Analyse d un système de freinage récupératif d un véhicule électrique
|
|
|
- Clotilde Pothier
- il y a 8 ans
- Total affichages :
Transcription
1 Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet
2 1 Compréhension du sujet 2 Cas I 3 Cas II
3 Plan Compréhension du sujet Cas I Cas II 1 Compréhension du sujet 2 Cas I 3 Cas II
4 Problématiques ADACCESS Optimiser les solutions pour des situations et des styles de conduites très variés Modéliser le courant de la batterie en fonction du comportement du conducteur
5 Objectifs 1 Modèle comportemental macroscopique du freinage récupératif d un véhicule électrique 2 Déterminer les variables impliquées dans le processus du récupération de l énergie (194 variables)
6 Quelques images pour comprendre la difficulté du problème
7 Compréhension du sujet Cas I Cas II Oublions le temps!
8 Régression Linéaire On cherche à estimer le courant de la batterie en fonction des 4 variables précédentes en supposant une relation linéaire de la forme Courant_batt =α 0 + α 1 Pedale_accel + α 2 Pedale_frein Coefficient R 2 : + α 3 Vitesse + α 4 Charge_batt + Bruit. R 2 = 1 Erreur quadratique Var(Courant_batt). Autrement dit, plus R 2 est proche de 1, plus le modèle linéaire est adapté au jeu de données.
9 Régression Linéaire Sans prise en compte de la temporalité Apprentissage 50%: R 2 = 0.90 Test: R 2 = 0.61
10 Régression Linéaire - Prise en compte de la temporalité Prise en compte des variables au temps précédent Apprentissage 50%: R 2 = 0.92 Test: R 2 = 0.71
11 Régression Linéaire - Prise en compte de la temporalité Prise en compte des variables sur 10 temps précédent Apprentissage 50%: R 2 = Test: R 2 = 0.991
12 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables.
13 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables. Comment choisir le nombre d axes? On a essentiellement 2 manières de faire.
14 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables. Comment choisir le nombre d axes? On a essentiellement 2 manières de faire. Pour obtenir une représentation graphique facilement lisible, on choisit exactement 2 axes.
15 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables. Comment choisir le nombre d axes? On a essentiellement 2 manières de faire. Pour obtenir une représentation graphique facilement lisible, on choisit exactement 2 axes. On choisit les axes correspondants à des valeurs propres supérieures à 1 pour avoir une bonne représentation de l ensemble des variables.
16 Sélection de variables et ACP Objectif de l Analyse en Composantes Principales (ACP) Trouver des axes (des combinaisons linéaires des variables) qui représentent au mieux la diversité (ou variance) de l ensemble des variables. Comment choisir le nombre d axes? On a essentiellement 2 manières de faire. Pour obtenir une représentation graphique facilement lisible, on choisit exactement 2 axes. On choisit les axes correspondants à des valeurs propres supérieures à 1 pour avoir une bonne représentation de l ensemble des variables. Pour le modèle réduit, on a 2 valeurs propres supérieures à 1. la représentation en 2D résume bien l information des 4 variables.
17 Résultat de l ACP ACP sur le modèle réduit 2nde Composante Principale Courant_Batt Pedale_Accel Vitesse Charge_Batt Pedale_Frein ère Composante principale
18 Sélection de variable On utilise une méthode de sélection de variable pas à pas (RFE): on part du modèle avec toutes les variables on élimine progressivement les variables on choisit le meilleur modèle parmi ceux construits (ici 4 modèles)
19 Sélection de variable On utilise une méthode de sélection de variable pas à pas (RFE): on part du modèle avec toutes les variables on élimine progressivement les variables on choisit le meilleur modèle parmi ceux construits (ici 4 modèles) Les variables sélectionnées par ordre d importance sont : la pédale d accélération, la pédale de frein, la vitesse, la charge de la batterie.
20 Sélection de variable On utilise une méthode de sélection de variable pas à pas (RFE): on part du modèle avec toutes les variables on élimine progressivement les variables on choisit le meilleur modèle parmi ceux construits (ici 4 modèles) Les variables sélectionnées par ordre d importance sont : la pédale d accélération, la pédale de frein, la vitesse, la charge de la batterie.
21 Régression Linéaire Régression linéaire sur les 195 variables Apprentissage: R 2 = Test: R 2 =
22 Résultat de l ACP ACP sur le modèle complet 2nde Composante Principale V44 V59 V58 V99 V55 V18 V123 V105 V113 V40 V38 V15 V51 V53 V122 V107 V87 V95 V91 V98 V92 V94 V104 V110 V111 V116 V109 V108 V112 V117 V115 V114 V96 V121 Courant_Batt V14 V17 V106 V125 V3 V35 V37 V9V6 V89 V118 V120 V119 V144 V190 V193 V130 V157 V126 V153 V145 V148 V146 V147 V155 V62 V124 V192 V74 V67 V43 V56 V57 V8 V22 V45 V63 V68 V69 V71 V77 V76 V79 V83 V4 V60 V75 V84 V127 V172 V154 V143 V85 V61 V156 V78 V129 V128 V21 V25 V167 V64 V139V72 V41 V47 V80 V102 V171 V169 V168 V173 V138 V174 V170 V137 V103 V100 V162 V163 V101 V131 V165 V166 V49 V136V81 V82 V2 V135 V86 V132 V134 V133 V149 V152V140 V150 V151 V141 V164 V5 V142 V191 V20 V34 V27 V32 V31 V29 V30 V26 V33 V36 V48 V23 V24 V28 V7 V50 V19 V65 V66 V42 V39 V73 V97 V46 V90 V160 V159 V158 V184 V185 V186 V187 V188 V70V189 V93 V183 V88 V161 V175 V176 V52 V13 V54 V177 V178 V179 V180 V182 V ère Composante principale
23 Résultat de l ACP 2nde Composante Principale ACP sur le modèle complet V44 V59 V58 V99 V55 V18 V123 V105 V113 V40 V38 V15 V51 V53 V122 V107 V87 V95 V91 V98 V92 V94 V104 V110 V111 V116 V109 V108 V112 V117 V115 V114 V96 V121 Courant_Batt V14 V17 V106 V125 V3 V35 V37 V9V6 V89 V118 V120 V119 V144 V190 V193 V130 V157 V126 V153 V145 V148 V146 V147 V155 V62 V124 V192 V74 V67 V43 V56 V57 V8 V22 V45 V63 V68 V69 V71 V77 V76 V79 V83 V4 V60 V75 V84 V127 V172 V154 V143 V85 V61 V156 V78 V129 V128 V21 V25 V167 V64 V139V72 V41 V47 V80 V102 V171 V169 V168 V173 V138 V174 V170 V137 V103 V100 V162 V163 V101 V131 V165 V166 V49 V136V81 V82 V2 V135 V86 V132 V134 V133 V149 V152V140 V150 V151 V141 V164 V5 V142 V191 V20 V34 V27 V32 V31 V29 V30 V26 V33 V36 V48 V23 V24 V28 V7 V50 V19 V65 V66 V42 V39 V73 V97 V46 V90 V160 V159 V158 V184 V185 V186 V187 V188 V70V189 V93 V183 V88 V161 V175 V176 V52 V13 V54 V177 V178 V179 V180 V182 V181 Problème : La variable d intérêt est mal représentée. l ACP classique ne permet pas de sélectionner les variables significatives pour la prédiction de Courant_Batt ère Composante principale
24 Résultat de l ACP 2nde Composante Principale ACP sur le modèle complet V44 V59 V58 V99 V55 V18 V123 V105 V113 V40 V38 V15 V51 V53 V122 V107 V87 V95 V91 V98 V92 V94 V104 V110 V111 V116 V109 V108 V112 V117 V115 V114 V96 V121 Courant_Batt V14 V17 V106 V125 V3 V35 V37 V9V6 V89 V118 V120 V119 V144 V190 V193 V130 V157 V126 V153 V145 V148 V146 V147 V155 V62 V124 V192 V74 V67 V43 V56 V57 V8 V22 V45 V63 V68 V69 V71 V77 V76 V79 V83 V4 V60 V75 V84 V127 V172 V154 V143 V85 V61 V156 V78 V129 V128 V21 V25 V167 V64 V139V72 V41 V47 V80 V102 V171 V169 V168 V173 V138 V174 V170 V137 V103 V100 V162 V163 V101 V131 V165 V166 V49 V136V81 V82 V2 V135 V86 V132 V134 V133 V149 V152V140 V150 V151 V141 V164 V5 V142 V191 V20 V34 V27 V32 V31 V29 V30 V26 V33 V36 V ère Composante principale V23 V24 V28 V7 V50 V19 V65 V66 V42 V39 V73 V97 V46 V90 V160 V159 V158 V184 V185 V186 V187 V188 V70V189 V93 V183 V88 V161 V175 V176 V52 V13 V54 V177 V178 V179 V180 V182 V181 Problème : La variable d intérêt est mal représentée. l ACP classique ne permet pas de sélectionner les variables significatives pour la prédiction de Courant_Batt. Remarque : on a en fait 17 valeurs propres supérieures à 1, ce qui explique que beaucoup de variables soient mal représentées.
25 Forêts aléatoires Autre méthode de régression : les forêts aléatoires. Algorithme très performant même si les variables sont nombreuses N impose pas la forme de la fonction de régression (méthode non paramétrique)
26 Sélection de variables avec les forêts aléatoires On utilise cet algorithme pour sélectionner les variables pertinentes : Le forêt classe les variables selon leur importance (critère calculé par la forêt) À la première itération, les 20% de variables les moins pertinentes sont enlevées du modèle On itère jusqu à ce qu il ne reste plus aucune variable.
27 Résultat de la sélection de variables RMSE (Cross Validation) Variables Numéro des variables sélectionnées : 18, 58, 59, 55, 81, 9, 132, 142, 82
28 Une ACP à noyau (KPCA) Objectifs Être conforté dans la sélection de variables donnée par les forêts aléatoires.
29 Une ACP à noyau (KPCA) Objectifs Être conforté dans la sélection de variables donnée par les forêts aléatoires. Avoir une ACP qui sépare mieux les variables.
30 Une ACP à noyau (KPCA) Objectifs Être conforté dans la sélection de variables donnée par les forêts aléatoires. Avoir une ACP qui sépare mieux les variables. Moyen utilisé Une ACP non linéaire. Ici une ACP à noyau gaussien : le noyau gaussien répond au 2ème objectif.
31 Résultat d une KPCA KPCA à noyau gaussien sur le modèle complet 2nde Composante Principale V35 V37 Courant_Batt V100 V101 V102 V103 V104 V105 V106 V107 V108 V109 V110 V111 V112 V113 V114 V115 V116 V117 V118 V119 V120 V121 V122 V123 V124 V125 V126 V127 V128 V129 V130 V131 V132 V133 V134 V135 V136 V137 V138 V139 V140 V141 V142 V143 V144 V145 V146 V147 V148 V149 V150 V151 V152 V153 V154 V155 V156 V157 V158 V159 V160 V161 V162 V163 V164 V165 V166 V167 V168 V169 V170 V171 V172 V173 V174 V175 V176 V177 V178 V179 V180 V181 V182 V183 V184 V185 V186 V187 V188 V189 V191 V192 V193 V190 V23 V24 V20 V21 V22 V25 V26 V27 V28 V29 V30 V31 V32 V33 V34 V36 V39 V41 V43 V44 V45 V46 V47 V48 V49 V50 V51 V52 V54 V55 V56 V57 V58 V59 V60 V61 V62 V63 V64 V65 V66 V67 V68 V69 V70 V71 V72 V73 V74 V75 V76 V77 V78 V79 V80 V81 V82 V83 V84 V85 V86 V87 V88 V89 V90 V91 V92 V93 V94 V95 V96 V97 V98 V99 V42 V10 V40V11 V38 V53 V ère Composante Principale
32 Résultat d une KPCA KPCA à noyau gaussien sur le modèle complet 2nde Composante Principale V35 V37 Courant_Batt V100 V101 V102 V103 V104 V105 V106 V107 V108 V109 V110 V111 V112 V113 V114 V115 V116 V117 V118 V119 V120 V121 V122 V123 V124 V125 V126 V127 V128 V129 V130 V131 V132 V133 V134 V135 V136 V137 V138 V139 V140 V141 V142 V143 V144 V145 V146 V147 V148 V149 V150 V151 V152 V153 V154 V155 V156 V157 V158 V159 V160 V161 V162 V163 V164 V165 V166 V167 V168 V169 V170 V171 V172 V173 V174 V175 V176 V177 V178 V179 V180 V181 V182 V183 V184 V185 V186 V187 V188 V189 V191 V192 V193 V190 V23 V24 V20 V21 V22 V25 V26 V27 V28 V29 V30 V31 V32 V33 V34 V36 V39 V41 V43 V44 V45 V46 V47 V48 V49 V50 V51 V52 V54 V55 V56 V57 V58 V59 V60 V61 V62 V63 V64 V65 V66 V67 V68 V69 V70 V71 V72 V73 V74 V75 V76 V77 V78 V79 V80 V81 V82 V83 V84 V85 V86 V87 V88 V89 V90 V91 V92 V93 V94 V95 V96 V97 V98 V99 V42 V10 V40V11 V38 V53 V15 on sépare bien les variables ère Composante Principale
33 Résultat d une KPCA KPCA à noyau gaussien sur le modèle complet 2nde Composante Principale V35 V37 Courant_Batt V100 V101 V102 V103 V104 V105 V106 V107 V108 V109 V110 V111 V112 V113 V114 V115 V116 V117 V118 V119 V120 V121 V122 V123 V124 V125 V126 V127 V128 V129 V130 V131 V132 V133 V134 V135 V136 V137 V138 V139 V140 V141 V142 V143 V144 V145 V146 V147 V148 V149 V150 V151 V152 V153 V154 V155 V156 V157 V158 V159 V160 V161 V162 V163 V164 V165 V166 V167 V168 V169 V170 V171 V172 V173 V174 V175 V176 V177 V178 V179 V180 V181 V182 V183 V184 V185 V186 V187 V188 V189 V191 V192 V193 V190 V23 V24 V20 V21 V22 V25 V26 V27 V28 V29 V30 V31 V32 V33 V34 V36 V39 V41 V43 V44 V45 V46 V47 V48 V49 V50 V51 V52 V54 V55 V56 V57 V58 V59 V60 V61 V62 V63 V64 V65 V66 V67 V68 V69 V70 V71 V72 V73 V74 V75 V76 V77 V78 V79 V80 V81 V82 V83 V84 V85 V86 V87 V88 V89 V90 V91 V92 V93 V94 V95 V96 V97 V98 V99 V42 V10 V40V11 V38 V53 V15 on sépare bien les variables. Mais pour un trop petit nombre ère Composante Principale
34 Résultat d une KPCA KPCA à noyau gaussien sur le modèle complet 2nde Composante Principale V35 V37 Courant_Batt V100 V101 V102 V103 V104 V105 V106 V107 V108 V109 V110 V111 V112 V113 V114 V115 V116 V117 V118 V119 V120 V121 V122 V123 V124 V125 V126 V127 V128 V129 V130 V131 V132 V133 V134 V135 V136 V137 V138 V139 V140 V141 V142 V143 V144 V145 V146 V147 V148 V149 V150 V151 V152 V153 V154 V155 V156 V157 V158 V159 V160 V161 V162 V163 V164 V165 V166 V167 V168 V169 V170 V171 V172 V173 V174 V175 V176 V177 V178 V179 V180 V181 V182 V183 V184 V185 V186 V187 V188 V189 V191 V192 V193 V190 V23 V24 V20 V21 V22 V25 V26 V27 V28 V29 V30 V31 V32 V33 V34 V36 V39 V41 V43 V44 V45 V46 V47 V48 V49 V50 V51 V52 V54 V55 V56 V57 V58 V59 V60 V61 V62 V63 V64 V65 V66 V67 V68 V69 V70 V71 V72 V73 V74 V75 V76 V77 V78 V79 V80 V81 V82 V83 V84 V85 V86 V87 V88 V89 V90 V91 V92 V93 V94 V95 V96 V97 V98 V99 V42 V10 V40V11 V38 V53 V15 on sépare bien les variables. Mais pour un trop petit nombre. on effectue des KPCAs successives jusqu à obtenir au maximum 10 variables ère Composante Principale
35 Successions de KPCA KPCAs à noyau gaussien successives sur le modèle complet 2nde Composante Principale V26 Courant_Batt V193 V52 V21 V18 V28 V190 V42 V ère Composante Principale
36 Successions de KPCA KPCAs à noyau gaussien successives sur le modèle complet 2nde Composante Principale V26 Courant_Batt V193 V52 V21 V18 V28 V190 V42 V31 Il reste les variables "V18", "V21", "V26", "V28", "V31", "V42", "V52", "V190" ère Composante Principale
37 Merci pour votre attention!
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
Une comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
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
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
Optimisation des ressources des produits automobile première
EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients
Accélérer l agilité de votre site de e-commerce. Cas client
Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible
LA 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
Soutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Capteurs de vitesse de rotation de roue ATE
Capteurs de vitesse de rotation de roue ATE Pourquoi utiliser les capteurs de vitesse de rotation de roue ATE? Un besoin de plus en plus grand de confort et de sécurité : l ABS est aujourd hui un standard
TABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Température corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Chaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
CHAPITRE 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
SAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
La XJ MANUEL DU CONDUCTEUR
La XJ MANUEL DU CONDUCTEUR Publication Nº JJM 11 02 21 502 Publié en novembre 2004 par Technical Communications Jaguar Cars Limited JAGUAR CARS LIMITED est un constructeur spécialisé dans l étude et la
Le risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares
Filtrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
L'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
CAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Modèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Agenda de la présentation
Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining
L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Organisé 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
K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Listes de fournitures du secondaire pour la rentrée 2015-2016
Listes de fournitures du secondaire pour la rentrée 2015-2016 Classe de 6 ème - Un paquet de pinceaux (gros, moyens, petit) Classe de 5 ème - Un paquet de pinceaux (gros, moyens, petits) Classe de 4 ème
Quantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
TABLE 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,
Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Déroulement 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
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
INF6304 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
Dell Software International Limited City Gate Park Mahon Cork Ireland
Formation Big Data Analytics Séminaire de Méthodologie en Data Science Transformez Vos Données en Actions 2 jours : Mardi 8 et Mercredi 9 Décembre 2015 + 1 jour en option : «Mains sur le Clavier» Lieu
Modélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Introduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
PROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Bus hybrides Scania : un concept novateur qui améliore le rendement de 25 %
PRESS info P09601FR / Per-Erik Nordström Mai 2009 Bus hybrides Scania : un concept novateur qui améliore le rendement de 25 % Scania lance un vaste programme d essais en service réel d une chaîne cinématique
Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Un projet électrisant de Communauto Éléments clés pour s approprier la Nissan LEAF
Un projet électrisant de Communauto Éléments clés pour s approprier la Nissan LEAF alimenté par SOMMAIRE 1. Le projet 2. La Nissan LEAF 3. Les bornes de recharge 4. Conduire la LEAF 5. Recharger la LEAF
1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur
Présentation du sujet de thèse Schémas temporels hybrides fondés sur les SVMs pour l analyse du comportement du conducteur Réalisé par : Bassem Besbes Laboratoire d Informatique, Traitement de l Information
(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Techniques 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
A 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
Arbres 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
La classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Optimisation 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
$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
INTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Edmond Cissé. URÆUS Consult Ingénierie & Sécurité des Données www.uraeus-consult.com. edcisse@uraeus-consult.com 04 93 95 52 10
Edmond Cissé URÆUS Consult Ingénierie & Sécurité des Données www.uraeus-consult.com edcisse@uraeus-consult.com 04 93 95 52 10 1 Historique du BI Depuis 20 ans, le marché BI est stable et maintenu dans
Projet 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,
NON-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
Conseils pour les personnes âgées qui achètent un véhicule
Types de véhicules La taille du véhicule relève d un choix personnel. Certains aînés se sentent plus en sécurité dans un véhicule plus lourd, alors que d autres considèrent que les petites voitures sont
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Exercices de Statistique HEI 3-2014/2015 A. RIDARD
Exercices de Statistique HEI 3-2014/2015 A. RIDARD 2 Table des matières 1 Loi normale 5 2 Estimation 7 3 Tests statistiques 11 4 Régression linéaire 13 5 Analyse de variance 19 Annales 25 3 4 Chapitre
Manuel de validation Fascicule v4.25 : Thermique transitoire des structures volumiques
Titre : TTLV100 - Choc thermique dans un tuyau avec condit[...] Date : 02/03/2010 Page : 1/10 Manuel de Validation Fascicule V4.25 : Thermique transitoire des structures volumiques Document : V4.25.100
Volvo FE hybride Pour la distribution et la collecte des ordures
Volvo FE hybride Pour la distribution et la collecte des ordures Avec des PTR jusqu à 26 tonnes, le Volvo FE hybride réunit tous les atouts pour la collecte des ordures et la distribution. Le moteur électrique
Résumé 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
Méthodes d apprentissage statistique «Machine Learning»
Méthodes d apprentissage statistique «Machine Learning» Fabrice TAILLIEU, Sébastien DELUCINGE, Rémi BELLINA Le marché de l assurance a rarement été marqué par un environnement aussi difficile qu au cours
Outil de formation à la conduite économique et écologique.
L EC MOBIL Outil de formation à la conduite économique et écologique. H.D.M S O L U T IONS T E C H N O L O G IQUES Tel 04 78 32 07 20 Fax 04 78 32 07 30 Mail contact.hdm@wanadoo.fr Site www.reactiometre.com
Swiss Auto. Roulez en toute sérénité
Swiss Auto Roulez en toute sérénité Swiss Auto : l assurance auto qui vous ressemble Voiture neuve ou d occasion? Vous roulez peu ou vous avez besoin de votre véhicule tous les jours? Vous l utilisez aussi
Réduction d impôts pour l achat d un véhicule électrique
L UNION FAIT LA FORCE Réduction d impôts pour l achat d un véhicule électrique et/ou pour l installation d une borne de rechargement Revenus 2010 et 2011 (exercices d imposition 2011 et 2012) Mesures applicables
Forum du 07 /04 /2011
Forum du 07 /04 /2011 Bilan général du tout automobile et de ces conséquences. La voiture est devenue l objet primordial de nos déplacements Infrastructures au détriment de la qualité de la vie Conséquences
Chp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Modélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
7 ingrédients pour personnaliser l expérience client et booster votre chiffre d affaires en seulement 5 semaines
7 ingrédients pour personnaliser l expérience client et booster votre chiffre d affaires en seulement 5 semaines 24 S e p t e m b r e 2014 @Emarsys_France #ECP14 23 > 25 SEPTEMBRE 2014 I PARIS I PORTE
La survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
données 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)
Texte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Propulsions alternatives
Propulsions alternatives Huit formes de propulsion alternative existent aujourd hui à côté des moteurs à essence et au diesel classiques. Nous les passons en revue ici avec à chaque fois une définition,
Mises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger.
Cet ouvrage est fondé sur les notes d un cours dispensé pendant quelques années à l Institut universitaire de technologie de Grenoble 2, au sein du Département statistique et informatique décisionnelle
Résolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Table des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Franck VAUTIER, Jean-Pierre TOUMAZET, Erwan ROUSSEL, Marlène FAURE, Mohamed ABADI, Marta FLOREZ, Bertrand DOUSTEYSSIER
Utilisation d images dérivées d un jeu de données LIDAR pour la détection automatisée de vestiges archéologiques (programme de recherche méthodologique LiDARCHEO) Franck VAUTIER, Jean-Pierre TOUMAZET,
Identification des besoins : la méthode des Focus Group. Définition et descriptif de la méthode
Identification des besoins : la méthode des Focus Group Définition et descriptif de la méthode Identifier les besoins des utilisateurs Le Focus Group Le Focus Group est une activité de groupe ayant pour
AICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
g a m m e du 125 au 500 cm 3 accessible avec permis auto
g a m m e du 125 au 500 cm 3 accessible avec permis auto HYBRID LT 300 TROIS ROUES à VOTRE SERVICE TOURING LT 300/400/500 TOURING 125 Le, le plus confortable et élégant de la famille Piaggio, le trois
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Une Technologie qui bouge et travaille. ZF-Duodrive: la transmission hydrostatique
Une Technologie qui bouge et travaille. ZF-Duodrive: la transmission hydrostatique Les poids lourds d'aujourd'hui ne sont plus utilisés uniquement comme un moyen de transport, mais servent également à
STATISTIQUES. 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
Masters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance»
Masters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance» Introduction au Data Mining K. EL HIMDI elhimdi@menara.ma 1 Sommaire du MODULE Partie 1 : Introduction au Data Mining Partie 2 :
Utilisation 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
Baromètre du Digital Marketing 2014. 16 Septembre 2014
Baromètre du Digital Marketing 2014 16 Septembre 2014 Bienvenue Laurent Duroux Partner Sales Manager France Marketing Cloud 1. Table Ronde : le baromètre commenté par nos invités 2. Tirage au sort et remise
Estimation de potentiel éolien
cours1 (suite) Estimation de potentiel éolien Mesures de la vitesse et de la direction du vent Différents types d anémomètres-girouettes Anémomètre à coupelles Simple et robuste, il nécessite l adjonction
LES INTERFACES HOMME-MACHINE
LES INTERFACES HOMME-MACHINE 1 ère Partie : Introduction aux Interfaces Homme-Machine 2 ème Partie : Notions de base sur les Sciences Cognitives 3 ème Partie : Recommandations ergonomiques 4 ème Partie
Moins de consommation. Moins de stress. Plus de sécurité.
Moins de consommation. Moins de stress. Plus de sécurité. Mieux rouler, tout simplement. Vérification de la voiture avant de démarrer 4 5 La pratique de la conduite comment simplifier 8 9 Situations de
Intérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Les nouveautés de Femap 11.1
Siemens PLM Software Les nouveautés de Femap 11.1 Amélioration de la productivité des Ingénieurs calcul Avantages Manipulation plus rapide des modèles grâce à des performances graphiques améliorées Flexibilité
Echantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
MESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Cours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
Système de propulsion électrique Voltec : il permet d associer sobriété et sportivité
Media Information 11 juillet 2011 Opel Ampera Système de propulsion Système de propulsion électrique Voltec : il permet d associer sobriété et sportivité Tout en douceur : les roues sont toujours entraînées
2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................