Reconstruction phylogénétique
|
|
- Armand Jean-Luc Marin
- il y a 8 ans
- Total affichages :
Transcription
1 Reconstruction phylogénétique Yves Desdevises Université Pierre et Marie Curie Observatoire Océanologique de Banyuls Sophie Sanchez-Ferandin
2 Références Darlu P. et Tassy P Reconstruction phylogénétique : concepts et méthodes. Masson. Perrière G. et Brochier C Concepts et méthodes en phylogénie moléculaire. Springer. Lemey P., Salemi M. et Vandamme A.-M The phylogenetic handbook. Second Edition. Cambridge University Press. Hall B Phylogenetic trees made easy. Fourth Edition. Sinauer. Felsenstein J Inferring phylogenies. Sinauer. Page R. et Holmes E Molecular evolution: a phylogenetic approach. Blackwell.
3 But : proposer une hypothèse des liens de parenté entre plusieurs taxons Phylogénie = arbre évolutif ( échelle) Spéciation : binaire
4 Historique / Représentation d arbres Animaux apathiques Le «progrès évolutif» selon Lamarck Animaux sensibles Animaux «évolués» Philosophie zoologique 1809
5 Historique / Représentation d arbres Arbre dichotomique de Darwin Renversement de la lecture de la généalogie. Temps géologique de bas en haut. Dichotomies
6 Historique / Représentation d arbres Haeckel (1866)
7 Historique / Représentation d arbres Haeckel (1866)
8 Arbres phylogénétiques Labrichthys unilineatus Thalassoma bifasciatum Thalassoma lutescens Clepticus parrae Bodianus rufus Coris julis Hemigymnus fasciatus Hemigymnus melapterus Pictilabrus laticlavius Thalassoma lunare Notolabrus tetricus Pagrus major Symphodus mediterraneus Symphodus melanocercus Symphodus ocellatussymphodus tinca Labroides dimidiatus Anampses caeruleopunctatus Symphodus Symphodus cinereus roissali Anampses geographicus Labropsis australis Halichoeres marginatus Ctenolabrus rupestris Stetojulis albovittata Stetojulis bandanensis Cheilinus chlorourus Cheilinus trilobatus Epibulus incidiator Labrus viridis merula Halichoeres hortulanus Halichoeres margaritaceus Symphodus roissali Symphodus cinereus Symphodus tinca Symphodus ocellatus Symphodus mediterraneus Symphodus melanocercus Ctenolabrus rupestris Labrus merula Labrus viridis Cheilinus trilobatus Cheilinus chlorourus Epibulus incidiator Stetojulis albovittata Stetojulis bandanensis Halichoeres hortulanus Halichoeres margaritaceus Labropsis australis Halichoeres marginatus Anampses geographicus Anampses caeruleopunctatus Labroides dimidiatus Labrichthys unilineatus Coris julis Hemigymnus melapterus Hemigymnus fasciatus Thalassoma bifasciatum Thalassoma lunare Thalassoma lutescens Pictilabrus laticlavius Notolabrus tetricus Bodianus rufus Clepticus parrae Pagrus major Symphodus roissali Symphodus cinereus Symphodus tinca Symphodus ocellatus Symphodus mediterraneus Symphodus melanocercus Ctenolabrus rupestris Labrus merula Labrus viridis Cheilinus trilobatus Cheilinus chlorourus Epibulus incidiator Stetojulis albovittata Stetojulis bandanensis Halichoeres hortulanus Halichoeres margaritaceus Labropsis australis Halichoeres marginatus Anampses geographicus Anampses caeruleopunctatus Labroides dimidiatus Labrichthys unilineatus Coris julis Hemigymnus melapterus Hemigymnus fasciatus Thalassoma bifasciatum Thalassoma lunare Thalassoma lutescens Pictilabrus laticlavius Notolabrus tetricus Bodianus rufus Clepticus parrae Pagrus major Symphodus roissali Symphodus cinereus Symphodus tinca Symphodus ocellatus Symphodus mediterraneus Symphodus melanocercus Ctenolabrus rupestris Labrus merula Labrus viridis Labrichthys unilineatus Labroides dimidiatus Anampses caeruleopunctatus Anampses geographicus Halichoeres marginatus Labropsis australis Halichoeres margaritaceus Halichoeres hortulanus Stetojulis bandanensis Hemigymnus melapterus Coris julis Stetojulis albovittata Epibulus incidiator Hemigymnus fasciatus Cheilinus trilobatus Cheilinus chlorourus Cheilinus trilobatus Cheilinus chlorourus Epibulus incidiator Stetojulis albovittata Stetojulis bandanensis Halichoeres hortulanus Halichoeres margaritaceus Labropsis australis Halichoeres marginatus Anampses geographicus Anampses caeruleopunctatus Labroides dimidiatus Labrichthys unilineatus Coris julis Hemigymnus melapterus Hemigymnus fasciatus Thalassoma bifasciatum Thalassoma lunare Thalassoma lutescens Pictilabrus laticlavius Notolabrus tetricus Bodianus rufus Clepticus parrae Pagrus major Thalassoma bifasciatum Labrus viridis Labrus merula Thalassoma lunare Thalassoma lutescens Symphodus roissali Symphodus cinereus Symphodus tinca Symphodus ocellatus Symphodus mediterraneus Symphodus melanocercus Ctenolabrus rupestris Pictilabrus laticlavius Notolabrus tetricus Bodianus rufus Clepticus parrae Pagrus major
9 Arbres phylogénétiques Feuilles = taxons terminaux Branches terminales A B C D E F G H I J Noeud Polytomie Branches intérieures Racine
10 Arbres phylogénétiques Cladogrammes Pas de longueurs de branches Clades Phylogrammes Longueurs de branches
11 Enracinement Pour orienter l arbre Utilisation d un extra-groupe (hors-groupe = groupe externe = outgroup) Reste = groupe interne (ingroup) Arbre non enraciné Arbre enraciné extra-groupe ajout d un extra-groupe
12 Extra-groupe : groupe frère (sister-group) hors de l ingroup Caractères partagés entre outgroup et ingroup = caractères ancestraux Parfois pas d extra-groupe : enracinement au point équidistant des extrémités de l arbre B (suppose longueurs de branches) = midpoint rooting C E B A C D F E A D F
13 Enracinement Arbre non raciné Ex. Arbre non raciné à 4 unités taxonomiques???? Plusieurs scénarios évolutifs possibles mais un seul est vrai! Position de la racine obtenue grâce à des données indépendantes
14 Clade = groupe monophylétique Ex. de groupe non naturel (=paraphylétique) Ancêtre des Reptiles Les Reptiles : groupe paraphylétique = comprend un ancêtre et une partie seulement de ses descendants Li, Molecular Evolution
15 Clades Monophylétique : groupe naturel Mammifères Paraphylétique Reptiles Polyphylétique Algues, protozoaires
16 But : proposer une hypothèse des liens de parenté entre plusieurs taxons Phylogénie = arbre évolutif ( échelle) Spéciation : binaire Basé sur l homologie : similarité résultant de l héritage d un ancêtre commun Indication de l existence d un ancêtre commun Sert à la construction d un arbre phylogénétique Peut également être identifiable à l aide d un arbre phylogénétique
17 La phylogénie est basée sur l observation de caractères sur des taxons Taxon : groupe d organismes reconnu en tant qu unité formelle, à chacun des niveaux de la classification (Simpson, 1961). Exemples : Individu - Espèce Genre Famille Ordre - etc Caractère : attribut observable d un organisme (Darlu et Tassy, 1993). Peuvent être de différentes natures : morphologiques, anatomiques, cytologiques, chromosomiques, moléculaires A B C taxons observation
18 Caractères Organismes composés de différentes caractéristiques Ces caractéristiques prennent des formes différentes selon les taxons : états de caractères L ensemble des états d un caractère constituent un caractère Ces états sont produits par des changements héritables L inférence phylogénétique se fait à partir des différences entre états de caractères
19 On cherche à établir le lien entre ancêtre et descendant par la présence/absence d un état de caractère On cherche l apparition de nouveaux états de caractères dans les descendants Les différents états de caractères sont par définition des homologies Les taxons qui partagent ce nouvel état de caractère (dérivé) forment des clades Exemple : les poils chez les mammifères Il est possible de pondérer différentiellement les caractères
20 Lézard Chien Grenouille Humain Changement POILS Absents Présents
21 Homologie
22
23 Caractères ancestraux : plésiomorphies Caractères ancestraux partagés : symplésiomorphies Caractères dérivés : apomorphies Caractères dérivés partagés : synapomorphies Caractérisent idéalement les clades Caractères dérivés non partagés = propres à un taxon : autapomorphies
24
25 Homologies Les homologies sont supposées montrer des similarités en : position structure développement Un critère reconnu pour supporter les homologies est la congruence avec d autres caractères
26 Homoplasies Ce sont les similarités non homologues Résultat d une évolution indépendante Convergence Parallélisme Réversion Brouillent le signal phylogénétique : peuvent conduire à l établissement de fausses relations de parenté
27 Homoplasie
28 Parallélisme Convergence Réversion
29 Lézard Humain QUEUE Absente Présente Grenouille Chien Humain Chien QUEUE Absente Présente Grenouille Lézard
30 Sans homoplasies, l inférence phylogénétique serait facile Problème fondamental de la reconstruction phylogénétique : distinguer les homoplasies (= bruit) du signal Corollaire : la qualité des données (un bon signal phylogénétique) est plus importante que la méthode utilisée
31 S il y a un seul arbre correct, quand des caractères supportent des arbres différents, l un au moins est forcément homoplasique Lézard Chien POILS Absents Présents Grenouille Humain Humain Chien QUEUE Absente Présente Grenouille Lézard
32 Pour résumer :
33 Congruence L arbre choisi est celui qui maximise le nombre de caractères congruents MAMMIFERES Lézard Chien POILS LACTATION... Grenouille Humain Changements
34 Cas des données moléculaires L homoplasie est généralement plus commune avec des données moléculaires que morphologiques Peu d états (4 pour l ADN : A G C T) Chimiquement proches Taux d évolution parfois élevé Pas d identification de l homoplasie par structure ou développement
35 Données Fossiles : rares Caractères morphologiques Caractères moléculaires : ADN, protéines,... - De loin les plus utilisés : modèles, nombreux caractères, moins subjectifs,... - Phylogénie du fragment d ADN ( espèce) - Futur : génomes phylogénomique Autres (comportements, hôtes, habitat,...)
36 Caractères morphologiques Souvent peu nombreux : difficile pour grand nombre de taxons, surtout s ils sont a priori proches Décisions parfois subjectives Processus évolutifs en général mal connus : limite le choix des méthodes Nécessitent un codage - Parfois difficile - Hypothèse sur l évolution des caractères
37 Codage Binaire : Présence/absence = 0/1
38 Codage Binaire : Présence/absence = 0/1 États multiples (non ordonnés ou ordonnés) : définition du nombre de pas entre les états Ordonnés: - codage linéaire : e.g. 0, 1, 2 - codage additif binaire : e.g. 00, 01, 10, 11 - combinaison des deux
39
40 Caractères moléculaires Nucléotides ou aa (pour divergences plus anciennes) Caractères = positions des bases (ou AA) Etats de caractères = nature des bases ou AA Etape primordiale : alignement - Parfois manuel - Méthodes automatiques : retouchage manuel - Pas de test : pas d hypothèse nulle - Peut utiliser information sur la structure II
41 Caractères moléculaires Un changement d état dans un site s appelle une substitution. Les sites qui ont les mêmes états dans chaque séquence sont des sites conservés. - Alignement de séquences d ADN 1 site = 1 caractère avec 5 états possibles : A, C, T ou G + Insertion ou Délétion «INDEL» - Alignement de séquences protéiques 1 site = 1 caractère avec 21 états : 20 acides aminés- + Insertion ou Délétion «INDEL»
42 Nucléotides : 4 états seulement (2 types) Modélisable Homoplasie facile
43 Acides aminés 20 états 5 catégories Modélisation beaucoup plus difficile Codons 61 états!
44 Arbre des gènes arbre des espèces Gènes orthologues ou paralogues Paralogues Orthologues Orthologues Duplication Arbre Gène ancestral
45 Possibilité de transfert de gène Brouillage du signal phylogénétique
46 Alignement < ( HELIX ) < ( Thermus ruber UCCGAUGC-UAAAGA-CCGAAG=CUCAA=CUUCGG=GGGU=GCGUUGGA Th. thermophilus UCCCAUGU-GAAAGA-CCACGG=CUCAA=CCGUGG=GGGA=GCGUGGGA E.coli UCAGAUGU-GAAAUC-CCCGGG=CUCAA=CCUGGG=AACU=GCAUCUGA Ancyst.nidulans UCUGUUGU-CAAAGC-GUGGGG=CUCAA=CCUCAU=ACAG=GCAAUGGA B.subtilis UCUGAUGU-GAAAGC-CCCCGG=CUCAA=CCGGGG=AGGG=UCAUUGGA Chl.aurantiacus UCGGCGCU-GAAAGC-GCCCCG=CUUAA=CGGGGC=GAGG=CGCGCCGA match ** *** * ** ** * ** Hypothèse d homologies positionnelles entre nucléotides ou AA Méthodes Manuelle (Seaview, BioEdit, Se-Al,...) Automatique (ClustalX, MAFFT, POY, MUSCLE, T-Coffee,...) Combinaison des deux (ce qu on fait en général)
47 Alignement plus ou moins facile Séquence codante ou pas Utiliser les AA (codons) pour alignement Considérer les types d AA (taille, polarité, hydrophobicité) Séquences plus ou moins divergentes Homologie variable selon région Alignement atteint par ajout d événements d insertion-délétion (indels) à l aide de gaps : limités par pénalités (sauf aux extrémités)
48 But de l alignement automatique : maximiser le score de l alignement Exemple Dot Plot GATTC GAATTC On définit : Match = +1 Mismatch = 0 Indel = -1
49 GA-TTC GAATTC Score = GATTC- GAATTC Score = G-ATTC GAATTC Score = 4 2 alignements 1 optimaux 1
50 En plus de la pénalité d introduction des gaps (gap opening penalty), on définit une pénalité pour l extension des gaps (gap extension penalty), moins élevée (encourage extension, pas des trous partout) GOP et GEP peuvent varier le long des séquences, en fonction de la présence de gaps et de caractéristiques biochimiques (e.g. AA hydrophiles) On peut aussi pondérer différemment les substitutions (certaines sont plus faciles que d autres ; e.g. pour AA : matrice BLOSUM 62)
51 Problème complexe analytiquement : on ne peut garantir le meilleur alignement quand le nombre de séquences augmente (alignement multiple) Alignement progressif (e.g. Clustal) Calcul d un arbre-guide (NJ) pour alignement des paires de séquences Aligne d abord les séquences les plus proches et ainsi de suite Rapide mais pas de critère d optimalité
52 Alignement global ou local - Global : considère toute la longueur des séquences. Bien si divergence faible et taille similaire - Local : par région. Mieux si régions variables - Hybride (semiglobal ou glocal)
53 Après alignement, possibilité de sélection automatique des régions informatives, en éliminant les régions mal alignées Gblocks Choix de différents critères modifiant la stringence de la sélection
54 Petite sous-unité de l ARNr
55 Alignement de 2 séquences : très facile et rapide Utilisé pour la recherche de séquences similaires ( homologues!) dans des bases de données à des fins d identification BLAST = Basic Local Alignment Search Tool (1990) blastn : nucléotides vs base nucléotides blastx : nucléotides traduits vs base protéines blastp : protéines vs base protéines tblastn : protéines vs base nucléotides traduits tblastx : nucléotides traduits vs nucléotides traduits
56 e-value = expected value : probabilité que la similarité obtenue soit due au hasard Fonction du score, de la longueur de la séquence et de la taille de la base On cherche des e-values très faibles (e.g ) Recherche dans une base de données, un génome, Inférence de la fonction par rapport aux séquences similaires, taxonomie,
57 Saturation Multiple hits Substitutions multiples au même site Affecte les sites qui évoluent rapidement Conduit à une sous-estimation de la distance évolutive entre 2 séquences
58 3 changements visibles 12 changements réels
59 Détection Graphe des transitions (Ti) vs transversions (Tv) Saturation Pas de saturation
60 Selon la position dans le codon
61 Graphes des % différences entre séquences vs temps (si il est disponible)
62 Graphe des distances non corrigées vs corrigées (Jukes-Cantor)
63 Distance non corrigées (% différences entre séquences) Pente = 1 : pas de saturation Distances patristiques (mesurées sur l'arbre)
64 Utilisation de modèles d évolution moléculaire P-distance (distance observée) n est pas un bon estimateur de la distance évolutive réelle correction par des modèles d évolution
65 Correction Utiliser un modèle évolutif pour corriger la divergence entre séquences Eliminer les sites à évolution rapide (e.g. troisième position des codons) Pondérer différemment Ti et Tv Utiliser seulement Tv Utiliser des séquences à évolution plus lente
66 Biais Attraction des longues branches Si la méthode suppose que tous les sites changent au même taux A B A p q p D q q C C D B Vrai arbre Arbre inféré
67 Exemples
68 Exemple mtdna évoluant rapidement chez Bilateria : attiré vers outgroup Cténophora évolue rapidement : attiré vers outgroup Vrai arbre [?]
69 Biais d usage des codons : certains codons davantage utilisés pour les mêmes AA
70 Attention à prendre en compte les différences de composition des bases dans les lignées (LogDet, ML hétérogène) Exemple : % GC pour les thermophiles Aquifex Thermus Aquifex (73%) Bacillus (50%) Bacillus Deinococcus Thermus (72%) Deinococcus (52% G+C) Vrai arbre Arbre inféré
71 Critère d optimalité Pour choisir le meilleur arbre Hypothèse sur le fonctionnement de l évolution Différent selon les méthodes Nombre de pas Somme des longueurs de branches Vraisemblance
72 Plusieurs méthodes La meilleure méthode?? Parcimonie Distance Maximum de vraisemblance Inférence Bayesienne Important : critère d'optimalité. S'il y en a un, il faut comparer les topologies pour trouver la meilleure
73 Topologies : nombre d arbres 3 taxons : 1 arbre non raciné possible 3 taxons : 3 arbres enracinés possibles 4 taxons : 3 arbres non racinés possibles 4 taxons : 15 arbres enracinés possibles 5 taxons : 15 arbres non racinés possibles 5 taxons : 105 arbres enracinés possibles Formule du nombre d arbres non racinés à n feuilles = (2n 5)! / [2 n-3 (n-3)!] et enracinés = (2n 3)! / [2 n-2 (n-2)!] 8 taxons : taxons : taxons : (> atomes dans l univers!!)
74 Algorithmes d'exploration du Treespace Recherche exhaustive : si peu de taxons (10-12 en parcimonie) : examine toutes les topologies Branch-and-Bound : explore une partie de l espace des arbres (environ 20 taxons en parcimonie), efficace Algorithme heuristique : moins efficace, plus rapide : trouver un bon arbre par une agglomération judicieuse des taxons, puis réarranger cette topologie pour en trouver éventuellement une meilleure
75 Treespace Global optimum Suboptimal island of trees Starting trees Treespace
76 Réarrangements : NNI = Nearest-Neighbor Interchange Plus rapide, moins rigoureux que les autres techniques
77 SPR = Subtree Pruning and Regrafting
78 TBR = Tree Bisection Reconnection Plus rigoureux, plus lent Avec un algorithme heuristique, il est bon de lancer plusieurs recherches indépendantes (e.g. 10)
79 Parcimonie
80 Cladistique Deux lignées sont plus proches entre elles que d une autre si elles partagent un ancêtre commun plus récent Hypothèses phylogénétiques = hypothèse d un ancêtre commun Associée à reconstruction par parcimonie MP = Maximum de Parcimonie
81 Principe de parcimonie Rasoir d Ockham Pluralites non est ponenda sine necessitate Favoriser la solution la plus simple Permet de choisir entre plusieurs hypothèses phylogénétiques Maximiser les congruences et minimiser les homoplasies Mesure de l ajustement des caractères aux arbres Méthode basée sur les caractères individuels
82 Ajustement (fit) des caractères Nombre minimum de pas (passage d un état à l autre) requis pour expliquer la distribution observée des états de caractères Cela est déterminé par l optimisation de caractères par parcimonie (mapping) Cette optimisation est différente sur différents arbres Position des changements parfois non unique pour un même arbre et un même nombre de pas : longueurs de branches pas toujours définies
83 Grenouille Crocodile Oiseau Kangourou Chauve-souris Humain Grenouille Kangourou Crocodile Humain Chauve-souris Oiseau Exemple 1 pas Poils Absents Présents 2 pas
84 Exemple Maximum de Parcimonie =privilégier le plus faible nombre de changements évolutifs (=plus faible nombre de pas) A B C A B C X Y X Y A B C X Y 1 pas 2 pas
85 Exemple Maximum de Parcimonie =privilégier le plus faible nombre de changements évolutifs (=plus faible nombre de pas) A B C A B C X Y X Y A B C X Y 1 pas 3 pas
86 Analyse par parcimonie Pour un ensemble de caractères, détermination de l ajustement (nombre de pas) de chaque caractère à l arbre La somme pour tous les caractères (X pondération éventuelle) est appelée la longueur de l arbre Les arbres les plus parcimonieux (MPT = most parsimonious trees) sont ceux qui ont la longueur la plus petite Caractère informatif : au moins 2 états dans 2 taxons Critère d optimalité (= fonction objective) : nombre de pas = longueur de l arbre
87 On peut obtenir un ou plusieurs MPT Plusieurs arbres : consensus Les arbres donnent en même temps des séquences (hypothèses) évolutives des caractères Longueurs de branches : nombre de changements. Généralement sous-estimées. Pas un but de ce type de méthode (longueurs souvent non considérées) Plusieurs mesures pour les arbres et les caractères estiment l ajustement entre arbre et données : degré d homoplasie (CI, RI,...)
88 Consensus Strict Semi-strict Majoritaire
89 Types de caractères Différences des coûts pour les changements d états Wagner (ordonné, additif) : morphologie Fitch (non ordonné, non additif, coûts égaux) : ADN, protéines, morphologie A T G C
90 Sankoff (généralisée) A G 1 pas T C 5 pas Exemple typique : poids différent des transitions et des transversions Coûts symétriques ou asymétriques
91 Transversions (Tv) Py Pu Stepmatrices Purines (Pu) de A G A C G T A à C T C G Pyrimidines (Py) T Transitions (Ti) Py Pu Py Pu Transitions plus faciles Transversions plus nombreuses
92 Parcimonie généralisée = Parcimonie pondérée Fait intervenir des coûts différents pour les changements Minimise la somme des coûts = coût total
93 Problème de la définition des coûts On connaît certains éléments de l évolution moléculaire permettant de jouer sur les coûts Transitions/transversions (Ti/Tv, nombres ou taux) Hétérogénéité du taux de substitution, notamment en fonction de la position dans les codons
94 Algorithmes 1. Calculer les topologies 2. Optimiser tous les caractères et calculer les longueurs Long si beaucoup de taxons Algorithmes Recherche exhaustive : si peu de taxons (10-12) : examine toutes les topologies Branch-and-Bound : explore une partie de l espace des arbres, pour environ 20 taxons, efficace Algorithme heuristique : moins efficace, plus rapide
95 Parcimonie - Avantages Simple Pas de modèle explicite d évolution Arbre et évolution des caractères Bien si homoplasie rare Bien pour caractères morphologiques
96 Parcimonie - Inconvénients Problème si beaucoup d homoplasies, ou concentrées dans certaines régions Attraction des longues branches (Felsenstein Zone) Sous-estime la longueur des branches Modèle d évolution implicite : comportement pas toujours clair Justifié sur bases plus philosophiques que numériques
La gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST.
La gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST. Gaël Le Mahec - p. 1/12 L algorithme BLAST. Basic Local Alignment Search Tool est un algorithme de recherche
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailLa Classification des espèces
La Classification des espèces Professeur Patrice Francour francour@unice.fr http://www.unice.fr/leml/francour_internet/ EA 3156 «Gestion de la Biodiversité». Université de Nice-Sophia Antipolis. Parc Valrose.
Plus en détailCHAPITRE 3 LA SYNTHESE DES PROTEINES
CHAITRE 3 LA SYNTHESE DES ROTEINES On sait qu un gène détient dans sa séquence nucléotidique, l information permettant la synthèse d un polypeptide. Ce dernier caractérisé par sa séquence d acides aminés
Plus en détailDétection des duplications en tandem au niveau nucléique à l'aide de la théorie des flots
Université Toulouse 3 Paul Sabatier(UT3 Paul Sabatier) Informatique Spécialité Bioinformatique Eric AUDEMARD lundi 28 novembre 2011 Détection des duplications en tandem au niveau nucléique à l'aide de
Plus en détailSéquence 6. Mais ces espèces pour autant ne sont pas identiques et parfois d ailleurs ne se ressemblent pas vraiment.
Sommaire Séquence 6 Nous avons vu dans les séances précédentes qu au cours des temps géologiques des espèces différentes se sont succédé, leur apparition et leur disparition étant le résultat de modifications
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 détailObjectifs. 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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailGénétique et génomique Pierre Martin
Génétique et génomique Pierre Martin Principe de la sélections Repérage des animaux intéressants X Accouplements Programmés Sélection des meilleurs mâles pour la diffusion Index diffusés Indexation simultanée
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailClasser le vivant. Module de formation pour les professeurs des écoles
Classer le vivant Module de formation pour les professeurs des écoles L'objectif de cette formation est de permettre aux stagiaires de construire les connaissances et les méthodes permettant de classer
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 détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailMaster de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant
Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailChapitre VI- La validation de la composition.
Chapitre VI- La validation de la composition. Objectifs du chapitre : Expliquer les conséquences de l utilisation de règles de typage souples dans SEP. Présenter le mécanisme de validation des connexions
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailEconomie de l Incertain et des Incitations
Economie de l Incertain et des Incitations CHAPITRE 2 Eléments de théorie des jeux en information symétrique et asymétrique Equilibres Bayesiens - Université de Tours - M1 AGE - Arnold Chassagnon - Automne
Plus en détailLes 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 détailLES 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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailTD 1 - Structures de Traits et Unification
TD 1 - Structures de Traits et Unification 1 Définitions Un trait (en: feature) est un couple attribut-valeur. Une structure de traits (en: feature structure) est un ensemble de traits. On peut les représenter
Plus en détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
Plus en détailEbauche 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 détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en 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 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 détailCombinaison de modèles phylogénétiques et longitudinaux pour l analyse des séquences biologiques : reconstruction de HMM profils ancestraux
Combinaison de modèles phylogénétiques et longitudinaux pour l analyse des séquences biologiques : reconstruction de HMM profils ancestraux Jean-Baka Domelevo Entfellner To cite this version: Jean-Baka
Plus en détailSauvegarde 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 détailSciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION
Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailJeux sous forme extensive (Jeux dynamiques)
(Jeux dynamiques) Plan du chapitre ( juillet 008) / éfinitions, exemples et équivalences Arbres de jeux, information et mémoire tratégies et réduction en forme normale Équilibre de Nash parfait en sous-jeux
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailGénoToul 2010, Hôtel de Région Midi Pyrénées, Toulouse, 10 décembre 2010
GénoToul 2010, Hôtel de Région Midi Pyrénées, Toulouse, 10 décembre 2010 Analyse de la diversité moléculaire des régions génomiques de 30 gènes du développement méristématique dans une core collection
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailMaster d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien
Master d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien Denis Cousineau Sous la direction de Roberto di Cosmo Juin 2005 1 Table des matières 1 Présentation
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailSimulation centrée individus
Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les
Plus en détailGénomique Comparative et intégrative
Génomique Comparative et intégrative Introduction : Le big data : on peut traiter des données massives à présent, l'objectif à présent est d'éviter les transferts de données trop longs. On a tout à portée
Plus en détail1 les caractères des êtres humains.
Quelques rappels des classes précédentes ACTIVITÉ livre pages 8 et 9 : apprendre le bilan de la page 9 Les êtres vivants sont répartis en espèces. Chaque être vivant est formé de cellules. schéma d une
Plus en détailComment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain?
DOSSIER SOLUTION Solution CA Virtual Placement and Balancing Comment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain? agility made possible La solution automatisée
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailLa reconnaissance moléculaire: la base du design rationnel Modélisation moléculaire: Introduction Hiver 2006
La reconnaissance moléculaire: la base du design rationnel En 1890 Emil Fisher a proposé le modèle "serrure et clé" pour expliquer la façon de fonctionner des systèmes biologiques. Un substrat rentre et
Plus en détailGOL502 Industries de services
GOL502 Industries de services Conception d un service Partie IIb Version 2013 Introduction Conception d un service partie IIb Nous verrons dans ce chapitre Modélisation d un service; Langage de modélisation
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 détailThéorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailgrande simple microscope microscope inventé années 1825. biologie = cellule) et (logos de plus en Anglais. Utilise un La microscopie, 1665,
Cours de Biologie Cellulaire Présentés par Mr CHELLI A. FSNV 2012/ /2013 CHAPITRE I : INTRODUCTION A LA BIOLOGIE CELLULAIRE A- Introduction et définitionn de la biologie cellulaire : Il était difficile
Plus en détailSystèmes et algorithmes répartis
Systèmes et algorithmes répartis Tolérance aux fautes Philippe Quéinnec Département Informatique et Mathématiques Appliquées ENSEEIHT 4 novembre 2014 Systèmes et algorithmes répartis V 1 / 45 plan 1 Sûreté
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailCHAPITRE 2 : Structure électronique des molécules
CHAPITRE 2 : Structure électronique des molécules I. La liaison covalente 1) Formation d une liaison covalente Les molécules sont des assemblages d atomes liés par des liaisons chimiques résultant d interactions
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailAnalyse des données de séquençage massif par des méthodes phylogénétiques
Analyse des données de séquençage massif par des méthodes phylogénétiques Roux S., Taib N., Mangot J.F., Hugoni M., Mary I., Ravet V., Bronner G., Enault F., Debroas D. Équipe Microbiologie de l'environnement
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailDemande d autorisation de faire une tournée pour des cirques itinérants détenant des animaux sauvages
Demande d autorisation de faire une tournée pour des cirques itinérants détenant des animaux sauvages Première tournée / premier spectacle Nouvelle tournée / nouveau spectacle Entrée en Suisse de l étranger
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 détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailCH.6 Propriétés des langages non contextuels
CH.6 Propriétés des langages non contetuels 6.1 Le lemme de pompage 6.2 Les propriétés de fermeture 6.3 Les problèmes de décidabilité 6.4 Les langages non contetuels déterministes utomates ch6 1 6.1 Le
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailIMMUNOLOGIE. La spécificité des immunoglobulines et des récepteurs T. Informations scientifiques
IMMUNOLOGIE La spécificité des immunoglobulines et des récepteurs T Informations scientifiques L infection par le VIH entraîne des réactions immunitaires de l organisme qui se traduisent par la production
Plus en détailTD de Biochimie 4 : Coloration.
TD de Biochimie 4 : Coloration. Synthèse de l expérience 2 Les questions posées durant l expérience 2 Exposé sur les méthodes de coloration des molécules : Générique Spécifique Autres Questions Pourquoi
Plus en détail>Si j ai réussi, je suis capable de
Fiche 10 Rechercher des informations sur Internet La plupart des informations disponibles sur Internet sont gratuites à la consultation. Elles sont présentées par des personnes ou des organisations qui
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détailÉCOLE : cycle 3 (CM2) Sciences de la vie et de la Terre S INFORMER : organiser l information Classer, trier, assembler, grouper, distinguer
NIVEAU DISCIPLINE CAPACITÉ COMPÉTENCE MOTS CLÉS ÉCOLE : cycle 3 (CM2) Sciences de la vie et de la Terre S INFORMER : organiser l information Classer, trier, assembler, grouper, distinguer 1. TITRE : TRIER
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailTravaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation
Université de Savoie Module ETRS711 Travaux pratiques Compression en codage de Huffman 1. Organisation du projet 1.1. Objectifs Le but de ce projet est d'écrire un programme permettant de compresser des
Plus en détailQuantification 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 détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailJoueur B Pierre Feuille Ciseaux Pierre (0,0) (-1,1) (1,-1) Feuille (1,-1) (0,0) (-1,1) Ciseaux (-1,1) (1,-1) (0.0)
CORRECTION D EXAMEN CONTROLE CONTINU n 1 Question de cours Question 1 : Les équilibres de Cournot et de Stackelberg sont des équilibres de situation de duopole sur un marché non coopératif d un bien homogène.
Plus en détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
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 détailAnalyse structurée de solutions pour BMC Remedy IT Service Management v 7
LIVRE BLANC SUR LES PRATIQUES ITIL Analyse structurée de solutions pour BMC Remedy IT Service Management v 7 Exploiter le potentiel des pratiques ITIL grâce aux ateliers d analyse de solutions organisés
Plus en détail