STIC et risques. Des données à la connaissance. pour la gestion des risques
|
|
- Thibaud Marion
- il y a 8 ans
- Total affichages :
Transcription
1 STIC et risques Des données à la connaissance pour la gestion des risques Marine
2 Quid STIC? Signification de l acronyme? Système de Traitement des Infractions Constatées : grosse BD fichiers policiers Section technique d'investigation criminelle Sciences et Technologies de l Information et de la Communication TIC pour l Education = TICE nouvelles TIC = ntic Page 2
3 Quid STIC? «Les STIC désignent l'ensemble des sciences et technologies concourant à l'étude, la conception et l'implémentation de modèles et systèmes opérationnels d'information et de communication [cf interstices.info] Sciences : maths, physique, chimie, de la vie, humaines, Technologies : mécanique, électricité, (micro)électronique, nanotechnologies, Conception / Implémentation / Systèmes opérationnels Page 3
4 Quid STIC? Les STIC sont nécessairement pluridisciplinaires, car elles portent des enjeux : théoriques (logique, rôle et place de l'homme dans l'univers), industriels (concurrence internationale, situations de monopole), avec des secteurs économiques nouveaux (constructeurs, éditeurs de logiciels, opérateurs de réseaux, consultants, SSII), sociaux et culturels (emploi, éducation, information, formation), moraux (pornographie et violence, avenir de l'homme dans sa maîtrise des machines, intégration des «prothèses»), idéologiques et politiques (libertés, «fracture numérique», pouvoirs). Page 4
5 Notion de risque 1/2 Qu appelle-t-on le risque? Qu est-ce qu une situation à risque? Exemples? A quoi pourraient servir les STIC vis-à-vis du risque? Page 5
6 Notion de risque 2/2 Détecter une situation à risque Mesurer le risque d une situation Calculabilité? Fiabilité de la mesure? Reproductibilité dans une situation similaire? Gérer une situation à risque Récupérer/analyser les données de la situation Communiquer sur l évolution et les décisions Des risques particuliers : la santé, la finance, la nature, Page 6
7 STIC et risques (plan du cours) Histoire des STICs du signal à l information de l information à la connaissance Des outils variés visibilité, fouille, classification, modélisation, prédiction, transmission, l ingénierie des connaissances Page 7
8 Du signal à l information pdf «Signal» Produit par la nature, l homme, la technologie Représenté par des réels/complexes, caractéristiques déterministes/aléatoires, analogiques/numériques Dimension : spatial, temporel, Page 8
9 Du signal à l information Traitement du signal : créer, analyser, modifier, classifier, reconnaître les signaux Activité ancienne : cryptologie en 480 av JC, imprimerie de Gutenberg en 1440, Mais : de nouvelles technologies créent de nouveaux signaux qui suscitent la création de nouveaux traitements. Radar EISCAT Données ionosphérisques De l onde à l image Page 9
10 Du signal à l information «Information»? 20 ème siècle : «rassemble» savants (physiciens, mathématiciens, biologistes, ) et ingénieurs Information mesurable : Fisher, Shannon Début d une nouvelle ère : Le Zéro et le Un - Histoire de la notion scientifique d'information J. Segal, ISBN: , 2003, Syllepse. Et pour vous??? Page 10
11 L information de Fisher et Shannon Approche d un biologiste statisticien R.A. Fisher ( ), 1920 moins une observation est probable, plus son observation est porteuse d'information Outil : variance du max de vraisemblance Approche d ingénieurs en télécommunications C. Shannon ( ) et W. Weaver, 1948 Outil : entropie = mesure de la quantité d information Page 11
12 Du signal à l information Signal = support de l information Numérisation Principe de l échantillonnage : Nyquist ( ), 1928 Accélération des techno calculatoires et des capacités de stockage : 1936, Turing 1960,1 er ordinateur 1982, internet 1995 : DVD 1947, transistor 1970, SGBD 1990 : CD Au service du grand public : donner accès au plus grand nombre Page 12
13 Masses de données Chiffres clés Taille du web? > 2milliards de pages indexées par Google Archives INA : h d émissions TV et radio à télécharger Imagerie satellitaire : 1 image SPOT x12000x8 bits Page 13
14 Masse de données Problèmes rencontrés Stockage et gestion Gestion manuelle impossible Comment accéder au contenu informationnel de ces données? Comment décrire ces données? Les qualifier? Comment les exploiter? Dans quel but? Page 14
15 Masse de données Information explicite Information implicite Page 15
16 Masse de données??? Page 16
17 Masse de données Pour atteindre l iceberg entier, que faut-il? de la curiosité, une problématique, des outils d observation, des outils d analyse, des connaissances annexes Page 17
18 Information et connaissance Connaissance = information structurée, intégrée, mise en application. Théorie de la connaissance (philosophie) Que pouvons nous connaître? Méthode qui conduit à la connaissance? Origine de la connaissance? L'arbre de la connaisance Claude Portais Page 18
19 STIC et risques (plan du cours) Histoire des STICs du signal à l information de l information à la connaissance Des outils variés visibilité, fouille, classification, modélisation, prédiction, transmission, l ingénierie des connaissances Page 19
20 Les outils associés aux TIC Accès aux données Visualisation, interfaces Fouille des données Pertinence / bruit Classification Trier, organiser pour retrouver (notion de similarité) Modélisation Représentation compacte Page 20
21 Les outils des TIC Prédiction Problème de fiabilité Transmission Compromis redondance et débit Qualité de la transmission Page 21
22 Accès aux données Un outil d accès privilégié : les moteurs de recherche Google, Exalead,??? Présentation du résultat de la requête Traitement de la requête Page 22
23 Accès aux données ou des méta-moteurs??? interfaces Indicateurs, résumés, Moteurs multiples Page 23
24 Accès aux données : un exemple La télésurveillance Ma maison est-elle en sécurité? Réseau de caméras Difficulté : la réponse doit être simple et juste Stockage et traitement des données (flux vidéo) Visualisation des indicateurs (alarmes) par un opérateur Difficulté : quels sont les bons indicateurs? Page 24
25 Accès aux données : un autre exemple Centre de supervision de télécommunications de Blagnac. Yves Guillamon / France Télécom Difficulté : multiplicité des sources d information Page 25
26 Accès aux données : interfaces Plus proches des sens humains Études sensorielles : psycho-physique, ergonomie, Réalité augmentée, virtuelle Des interfaces mobiles Accès partout et tout le temps Source mobile/mobile_marche_mde.shtml Monde 03/09/2007 Page 26
27 Fouille des données «Data mining» Qu y-a-t-il d intéressant dans cette base? Filtrage de l information par un critère de «pertinence» Pour qui? Moyens Analyse des données pour les décrire (classification, modélisation) Définition d un critère de pertinence Interaction avec l utilisateur Page 27
28 Fouille : bruit et silence Ensemble des données à fouiller Ensemble des données pertinentes Ensemble des données récupérées BRUIT SILENCE Page 28
29 Fouille : problème d une information noyée Un gros risque : le SPAM! Qu est-ce? Pourquoi l éviter? Comment l éviter? Des infos complémentaires sur : Rapport CNIL sur le Spam Autre risque : le pouvoir trop important des media! Votre avis? Page 29
30 Fouille : détection de nouveautés Méthodologie : Modélisation (statistique) de la normalité puis détection des individus qui ne suivent pas le modèle Méthodes a contrario Applications variées : «alarmes» sur une ligne de production dont le comportement est automatiquement analysé comme anormal Vidéo-surveillance : détection de comportements anormaux Page 30
31 NB : méthodes a contrario Méthodes a contrario «Depuis quelques années sont apparues en analyse d images des méthodes statistiques inspirées de la perception visuelle humaine, qui permettent de réaliser la détection de structures géométriques (contours, alignements, taches, etc.) en contrôlant rigoureusement le nombre de fausses alarmes. Ces structures sont caractérisées comme des arrangements hautement improbables dans un modèle dit ``naïf (typiquement un modèle de bruit), et sont donc détectées par la contradiction de ce modèle naïf, et non par leur adéquation à un modèle a priori, souvent difficile à définir» Lionel Moisan, SMAI 2007 Références bibliographiques : Cours de Julie Delon (CNRS) Article GRETSI, Robin et al. Page 31
32 Fouille des données Qui fouille? «boucle de pertinence» Le système de recherche s adapte à la requête de l utilisateur (et non l inverse) Usage itératif de méthodes d apprentissage à partir d exemples étiquetés par l utilisateur Stratégies de collaboration entre l homme et la machine Quels résultats présenter en vue d un étiquetage? Comme résultat final? Cohérence des actions humaines? Page 32
33 Fouille des données Actions de l utilisateur répertoriées (traces) Intérêt d une information mesurée par la quantité d accès à cette information (pagerank de Google) Élaboration de «profils» utilisateurs Exploitation commerciale! Page 33
34 Fouille de données : un exemple Une catastrophe naturelle Objectif : aide à l interprétation de la scène et à la mise en œuvre des secours Sources de données sur la situation : textes de presse, témoignages, images satellitaires, signaux de capteurs, Connaissances : des experts humains, description du terrain, SIG, encyclopédie spécialisée Des outils : visualisation, navigation dans les données + outils de traitement pour aider la fouille + outils de cartographie Page 34
35 Fouille de données : un exemple Image Spot 5 de l île de Katchall, Iles Nicobar 10 juillet décembre 2004 Charte sur les catastrophes naturelles Tsunami dec Spot Image Page 35
36 Classification Structuration de l information extraite «pattern recognition» Supervisée / non supervisée Les classes d intérêt sont ou non connues Batterie d outils automatiques Discrimination linéaire, non linéaire Clusterisation Page 36
37 Classification Discrimination Outils classiques : Analyse Discriminante de Fisher, les réseaux de neurones, les Machines à Vecteurs de Support (SVM), Deux classes ou plus Page 37
38 Classification Clusterisation : regrouper les données similaires Exemple : algorithme des K-Moyennes Critère mathématique Résolution itérative Hiérarchique Floue Page 38
39 Classification Clusterisation : regrouper les données similaires Pb du choix du critère de regroupement! Page 39
40 Classification La notion de similarité est-elle subjective? Page 40
41 Classification Deux données sont comparées par l intermédiaire des caractéristiques extraites (attributs) Sim( Im1, Im2 ) = Sim( f(im1), f(im2) ), avec f la fonction d extraction des caractéristiques Mesures de similarités, distances (A) s( x, x ) = s( y, y ) > s( x, y ) (B) s( x, y ) = s( y, x ) (C) d( x, x) = 0 (D) d(x,y) = 0 x = y (E) d(x, y) <= d(x,z) + d(z,y) (F) d(x,y) <= max( d(x,z), d(z,y) ) similarité dissimilarité distance Ultra-métrique Page 41
42 Classification Attributs numériques symboliques graphes Quels sont les «bons attributs»? Méthodes de sélection automatiques Risque lié au compromis entre le coût en mémoire et le potentiel informatif des attributs conservés Page 42
43 Modélisation «La modélisation est la conception d'un modèle. Le terme est employé dans plusieurs domaines : [ ] permet d'analyser des phénomènes réels et de prévoir des résultats à partir de l'application d'une ou plusieurs théories à un niveau d'approximation donné [ ]» selon wikipedia Modèles? statistiques, numériques (analytiques), simulations Modèles que vous connaissez? Dans quels contextes? Page 43
44 Exemple simple Régression linéaire. Modèle : Y = a X + b Technique des moindres carrés = minimiser l erreur : Qualité du modèle? Mesure d erreur entre les données réelles et les données prédites par le modèle Page 44
45 Prédiction : les marchés financiers! Validité temporelle à court terme, «Tendance» Analyse technique Exemple Situation à risque : votre avis? s il existait un modèle génial permettant de prédire le marché, celui-ci s effondrerait! Page 45
46 Communications - Transmission Développement rapide des moyens de communication de masse Internet (années 80) Les caméras (webcam), visioconférence Antennes, fibre optique, Sans fil Page 46
47 Les risques en transmission Problème physique Dû au support physique (canal de transmission) Atténuation/perte du signal Echo Problème de la qualité du message récupéré Exemple codage audio très bas débit (pb du bruit) Codage de parole à très bas débit (inférieurs à 600 bits/s). Original codé 15dB métro codé Page 47
48 De l information à la connaissance Constat 1 : une grande masse d information circule Constat 2 : ce qui est information pour les uns peut être bruit pour les autres Constat 3 : l information accessible est parfois contradictoire (pb de fiabilité, contrôle) Page 48
49 Exploitabilité des informations En lien avec utilité, fiabilité Connaissance = information exploitée, organisée et codée informatiquement et savoir = ensemble de connaissances Représentée par Des concepts (modèles, classes, ) Des relations entre les concepts (hiérarchiques, autres?) Outils de gestion des connaissances Bases de données Ontologies Page 49
50 Exemple d ontologie Page 50
51 Conceptualisation Les concepts sont issus d un consensus sur la représentation choisie On observe des individus (éléments d information) qui se retrouve souvent dans le même contexte Difficile à obtenir de façon automatique, manuelle? Outils de fouille, classification de textes pour avoir les concepts sémantiques clés d un domaine et des relations (patrons) Supervision humaine pour sélection, vérification Page 51
52 Conceptualisation d une situation à risque? Acteurs? Données capteurs? Sources d informations? Victimes? Aides possibles? et relations? Images satellitaires SIG Outils de traitement d images tsunami Experts variés : physiciens, géologues, géographes, sociologues, psychologues, traiteurs d images, risque, Gouvernement du pays victimes Organisations humanitaires, Page 52
53 Evolution dans le temps Est-il utile de conceptualiser? Non car chaque catastrophe est unique dans l espace et le temps Oui car Importance de la mémoire Information du passé intégrée Conceptualiser permet de raisonner avec un niveau d abstraction supérieur mise en place de protocoles («principe de précaution») Page 53
54 Conclusion Cours «pub» pour diverses technologies il en existe bien d autres! Idée 1 : beaucoup d information et d outils de traitement de cette information sont disponibles autour de nous (en particulier pour détecter, gérer puis analyser une situation à risque) Idée 2 : faire qu une personne donnée parvienne a récupérer une information utile pour lui rapidement est encore un challenge! Idée 3 : nécessité de structurer l information pour qu elle devienne connaissance et puisse être exploitée. Page 54
Introduction 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 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 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 détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailN. Paparoditis, Laboratoire MATIS
N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS
Plus en détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
Plus en 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 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 détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailInstrumentation de la recherche en Education : analyse épistémologique de quelques logiciels d aide à l analyse d enregistrements vidéos
Instrumentation de la recherche en Education : analyse épistémologique de quelques logiciels d aide à l analyse d enregistrements vidéos Laurent Veillard UMR ICAR (CNRS, Université Lyon 2, ENS de lyon)
Plus en détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailUE 8 Systèmes d information de gestion Le programme
UE 8 Systèmes d information de gestion Le programme Légende : Modifications de l arrêté du 8 mars 2010 Suppressions de l arrêté du 8 mars 2010 Partie inchangée par rapport au programme antérieur Indications
Plus en détailChapitre 18 : Transmettre et stocker de l information
Chapitre 18 : Transmettre et stocker de l information Connaissances et compétences : - Identifier les éléments d une chaîne de transmission d informations. - Recueillir et exploiter des informations concernant
Plus en détailA la découverte du Traitement. des signaux audio METISS. Inria Rennes - Bretagne Atlantique
A la découverte du Traitement des signaux audio METISS Inria Rennes - Bretagne Atlantique Les conférences scientifiques au Lycée Descartes Imagerie médicale et neuronavigation par Pierre Hellier Le respect
Plus en détailTout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce
Tout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce «profil» S orienter (éventuellement se réorienter) dans
Plus en détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Plus en détailLaboratoire d informatique Gaspard-Monge UMR 8049. Journée Labex Bézout- ANSES
Laboratoire d informatique Gaspard-Monge UMR 8049 Journée Labex Bézout- ANSES Présentation du laboratoire 150 membres, 71 chercheurs et enseignants-chercheurs, 60 doctorants 4 tutelles : CNRS, École des
Plus en détailAXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES
1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte
Plus en détailIntroduction à l informatique temps réel Pierre-Yves Duval (cppm)
Introduction à l informatique temps réel Pierre-Yves Duval (cppm) Ecole d informatique temps réel - La Londes les Maures 7-11 Octobre 2002 -Définition et problématique - Illustration par des exemples -Automatisme:
Plus en détailUNIVERSITE HASSAN II DE CASABLANCA. FACULTE DES SCIENCES & TECHNIQUES MOHAMMEDIA Département Génie Electrique
UNIVERSITE HASSAN II DE CASABLANCA FACULTE DES SCIENCES & TECHNIQUES MOHAMMEDIA Département Génie Electrique FORMATION CONTINUE Diplôme d Université de Casablanca Master d Université Master en Sciences
Plus en détailGENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT
Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailUE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd
UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le
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 détailFormation à la recherche documentaire sur le web
Formation à la recherche documentaire sur le web Objectif : Savoir effectuer des recherches pertinentes sur Internet Savoir distinguer les informations fiables sur Internet Savoir effectuer des recherches
Plus en détailDébouchés professionnels : des perspectives multiples. Conditions d accès : La formation à L INPT :
Débouchés professionnels : des perspectives multiples Le cursus à l INPT offre des horizons intéressants. Les métiers liés aux Télécoms et TI sont les plus prisés par les lauréats à travers notamment les
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 détailChief William Bratton, Los Angeles Police Department. Predictive Policing. jean-luc.besson@inhesj.com. 4 février 2015
Very soon, we will be moving to a predictive policing model where, by studying real time crime patterns, we can anticipate where a crime is likely to occur. Chief William Bratton, Los Angeles Police Department
Plus en détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
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 détailTHOT - Extraction de données et de schémas d un SGBD
THOT - Extraction de données et de schémas d un SGBD Pierre-Jean DOUSSET (France), Benoît ALBAREIL (France) pj@miningdb.com, benoit@miningdb.com Mots clefs : Fouille d information, base de données, système
Plus en détailUniversité de La Rochelle. Réseaux TD n 6
Réseaux TD n 6 Rappels : Théorème de Nyquist (ligne non bruitée) : Dmax = 2H log 2 V Théorème de Shannon (ligne bruitée) : C = H log 2 (1+ S/B) Relation entre débit binaire et rapidité de modulation :
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 détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailJoint AAL Information and Networking Day. 21 mars 2012
Joint AAL Information and Networking Day 21 mars 2012 Présentation TéSA a pour objet : la mise en commun de moyens permettant de : rassembler et accueillir des doctorants ou post-doctorants dont les thèses
Plus en détailAMTEC RESOURCES MANAGEMENT LTD. CREATION D UNE BANQUE DE DONNEES DONNEES GEOSPATIALES NATIONALE
AMTEC RESOURCES MANAGEMENT LTD. CREATION D UNE BANQUE DE DONNEES GEOSPATIALE CREATION A D UNE L ECHELLE BANQUE NATIONAL DE DONNEES GEOSPATIALES NATIONALE 1 AMTEC RESOURCES MANAGEMENT LTD. P O Box 3463
Plus en détailLes apports de l informatique. Aux autres disciplines
Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il
Plus en détailProjet de programme pour l enseignement d exploration de la classe de 2 nde : Informatique et création numérique
Projet de programme pour l enseignement d exploration de la classe de 2 nde : Informatique et création numérique 19 mai 2015 Préambule L informatique est tout à la fois une science et une technologie qui
Plus en détailPROGRAMME DU CONCOURS DE RÉDACTEUR INFORMATICIEN
PROGRAMME DU CONCOURS DE RÉDACTEUR INFORMATICIEN 1. DÉVELOPPEMENT D'APPLICATION (CONCEPTEUR ANALYSTE) 1.1 ARCHITECTURE MATÉRIELLE DU SYSTÈME INFORMATIQUE 1.1.1 Architecture d'un ordinateur Processeur,
Plus en détailLe cinquième chapitre
Le cinquième chapitre Objectif : présenter les supports matériels ou immatériels permettant d'étayer cette nouvelle approche de la fonction maintenance. I. Evolution du domaine technique - Différents domaines
Plus en détailLe Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs
Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique
Plus en détailLA COUCHE PHYSIQUE EST LA COUCHE par laquelle l information est effectivemnt transmise.
M Informatique Réseaux Cours bis Couche Physique Notes de Cours LA COUCHE PHYSIQUE EST LA COUCHE par laquelle l information est effectivemnt transmise. Les technologies utilisées sont celles du traitement
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 détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
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 détailLes technologies du Big Data
Les technologies du Big Data PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR TOM LANDRY, CONSEILLER SENIOR LE 20 MAI 2015 WWW.CRIM.CA TECHNOLOGIES: DES DONNÉES JUSQU'À L UTILISATEUR
Plus en détailMercredi 15 Janvier 2014
De la conception au site web Mercredi 15 Janvier 2014 Loïc THOMAS Géo-Hyd Responsable Informatique & Ingénierie des Systèmes d'information loic.thomas@anteagroup.com 02 38 64 26 41 Architecture Il est
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 détailChapitre 2 : communications numériques.
Chapitre 2 : communications numériques. 1) généralités sur les communications numériques. A) production d'un signal numérique : transformation d'un signal analogique en une suite d'éléments binaires notés
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 détailEfficace et ciblée : La surveillance des signaux de télévision numérique (2)
Efficace et ciblée : La surveillance des signaux de télévision numérique (2) La première partie de cet article publié dans le numéro 192 décrit la méthode utilisée pour déterminer les points de surveillance
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 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 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 détailmission. Le premier poste du programme de travail du DREV vise la qualification, la quantification et le suivi
Dans le cadre de la mission le DREV est chargé de conduire des études et expérimentations permettant de mieux comprendre les usages en matière de consommation de produits culturels en ligne et de produire
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailPoursuivre ses études à l'université de Rouen Masters professionnels en Informatique et en Mathématiques. UFR Sciences et Techniques 20-03-2014 1/18
Poursuivre ses études à l'université de Rouen Masters professionnels en Informatique et en Mathématiques UFR Sciences et Techniques 20-03-2014 1/18 Masters pro GIL, SSI et AIMAF Taux d'insertion : 100
Plus en détailEtudier l informatique
Etudier l informatique à l Université de Genève 2015-2016 Les bonnes raisons d étudier l informatique à l UNIGE La participation à des dizaines de projets de recherche européens Dans la présente brochure,
Plus en détailDESCRIPTIF DE MODULE S4 ADG : Mathématique pour la Gestion
Sous filière : IAME DESCRIPTIF DE MODULE S4 ADG : Mathématique pour la Gestion COORDONNATEUR DU MODULE: Professeur FEKRI Mohammed Département : RIM Objectif : Ce module a pour objectif d initier les élèves
Plus en détailPourquoi intégrer le Big Data à son organisa3on?
Pourquoi intégrer le Big Data à son organisa3on? Yvan Robert, VP Affaires Stratégiques Emmanuel Faug, Resp. pra>que BI Colloque 2014 Big Data Agenda Qui sommes nous? L importance de l information Méthodes
Plus en détailMASTER (LMD) GESTION DE DONNEES ET SPATIALISATION EN ENVIRONNEMENT (GSE)
MASTER (LMD) GESTION DE DONNEES ET SPATIALISATION EN ENVIRONNEMENT (GSE) RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : STIC POUR L'ECOLOGIE
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailDr YAO Kouassi Patrick www.yaopatrick.e-monsite.com
Notion de Bases de données et Gestion de données biologiques Dr YAO Kouassi Patrick www.yaopatrick.e-monsite.com Notion de base de données Une base de données est une collection de données interdépendantes
Plus en détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailPrédiction de couverture de champ radioélectrique pour les réseaux radiomobiles : L apport du Système d Information Géographique ArcInfo 8
Prédiction de couverture de champ radioélectrique pour les réseaux radiomobiles : L apport du Système d Information Géographique ArcInfo 8 Christine TURCK 1 * et **, Christiane WEBER**, Dominique THOME*
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 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 détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailSystème à enseigner : Robot M.I.M.I. MultipodeIntelligent à Mobilité Interactive. Version 1.0
Système à enseigner : Robot M.I.M.I. MultipodeIntelligent à Mobilité Interactive Sommaire - Le Robot M.I.M.I. (Multipode Intelligent à Mobilité Interactive) - Présentation du Système à Enseigner. - Composition
Plus en détailJean-François Boulicaut & Mohand-Saïd Hacid
e siècle! Jean-François Boulicaut & Mohand-Saïd Hacid http://liris.cnrs.fr/~jboulica http://liris.cnrs.fr/mohand-said.hacid Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205
Plus en détailDocument d accompagnement pour le référentiel national du C2i niveau 2 Métiers de l environnement et de l aménagement durables
Document d accompagnement pour le référentiel national du C2i niveau 2 Métiers de l environnement et de l aménagement durables A - Compétences générales et transversales liées à l exercice des métiers
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailDESCRIPTIF DE MODULE S5 GSI
Option SIM DESCRIPTIF DE MODULE S5 GSI : Gouvernance et Systèmes d Information COORDONNATEUR DU MODULE : Département : Ce module a pour but d enseigner les méthodes, les règles et les pratiques nécessaires
Plus en détailBIG DATA en Sciences et Industries de l Environnement
BIG DATA en Sciences et Industries de l Environnement François Royer www.datasio.com 21 mars 2012 FR Big Data Congress, Paris 2012 1/23 Transport terrestre Traçabilité Océanographie Transport aérien Télémétrie
Plus en détailUniversité de Lausanne
Université de Lausanne Records management et archivage électronique : cadre normatif Page 2 Ce qui se conçoit bien s énonce clairement Nicolas Boileau Page 3 Table des matières Qu est- ce que le «records
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 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 détailVoie SIS (2A M1) Signal, Informatique 05/06/2014
Voie SIS (2A M1) Signal, Informatique et Systèmes 05/06/2014 1ère des 2 années du cycle «smart system» système capable de : recevoir des données, des requêtes percevoir son propre état et/ou son environnement
Plus en détailTransmission de données. A) Principaux éléments intervenant dans la transmission
Page 1 / 7 A) Principaux éléments intervenant dans la transmission A.1 Equipement voisins Ordinateur ou terminal Ordinateur ou terminal Canal de transmission ETTD ETTD ETTD : Equipement Terminal de Traitement
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
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 détailConception des systèmes répartis
Conception des systèmes répartis Principes et concepts Gérard Padiou Département Informatique et Mathématiques appliquées ENSEEIHT Octobre 2012 Gérard Padiou Conception des systèmes répartis 1 / 37 plan
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 détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en 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 détailGestion collaborative de documents
Gestion collaborative de documents ANT box, le logiciel qui simplifie votre GED Les organisations (entreprises, collectivités, associations...) génèrent chaque jour des millions de documents, e-mails,
Plus en détailEnregistrement et transformation du son. S. Natkin Novembre 2001
Enregistrement et transformation du son S. Natkin Novembre 2001 1 Éléments d acoustique 2 Dynamique de la puissance sonore 3 Acoustique géométrique: effets de diffusion et de diffraction des ondes sonores
Plus en détailLes sciences de l ingénieur appliquées à la prise en charge du
Les sciences de l ingénieur appliquées à la prise en charge du cancer : enjeux et opportunités Début de cartographie des enjeux cliniques et technologiques gq Jean-François MENUDET, Cluster I-Care Cartographie
Plus en détailFORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis
FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités
Plus en détail