Laboratoire 3 : Familiarisation avec les RNA (Réseaux de Neurones Artificiels)
|
|
- Coralie Larochelle
- il y a 8 ans
- Total affichages :
Transcription
1 Université du Québec en Outaouais Département d'informatique et d ingénierie C.P Hull - Québec J8X 3X7 Téléphone: (819) Télécopieur: (819) Programme de Génie Informatique 7643 Cours Robotique et vision artificielle Sigle du Cours GEN1593 Session - Groupe Hiver Professeur Marek Zaremba Assistant Juba Bernou Laboratoire 3 : Familiarisation avec les RNA (Réseaux de Neurones Artificiels) Objectifs Général Le but de ce travail pratique est de se familiariser avec les réseaux de neurones artificiels. La maîtrise de ces notions est nécessaire afin de pouvoir réaliser des projets de synthèse. Spécifiques Préalable Introduction aux réseaux de neurones. Utiliser «Neural Network Toolbox» de MATLAB. Connaissance de MATLAB et Simulink. Équipement Logiciel : MATLAB. UQO - Département d Informatique et d Ingénierie GEN1593 : Robotique et vision artificielle
2 Introduction Le fonctionnement du cerveau humain est très compliqué, il capable de résoudre des problèmes très complexes. Bien que nous ayons une bonne compréhension de certaines des opérations de base qui conduisent le cerveau, nous sommes toujours loin de savoir le tout à propos du cerveau. Figure 1 : Modèle de neurone biologique Microsoft Encarta définit un réseau neurologique en tant que «réseau fortement interconnecté des éléments de traitement de l'information qui imite la connectivité et le fonctionnement du cerveau humain». Ces réseaux neurologiques peuvent résoudre beaucoup de problèmes qui pourraient être impossibles à résoudre avec des méthodes de programmation traditionnelles. Ils peuvent apprendre d'une manière qui est beaucoup plus semblable à la méthode humaine d'étude, et sont donc beaucoup plus pertinents dans certains domaines tels que la reconnaissance de la parole. Il y a deux types de neurones artificiels : discrets continus. Voici comment Encarta les définit : Les neurones discrets envoient un signal de sortie de 1 si la somme de signaux reçus est au-dessus d'une certaine valeur critique appelée une valeur seuil, autrement ils envoient un signal de sortie de 0. Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 2 / 16
3 Des neurones continus ne sont pas limités à envoyer des valeurs de sortie de 1 et de 0 seulement; au lieu de cela ils envoient une valeur de sortie entre 1 et 0 selon le montant total d'entrée qu'ils reçoivent. Plus le signal reçu est fort, plus le signal envoyé du nœud est fort et vice-versa. Les neurones continus sont le plus généralement utilisés dans les réseaux neurologiques artificiels réels. En conclusion les réseaux de neurones artificiels ont été conçus à la base du modèle du neurone naturel. Ce dernier étant excité par un stimulus, il y répond selon sa fonction de transfert par une sortie (réponse) qui peut être une atténuation ou une amplification de l'entrée. Dans le cadre de ce cours on s intéresse particulièrement à l application des réseaux de neurones dans la prédiction de séries temporelles, ou le contrôle de robots. Réseaux de neurones avec Matlab Figure 2 : Vue simplifiée d'un réseau artificiel de neurones On distingue deux types de neurones avec ou sans biais d entrée (bias input). Le poids w sert à amplifier ou à atténuer l'effet du stimulus sur la réponse. Figure 3 : Neurone avec ou sans biais d entrée (bias input) Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 3 / 16
4 Préparation Donner les valeurs de sortie d un neurone à 2 entrées si : le vecteur augmenté d entrée x = [1, 4, -3] et le vecteur de poids de pondération w = [-0.4, -0.5, 1], Pour la fonction d activation : a) binaire à seuil, b) linéaire à seuil. Avant de se présenter au laboratoire vous devez remettre vos préparations par courriel. Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 4 / 16
5 Manipulations Partie I : Utilisation de l interface graphique «Neural Network Fitting Tool» Dans la fenêtre de commande de Matlab exécuter les commandes suivantes : load housing % Charger les données nftool Appuyer sur «Next» pour continuer, ensuite sélectionner p et t des menus déroulants : Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 5 / 16
6 Vous allez remarquer que les entrées et les cibles sont déjà assignées pour un intervalle de [-1,1]. Appuyer sur «Next» pour continuer, vous allez remarquer que «validation» et «test data sets» sont a 20% de la valeur des données d origine. Appuyer sur «Next» pour continuer, vous allez remarquer que le nombre des neurones cachés est de 20, vous pourrez le changer plus tard. Une fois que le réseau est créé, appuyé sur «Train» pour réaliser l apprentissage. Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 6 / 16
7 Cette fois l apprentissage a pris 20 itérations Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 7 / 16
8 Appuyer sur «View Regression» dans la fenêtre de «Neural Network Fitting Tool» Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 8 / 16
9 Le même résultat peut être obtenu en utilisant les commandes suivantes : load housing [p2,ps] = mapminmax(p); [t2,ts] = mapminmax(t); [trainv,val,test] = dividevec(p2,t2,0.20,0.20); net = newff(minmax(p2),[20 1]); [net,tr]=train(net,trainv.p,trainv.t,[],[],val,test); a2 = sim(net,p2); a = mapminmax('reverse',a2,ts); [m,b,r] = postreg(a,t); Pour plus de détails vous pouvez consulter l aide de Matlab la section suivante : «Using Command-Line Functions :: Getting Started (Neural Network Toolbox)» Appuyer sur «Next» dans la fenêtre de «Neural Network Fitting Tool» pour évaluer le réseau. Si vous êtes satisfait, appuyer sur «Next» pour sauvegarder le réseau. Ensuite appuyer sur «Finish» pour terminer. Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 9 / 16
10 Partie II : La fonction de transfert La fonction d activation : de seuillage ou fonction de transfert sert à introduire une non-linéarité dans le fonctionnement du neurone. Les fonctions de seuillage présentent généralement trois intervalles : 1. en dessous du seuil, le neurone est non-actif; 2. aux alentours du seuil, une phase de transition; 3. au-dessus du seuil, le neurone est actif. Les trois les plus utilisées sont les fonctions : «Seuil» (en anglais «hard limit») «Linéaire» «Sigmoïde». Comme son nom l indique, la fonction seuil applique un seuil sur son entrée. Plus précisément, une entrée négative ne passe pas le seuil, la fonction retourne alors la valeur 0 (on peut interpréter ce 0 comme signifiant faux), alors qu une entrée positive ou nulle d épaisse le seuil, et la fonction retourne 1 (vrai). Pour visualiser la fonction «seuil», dans la fenêtre de commande de Matlab exécuter les commandes suivantes : n = -5:0.1:5; a = hardlim(n); plot(n,a,'c+') Figure 4 : La fonction : «Seuil» Pour visualiser la fonction «linéaire», dans la fenêtre de commande de Matlab exécuter les commandes suivantes : a = purelin(n); plot(n,a,'r+') Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 10 / 16
11 Figure 5 : La fonction : «Linéaire» Pour visualiser la fonction «sigmoïde», dans la fenêtre de commande de Matlab exécuter les commandes suivantes : a = logsig(n); plot(n,a,'r+') Dans Simulink les fonctions de transfert sont : Figure 6 : La fonction : «Sigmoïde» Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 11 / 16
12 Figure 7 : Fonctions de transfert Partie III : Le fonctionnement d'un neurone avec NND A ) Dans la fenêtre de commande de Matlab exécuter la commande suivante : nnd2n1 Neural Network DESIGN One-Input Neuron Input Linear Neuron: a = purelin(w*p+b) p w a Alter the weight, bias and input by dragging the triangular shaped indicators. w 1 b 4 Pick the transfer function with the F menu. Watch the change to the neuron function and its output b a F: p Chapter 2 On vous demande de modifier les valeurs du poids w et du biais d entrée (bias input) b et de visualiser l'effet du stimulus sur la réponse. N oublier de décrire ce que vous observez. B) Dans la fenêtre de commande de Matlab exécuter la commande suivante : nnd2n2 Neural Network DESIGN Two-Input Neuron Input p(1) p(2) w(1,1) w(1,2) 1 Linear Neuron F n 6-6 b a Alter the input values by clicking & dragging the triangle indicators. Alter the weights and bias in the same way. Use the menu to pick a transfer function. Pick the transfer function with the F menu. The net input and the output will respond to each change a = purelin(w*p+b) Chapter 2 On vous demande de modifier les valeurs des entrées p(1) et p(2), du poids w et du biais d entrée (bias input) b et de visualiser l'effet du stimulus sur la réponse. N oublier de décrire ce que vous observez. Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 12 / 16
13 Partie IV : Un premier exemple de simulation de RNA avec Matlab L objectif de cette partie est d utiliser l approche matricielle pour la simulation des réseaux de neurones sans rétro-propagation avec Matlab. A - Simulation avec des entrées concurrentes dans un réseau statique La figure suivante présente le fonctionnement d'un neurone tel que l'ont décrit Mc Culloch et Pitts. Il s'agit d'une unité arithmétique faisant la somme pondérée des signaux reçus en entrée à laquelle on applique une fonction de transfert, ici la fonction lineaire, afin d'obtenir la réponse de la cellule (notée a). Avant d exécuter les commandes suivantes, on vous demande de consulter l aide de Matlab pour la commande newlin et d expliquer brièvement le fonctionnement. net = newlin([1 3 ; 1 3],1); % W = [1 2]; net.iw{1,1}=[1 2]; % b = [0]; net.b{1}=0; P = [ ; ]; A = sim(net,p) B - Simulation avec des entrées séquentielles dans un réseau dynamique Simulation avec des entrées concurrentes : Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 13 / 16
14 net = newlin([-1 1],1,[0 1]); net.biasconnect = 0; net.iw{1,1} = [1 2]; P = { }; A = sim(net,p) C - Simulation avec des entrées concurrentes dans un réseau dynamique P = [ ]; A = sim(net,p) P = {[1 4] [2 3] [3 2] [4 1]}; A = sim(net,p) Partie V : Un premier exemple d apprentissage de RNA avec Matlab L'objectif de l'apprentissage est de fournir une méthode au réseau afin qu'il puisse ajuster ces paramètres lorsqu'on lui présente des exemplaires à traiter. On distingue habituellement trois paradigmes d'apprentissage : supervisé, non supervisé et hybride. Supervisé Dans ce cas on fournit au réseau la donnée à traiter mais aussi la réponse attendue. Le réseau effectue une évaluation de la donnée, puis compare la valeur obtenue avec la valeur désirée, il va ensuite modifier ses paramètres internes afin de minimiser l'erreur constatée. Non supervisé Dans ce cas aucune information (en plus des données à apprendre) n'est fournie au système. Celui-ci est amené à découvrir la structure sous-jacente des données afin de les organiser en clusters. Hybride Cette approche combine méthodes numériques et méthodes symboliques. Certains, utilisent le terme d'apprentissage hybride pour parler d'un couplage supervisé, non supervisé ; dans ce cas il s'agit d'un réseau qui met en parallèle ou en série un réseau entraîné en mode supervisé et un autre en mode non supervisé. Dans Matlab l apprentissage est lancé soit par la fonction adapt (incrémental) soit par train (par paquets). Ces 2 fonctions auront le même effet. A - Apprentissage incrémental dans un réseau statique net = newlin([-1 1;-1 1],1,0,0); net.iw{1,1} = [0 0]; net.b{1} = 0; P = {[1;2] [2;1] [2;3] [3;1]}; T = { }; Apprentissage incrémental [net,a,e,pf] = adapt(net,p,t); Si on modifie le taux d apprentissage a 0,1 vous allez voir comment le réseau va se réajuster par rapport aux entrées. net.inputweights{1,1}.learnparam.lr=0.1; net.biases{1,1}.learnparam.lr=0.1; [net,a,e,pf] = adapt(net,p,t); Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 14 / 16
15 B - Apprentissage incrémental dans un réseau dynamique net = newlin([-1 1],1,[0 1],0.1); net.iw{1,1} = [0 0]; net.biasconnect = 0; L apprentissage incrémental de ce réseau présente les entrées et les cibles comme éléments de chaque matrice ou tableau. Pi = {1}; P = {2 3 4}; T = {3 5 7}; [net,a,e,pf] = adapt(net,p,t,pi); Partie VI : Architecture optimale L objectif de cette partie est de trouver l architecture optimale d un réseau multicouche pour la classification de données de «Iris». On vous demande d utiliser deux ensembles de données : un ensemble d exemples (50%) et un ensemble de données pour la vérification (50%). Essayer les architectures à différente taille en termes de nombre de couches et de nombre de neurones. Donner la valeur minimale de l erreur obtenue sur l ensemble de données de vérification, ainsi que les paramètres de la meilleure architecture du réseau. Pour importer les données dans l espace de travail load iris; Les 4 premières colonnes, on les traite comme les données d'entrée, A1, A2, A3, A4 et la 5e colonne signifie les 3 classes (sorties). Commentaires sur le bon ou le mauvais fonctionnement du réseau de neurones. Comparaison des sorties du réseau de neurones avec le vecteur à trouver. Une brève critique sur l'approche utilisée. Rapport Avant la fin de la séance, vous devrez remettre : %% Le script de Matlab commenté. % Commentaires sur le bon ou le mauvais fonctionnement... % Avant 09 :00 AM 7 jours après la fin de ce laboratoire, vous devrez remettre un compte rendu individuel. Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 15 / 16
16 Annexe A %% Feed-Forward Network - Apprentissage par rétro-propagation % la commande newff est utilisée pour créer un réseau MLP %% On peut créer un réseau simplement avec par exemple : % >> net = newff(pr,[ncc ncs],{'logsig','logsig'}) % PR matrice valeurs min. et max. des entrées, % ncc nombre des neurones de la couche cachée, % ncs nombre des neurones de sortie % et l entraîner avec : % >> [net,tr] = train(net,p,t) %% Matrice des valeurs min. et max. des entrées % c est le nombre de lignes de la matrice PR (paramètre d entrée) % qui indique le nombre de variables d entrée. PR = [0 1; 0 1]; %% nbre neurones couche cachée, ncc = 2; %% nbre neurones sortie ncs = 1; %% Créer le réseau net = newff(pr,[ncc ncs],{'logsig','logsig'}); % net = newff([0 1; 0 1],[2 1],{'logsig','logsig'}); %% Matrice des entrées qui illustre la fonction logique xor % les vecteurs de données d entrée doivent être placés % dans les colonnes d une matrice P P = [ ; ]; %% Matrice des sorties % les données de sortie à obtenir doivent être placées dans un vecteur % ligne T T = [ ]; %% Afficher les données plotpv(p,t); %% on simule la sortie de réseau en faisant % une initialisation du réseau de neurone Y = sim (net, P) %%! keyboard %% On entraîne le réseau % pour itérations! net.trainparam.show = 5; net.trainparam.epochs = 10000; net = train(net,p,t); %% % La figure suivante décrit l'entraînement du réseau. %% On simule de nouveau la sortie du réseau Y = sim (net, P) Laboratoire # 3 - Robotique et vision artificielle - GEN1593 Page - 16 / 16
Coup 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 détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
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 détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en 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 détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailUniversité du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.
Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailINF 1250 INTRODUCTION AUX BASES DE DONNÉES. Guide d étude
INF 1250 INTRODUCTION AUX BASES DE DONNÉES Guide d étude Sous la direction de Olga Mariño Télé-université Montréal (Québec) 2011 INF 1250 Introduction aux bases de données 2 INTRODUCTION Le Guide d étude
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailIntroduction 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 détailDruais Cédric École Polytechnique de Montréal. Résumé
Étude de load balancing par un réseau de neurones de types HME (Hierarchical Mixture of s). Druais Cédric École Polytechnique de Montréal Résumé Cet article tente d introduire le principe de load balancing
Plus en détailLe modèle de données
Le modèle de données Introduction : Une fois que l étude des besoins est complétée, deux points importants sont à retenir : Les données du système étudié Les traitements effectués par le système documentaire.
Plus en détailBIRT (Business Intelligence and Reporting Tools)
BIRT (Business Intelligence and Reporting Tools) Introduction Cette publication a pour objectif de présenter l outil de reporting BIRT, dans le cadre de l unité de valeur «Data Warehouse et Outils Décisionnels»
Plus en détailChapitre 6 Apprentissage des réseaux de neurones et régularisation
Chapitre 6 : Apprentissage des réseaux de neurones et régularisation 77 Chapitre 6 Apprentissage des réseaux de neurones et régularisation Après une introduction rapide aux réseaux de neurones et à la
Plus en détailOptimisation 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 détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
Plus en détailDétection de la défaillance des entreprises tunisiennes par la régression logistique semi paramétrique et les réseaux de neurones
Détection de la défaillance des entreprises tunisiennes par la régression logistique semi paramétrique et les réseaux de neurones Abdeljelil Farhat Unité de recherche EAS-Mahdia Faculté des sciences économiques
Plus en détailCréation d un formulaire de contact Procédure
Création d un formulaire de contact Procédure Description : Cette procédure explique en détail la création d un formulaire de contact sur TYPO3. Outil Procédure CMS: TYPO3 Auteur : hemmer.ch SA Extension:
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailNETWORK & SOFTWARE ENGINEERING MANUEL D UTILISATEUR. Logiciel TIJARA. NETWORK AND SOFTWARE ENGINEERING Manuel d'utilisateur "TIJARA" 1
NETWORK & SOFTWARE ENGINEERING MANUEL D UTILISATEUR Logiciel TIJARA Manuel d'utilisateur "TIJARA" 1 SOMMAIRE Introduction Première partie Chapitre 1 : Installation et démarrage Chapitre 2 : Architecture
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 détailPlan de cours. Chiffriers et bases de données en gestion commerciale
Collège Lionel-Groulx 100, rue Duquet Sainte-Thérèse, (Québec) J7E 3G6 Téléphone : (450) 430-3120 Télécopieur : (450) 430-2783 Site Internet : http://www.clg.qc.ca Session : Hiver 2009 No de cours : 420-CJ0-LG
Plus en détailMANUEL POUR L UTILISATION DE L APPLICATION EN LIGNE DU SYSTÈME DE NOTIFICATION DES ACCIDENTS INDUSTRIELS
MANUEL POUR L UTILISATION DE L APPLICATION EN LIGNE DU SYSTÈME DE NOTIFICATION DES ACCIDENTS INDUSTRIELS Début Commencez par lancer votre navigateur et saisir dans la barre d adresse l URL suivant:. https://www2.unece.org/ian/login.jsf
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 détailManuel d utilisation du logiciel RÉSULTATS. Édition destinée aux départements
Manuel d utilisation du logiciel RÉSULTATS Édition destinée aux départements Avant propos. Qu est-ce le logiciel RÉSULTATS? RÉSULTATS est une application entièrement web destinée à la saisie et à la diffusion
Plus en détailAtelier Le gestionnaire de fichier
Chapitre 12 Atelier Le gestionnaire de fichier I Présentation Nautilus est un gestionnaire de fichiers pour l environnement de bureau Gnome. Il offre toutes les fonctions de gestion de fichier en local
Plus en détailPrésentation du logiciel
Chapitre A Présentation du logiciel R Pré-requis et objectif La lecture du chapitre sur l installation de R dans les Annexes peut se révéler utile. Ce chapitre présente les origines, l objectif et les
Plus en détailProjet tablettes numériques Document de référence
Projet tablettes numériques Document de référence Version 1.0 Projet tablettes numériques Document de référence 1 Gestion des versions Numéro de Auteur Révision Date version 0.1 Martin Langelier Ébauche
Plus en détail3.2. Matlab/Simulink. 3.2.1. Généralités
3.2. Matlab/Simulink 3.2.1. Généralités Il s agit d un logiciel parfaitement dédié à la résolution de problèmes d'analyse numérique ou de traitement du signal. Il permet d'effectuer des calculs matriciels,
Plus en détailMATLAB : COMMANDES DE BASE. Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */.
Page 1 de 9 MATLAB : COMMANDES DE BASE Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */. Aide help, help nom_de_commande Fenêtre de travail (Command Window) Ligne
Plus en détailGnuplot. Chapitre 3. 3.1 Lancer Gnuplot. 3.2 Options des graphes
Chapitre 3 Gnuplot Le langage C ne permet pas directement de dessiner des courbes et de tracer des plots. Il faut pour cela stocker résultats dans des fichier, et, dans un deuxième temps utiliser un autre
Plus en détailEn choisissant l option Créer une ligne du temps, vous accédez à la page à partir de laquelle vous construirez une nouvelle ligne du temps.
TUTORIEL DE L APPLICATION WEB DE LA LIGNE DU TEMPS L application Web de la Ligne du temps du Service national du RÉCIT de l univers social permet de créer une ligne de temps ou un scénario, ou encore d
Plus en détailRapidolect Les Productions de la Columelle (1998-2006) Page 1
Page 1 Page 2 Logiciel Rapidolect RATIONNEL DU JEU Un bon lecteur possède dans sa tête des images précises des mots écrits qu'il connaît. Lorsqu'il parcourt un texte, ses yeux se déplacent par saccades
Plus en détailDepuis des années, les films de science fiction
Steffen Nissen Création d'un réseau de neurones c'est facile Ressources en ligne : Sur le CD vous trouverez les fi chiers codes décrits dans l'article ainsi que la bibliothèque. Depuis des années, les
Plus en détailCommande Prédictive des. Convertisseurs Statiques
Commande Prédictive des Convertisseurs Statiques 1 Classification des méthodes de commande pour les convertisseurs statiques Commande des convertisseurs Hystérésis MLI Cde Linéaire Fuzzy Logic Sliding
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailFormation. Module WEB 4.1. Support de cours
Formation Module WEB 4.1 Support de cours Rédacteur Date de rédaction F.CHEA 08/02/2012 Les informations contenues dans ce document pourront faire l'objet de modifications sans préavis Sauf mention contraire,
Plus en détailProjet Matlab : un logiciel de cryptage
Projet Matlab : un logiciel de cryptage La stéganographie (du grec steganos : couvert et graphein : écriture) consiste à dissimuler une information au sein d'une autre à caractère anodin, de sorte que
Plus en détailTangibleData. Manipulation tangible et multitouch de bases de données
TangibleData Manipulation tangible et multitouch de bases de données Tangible Data est un environnement de manipulation et d exploration tangible de base de données pour extraire efficacement des informations
Plus en détailGUIDE DES PROFESSEURS(ES) POUR LÉA Version du 27 janvier 2009
GUIDE DES PROFESSEURS(ES) POUR LÉA Version du 27 janvier 2009 Table des matières Que signifie LÉA?... 2 1. Accéder à LÉA... 2 2. Choisir votre classe... 3 3. Absences et retards... 4 Saisie d absences...
Plus en détailGUIDE D UTILISATION DU BROWSER DE BEYOND 20/20
GUIDE D UTILISATION DU BROWSER DE BEYOND 20/20 Le browser Beyond 20/20 permet de visualiser, manipuler, présenter sous forme graphique, imprimer et sauvegarder des tableaux de données. Il s agit d un logiciel
Plus en détailUNE EXPERIENCE, EN COURS PREPARATOIRE, POUR FAIRE ORGANISER DE L INFORMATION EN TABLEAU
Odile VERBAERE UNE EXPERIENCE, EN COURS PREPARATOIRE, POUR FAIRE ORGANISER DE L INFORMATION EN TABLEAU Résumé : Cet article présente une réflexion sur une activité de construction de tableau, y compris
Plus en détailProjet audio. Analyse des Signaux ELE2700
ÉCOLE POLYTECHNIQUE DE MONTRÉAL Département de Génie Électrique Projet audio Analyse des Signaux ELE2700 Saad Chidami - 2014 Table des matières Objectif du laboratoire... 4 Caractérisation du bruit...
Plus en détailLeçon n 4. Analyse graphique Techniques de construction de barres et styles de. Fenêtres d analyse graphique. Leçon n 4
Leçon n 4 Table des matières Fenêtre d analyse graphique... 1 Demande de données avec le gestionnaire de téléchargement... 7 Formater le symbole dans un graphique 2 Changer le style d un symbole... 8 Modifier
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailVoyez clair dans vos finances avec AccèsD Affaires
h00 Voyez clair dans vos finances avec Description de la fonctionnalité Le relevé des opérations : vos transactions en temps réel Le détail de vos transactions peut être produit pour les 62 derniers jours.
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailIntelligence Economique - Business Intelligence
Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailCréer le schéma relationnel d une base de données ACCESS
Utilisation du SGBD ACCESS Polycopié réalisé par Chihab Hanachi et Jean-Marc Thévenin Créer le schéma relationnel d une base de données ACCESS GENERALITES SUR ACCESS... 1 A PROPOS DE L UTILISATION D ACCESS...
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voies : Mathématiques, physique et sciences de l'ingénieur (MPSI) Physique, chimie et sciences de l ingénieur (PCSI) Physique,
Plus en détailTP : Gestion d une image au format PGM
TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples
Plus en détailSe débarrasser des emails indésirables
Se débarrasser des emails indésirables Qui ne reçoit pas fréquemment par mail des offres d'achats de médicaments, cigarettes ou de logiciels, quand ce n'est pas pour vanter des sites Internet pour adultes?
Plus en détailModule «Pilotage de Projet» - Module GPRO-0
Janvier 2013 Module «Pilotage de Projet» - Module GPRO-0 Utilisation de l outil MS Project - version 2010 ING1 promo 2015 Restrictions d utilisation du présent document Ce document est la propriété de
Plus en détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
Plus en détailInitiation 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 détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailDocumentation Liste des changements apportés
Version 4.1.000 Documentation Liste des changements apportés C2 Innovations 2010 Table des matières À LA VERSION 4.1... 4 NOUVEAU PRE REQUIS POUR L INSTALLATION DE C2... 4 FERMER LA SESSION D UN UTILISATEUR
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailComment accéder à d Internet Explorer
Comment accéder à d Pour ouvrir l application, vous n avez qu à doublecliquer sur l icône de celle-ci : ou vous pouvez encore allez le chercher par le raccourci dans la barre des tâches : Lorsque l application
Plus en détailDiagrammes de Package, de déploiement et de composants UML
labsticc.univ-brest.fr/pages_perso/babau/ Diagrammes de Package, de déploiement et de composants UML Jean-Philippe Babau Département Informatique, UFR Sciences, Laboratoire Lab-STICC 2 1 Plan Description
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailNumbers sur ipad. Atelier Formation Numbers sur ipad. [Notes extraitres de l'aide en ligne]
Numbers sur ipad [Notes extraitres de l'aide en ligne] Table des matières Atelier Formation Numbers sur ipad Introduction à Numbers 4 Créer ou ouvrir une feuille de calcul 4 Créer ou ouvrir une feuille
Plus en détail8. Gestionnaire de budgets
8. Gestionnaire de budgets 8.1 Introduction Le Gestionnaire de budgets (Budget Workbench) permet aux utilisateurs de travailler sur les données budgétaires qu ils ont importées sur leur station de travail
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailIMAGES NUMÉRIQUES MATRICIELLES EN SCILAB
IMAGES NUMÉRIQUES MATRICIELLES EN SCILAB Ce document, écrit par des animateurs de l IREM de Besançon, a pour objectif de présenter quelques unes des fonctions du logiciel Scilab, celles qui sont spécifiques
Plus en détailTechniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION
Plus en détailboursorama expert Le guide Découvrir la plateforme Boursorama Expert
boursorama expert Le guide Découvrir la plateforme Boursorama Expert 1 Les renseignements fournis dans le présent guide sont donnés uniquement à titre d information et n ont pas pour objet de donner des
Plus en détailManuel d utilisation de la plate-forme de gestion de parc UCOPIA. La mobilité à la hauteur des exigences professionnelles
Manuel d utilisation de la plate-forme de gestion de parc UCOPIA La mobilité à la hauteur des exigences professionnelles 2 Manuel d utilisation de la plate-forme de gestion de parc UCOPIA 1 Table des matières
Plus en détailCSI351 Systèmes d exploitation Instructions pour rouler Linux avec Virtual PC dans la salle de labo 2052
CSI351 Systèmes d exploitation Instructions pour rouler Linux avec Virtual PC dans la salle de labo 2052 Une machine virtuelle Linux, appelé SiteDev (version 9 de Redhat) peut être roulé avec Virtual PC
Plus en détailA.-M. Cubat PMB - Import de lecteurs - Généralités Page 1 Source : http://amcubat.be/docpmb/import-de-lecteurs
A.-M. Cubat PMB - Import de lecteurs - Généralités Page 1 Diverses méthodes d import de lecteurs Les données (noms, prénoms, adresses. des lecteurs) proviennent en général du secrétariat, et se trouvent
Plus en détailUtiliser Access ou Excel pour gérer vos données
Page 1 of 5 Microsoft Office Access Utiliser Access ou Excel pour gérer vos données S'applique à : Microsoft Office Access 2007 Masquer tout Les programmes de feuilles de calcul automatisées, tels que
Plus en détailPlan d études. Traitement visuel 2D. Techniques d intégration multimédia 582-105-HU. http://pedago.cegepoutaouais.qc.ca/media/ma legault/2d/ 1-2-2
Plan d études Techniques d intégration multimédia Traitement visuel 2D 582-105-HU 1-2-2 Enseignant : Mathieu Legault Courriel : malegault@cegepoutaouais.qc.ca Téléphone : 770-4012 # 2480 Bureau : 2.535
Plus en détailBASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
Plus en détailSéance 0 : Linux + Octave : le compromis idéal
Séance 0 : Linux + Octave : le compromis idéal Introduction Linux est un système d'exploitation multi-tâches et multi-utilisateurs, basé sur la gratuité et développé par une communauté de passionnés. C'est
Plus en détailUserLock Guide de Démarrage rapide. Version 8.5
UserLock Guide de Démarrage rapide Version 8.5 Introduction UserLock est une solution logicielle d'entreprise unique sécurisant les accès utilisateur sur le réseau afin de réduire le risque d'une brèche
Plus en détailArchitecture de réseau de senseurs : monitoring environnemental et écosystèmes forestiers
Architecture de réseau de senseurs : monitoring environnemental et écosystèmes forestiers Présenté par : Ahmed Lakhssassi, Membres du GRMS : Marek Zaremba, Wojtek Bock et Larbi Talbi Département Informatique
Plus en détailWebSpy Analyzer Giga 2.1 Guide de démarrage
WebSpy Analyzer Giga 2.1 Guide de démarrage Ce document aide à vous familiariser avec l utilisation de WebSpy Analyzer Giga. Pour des informations plus détaillées, consultez le guide utilisateur Analyzer
Plus en détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailMICRO-INFORMATIQUE DÉFINITION DU DOMAINE D'EXAMEN BASE DE DONNÉES CONSULTATION INF-5060-1
MICRO-INFORMATIQUE DÉFINITION DU DOMAINE D'EXAMEN BASE DE DONNÉES CONSULTATION INF-5060-1 OCTOBRE 1996 MICRO-INFORMATIQUE DÉFINITION DU DOMAINE D'EXAMEN BASE DE DONNÉES CONSULTATION INF-5060-1 OCTOBRE
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailSécurisation de Windows NT 4.0. et Windows 2000
Pratique système : Sécurité Sécurisation de Windows NT 4.0 et Windows 2000 Partie 3/3 Patrick CHAMBET patrick.chambet@edelweb.fr Patrick CHAMBET - 1 - Au cours des deux premières parties de cet article,
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailLa Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS
Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département
Plus en détailCalcul Formel et Numérique, Partie I
Calcul Formel et Numérique N.Vandenberghe nvdb@irphe.univ-mrs.fr Table des matières 1 Introduction à Matlab 2 1.1 Quelques généralités.......................... 2 2 Où trouver des informations 2 3 Opérations
Plus en détailGuide de l utilisateur. Faites connaissance avec la nouvelle plateforme interactive de
Guide de l utilisateur Faites connaissance avec la nouvelle plateforme interactive de Chenelière Éducation est fière de vous présenter sa nouvelle plateforme i+ Interactif. Conçue selon vos besoins, notre
Plus en détailFête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
Plus en détail1. Introduction... 2. 2. Création d'une macro autonome... 2. 3. Exécuter la macro pas à pas... 5. 4. Modifier une macro... 5
1. Introduction... 2 2. Création d'une macro autonome... 2 3. Exécuter la macro pas à pas... 5 4. Modifier une macro... 5 5. Création d'une macro associée à un formulaire... 6 6. Exécuter des actions en
Plus en détailGestion de stock pour un magasin
Département d Informatique Université de Fribourg, Suisse http://diuf.unifr.ch Gestion de stock pour un magasin Stock online utilise ASP/MS-Access DO Thi Tra My No étudiant : 05-333-750 Travail de séminaire
Plus en détailFilière Informatique de gestion. Facturation par APDRG : prédiction des recettes des cas non codés
Travail de diplôme 2007 Filière Informatique de gestion Facturation par APDRG : prédiction des recettes des cas non codés PrediRec Etudiant : Mathieu Giotta Professeur : Henning Mueller www.hevs.ch SIMAV
Plus en détailPrésentation - Tableau de bord du CA Carrefour informationnel et documentaire des Laurentides
[Texte] Présentation - Tableau de bord du CA Carrefour informationnel et documentaire des Laurentides Contenu Préambule... 3 Index... 3 Visualisation du rapport Cognos... 4 Réception du rapport par courrier
Plus en détailWEBVIEW. Serveur Web embarqué dans DIRIS G NOTICE D UTILISATION. www.socomec.com. http://www.socomec. com/webview_ software
NOTICE D UTILISATION WEBVIEW Serveur Web embarqué dans DIRIS G FR http://www.socomec. com/webview_ software www.socomec.com FR SOMMAIRE 1. DOCUMENTATION...3 2. OPÉRATIONS PRÉALABLES...3 3. PRÉSENTATION...3
Plus en détailPHP 5.4 Développez un site web dynamique et interactif
Editions ENI PHP 5.4 Développez un site web dynamique et interactif Collection Ressources Informatiques Table des matières Table des matières 1 Chapitre 1 Introduction 1. Objectif de l'ouvrage.............................................
Plus en détail