datawarehouse and OLAP Datawarehouse and OLAP Datawarehousing Syllabus, materials, notes, etc. See http://www.info.univ-tours.fr/ marcel/dw.html today architecture ETL refreshing warehousing projects architecture architecture

Plus en détail

Introduction à MapReduce/Hadoop et Spark

Introduction à MapReduce/Hadoop et Spark 1 / 36 Introduction à MapReduce/Hadoop et Spark Certificat Big Data Ludovic Denoyer et Sylvain Lamprier UPMC Plan 2 / 36 Contexte 3 / 36 Contexte 4 / 36 Data driven science: le 4e paradigme (Jim Gray -

Plus en détail

Compression scalable d'images vidéo par ondelettes 2D+t

Compression scalable d'images vidéo par ondelettes 2D+t Comression scalable d'images vidéo ar ondelettes 2D+t Madji Samia, Serir Amina et Ouanane Abdelhak Université des Sciences et de la Technologie Houari Boumediene, Laboratoire de traitement d images et

Plus en détail

Théorie des Contraintes Conférence du 18/11/2005

Théorie des Contraintes Conférence du 18/11/2005 www.psynapses.net Théorie des Contraintes Conférence du 18/11/2005, Psynapses 1 Agenda Vue d ensemble Programme de la journée Psynapses et ARC Advisory Group 2 Qu est-ce que la TOC? (Theory Of Contraints)

Plus en détail

Lamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013

Lamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013 Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,

Plus en détail

Algorithmique et Programmation

Algorithmique et Programmation École Supérieure d Ingénieurs de Poitiers Gea Algorithmique et Programmation Laurent Signac ii Algorithmique et programmation Gea Table des matières Avant Propos v Structures de données Notion de pointeur..............................................

Plus en détail

Nicolas ZERBIB CORNING

Nicolas ZERBIB CORNING Nicolas ZERBIB CORNING Evolutions récentes des technologies et architectures 40/100 Gb dans les Datacenters Nicolas ZERBIB Sales Director South and Eastern Europe CORNING OPTICAL COMMUNICATIONS EMEA Enterprise

Plus en détail

http://blog.khaledtannir.net

http://blog.khaledtannir.net Algorithme de parallélisations des traitements Khaled TANNIR Doctorant CIFRE LARIS/ESTI http://blog.khaledtannir.net these@khaledtannir.net 2e SéRI 2010-2011 Jeudi 17 mars 2011 Présentation Doctorant CIFRE

Plus en détail

Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée

Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée Colloque : Systèmes Complexes d Information et Gestion des Risques pour l Aide à la Décision Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée BELKADI

Plus en détail

Apprentissage statistique dans les graphes et les réseaux sociaux

Apprentissage statistique dans les graphes et les réseaux sociaux Apprentissage statistique dans les graphes et les réseaux sociaux Patrick Gallinari Collaboration : L. Denoyer, S. Peters Université Pierre et Marie Curie AAFD 2010 1 Plan Motivations et Problématique

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat 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 détail

Cours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.

Cours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera. Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre

Plus en détail

Introduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)

Introduction 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 détail

UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY

UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY Yvan Le Bras yvan.le_bras@irisa.fr Cyril Monjeaud, Mathieu Bahin, Claudia Hériveau, Olivier Quenez, Olivier Sallou, Aurélien Roult, Olivier

Plus en détail