Reconnaissance du locuteur
|
|
- Jean-Baptiste Perras
- il y a 8 ans
- Total affichages :
Transcription
1 Reconnaissance du locuteur Claude Barras! Master, Université Paris-Sud
2 Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 2/46
3 Introduction Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 3/46
4 Introduction Les tâches en reconnaissance du locuteur Vérification le locuteur est-il bien celui qu il prétend? target speaker unknown speaker? Speaker verification accepted rejected (impostor) brique de base pour les autres tâches Identification recherche parmi un ensemble de voix de personnes connues Structuration en tours de parole qui parle, quand? 4/46
5 Introduction Applications Sécurité contrôle d accès (complément d un code, d un badge) accès physique: banques, voitures, entreprises accès distant: consultation de comptes bancaires par téléphone... Police criminelle / identification de suspects? filtrage de voix suspectes (+ validation humaine) fiabilité pour utilisation comme preuve? (position AFCP) Indexation multimédia indexation par locuteur Transcription automatique adaptation des modèles acoustiques à la voix du locuteur 5/46
6 Introduction Paramètres caractéristiques Paramètres acoustiques anatomie des cordes vocales et du conduit vocal pas mesurable directement comme une biométrie physique analyse spectrale à court terme du timbre résonances dans le conduit vocal modulées par le geste articulatoire (biométrie comportementale) Autres sources d information possibles personnalité, éducation, lieu de naissance... prosodie, prononciation... contenu, sémantique transcription 6/46
7 Introduction Paramètres caractéristiques Critères pour choisir de bons paramètres pratiques (faciles à mesurer) robustes (au bruit et au temps) sécurisés (discriminants, résistants à la contrefaçon) Qualité des coefficients spectraux? pratiques (modalité orale non intrusive) peu discriminants, peu robustes Variabilité intra-locuteur intrinsèque: contenu linguistique, humeur, effort vocal externe: réverbération, microphone, bruit de fond 7/46
8 Introduction Modèles de locuteurs Séquence de vecteurs de paramètres acoustiques X = (x 1,..., x t,..., x T ) Modèle par mélange de gaussiennes (GMM) M p(x Θ) = ω i N (x; µ i, Σ i ) apprentissage direct ou adaptation d un modèle générique Adaptation par Maximum a posteriori (MAP) adaptation des vecteurs de moyenne i=1 facteur de pertinence τ ˆµ i = n ie i {x} + τµ i n i + τ 8/46
9 Vérification du locuteur Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 9/46
10 Vérification du locuteur Vérification du locuteur Approche standard GMM-UBM (D. Reynolds, MIT-LL) voix cible signal Paramètres voix de référence Modèle cible Adaptation Modèle de référence accepté + Σ Normalisation score >S rejeté décision par rapport de vraisemblance 10/46
11 Vérification du locuteur Evaluation en vérification du locuteur Erreurs possibles rejet du bon locuteur ( détection manquée ) acceptation d un imposteur ( fausse alarme ) 0.2 Impostors False acceptance True targets False rejection Threshold 0.15 likelihood score 11/46
12 Vérification du locuteur Evaluation en vérification du locuteur Compromis entre les 2 types d erreur Réglage du seuil de décision dépendant de la tâche seuil faible: peu de faux rejets, risque d impostures seuil élevé: peu d impostures, risque de rejeter le bon locuteur Mesure de coût somme pondérée des deux probabilités d erreur C = αp rejet + βp imposture pondérations dépendantes de l application recherche du seuil offrant le coût minimum Taux d égale erreur (EER) 12/46
13 Vérification du locuteur Représentation par courbe DET Courbe DET (Detection Error Tradeoff) compromis entre les deux types d erreur courbe caractérisque quasi-linéaire 100% ROC DET détections manquées coût constant égale erreur détections manquées coût constant égale erreur 0 fausses alarmes 100% fausses alarmes 13/46
14 Vérification du locuteur Campagnes internationales NIST SRE Campagnes d évaluation en reconnaissance du locuteur organisées par l organisme fédéral américain NIST (bis)annuelles depuis 1996 nombre de participants croissant (10 à 50) taille des données croissante (1 à 100Gb) Importance des évaluations + partage des données, compétition, échanges, visibilité travail de mise en place, réduction de la diversité Particularité des évaluation NIST vérification du locuteur, indépendamment du texte en majorité, sur conversations téléphoniques en anglais exemples : référence, imposteur, cible favorise un faible taux d imposteurs: C = P rejet + 9, 9P imposture 14/46
15 Vérification du locuteur Système GMM-UBM de base Paramètres acoustiques 15 coefficients cepstraux + leur dérivée + dérivée de l énergie normalisation cepstrale (moyenne et variance) Modèles de référence (UBM) deux modèles GMM (homme/femme) à 1024 gaussiennes apprentissage quelques dizaines (centaines...) de voix différentes Modèle du locuteur-cible adaptation MAP du modèle de référence (moyenne des gaussiennes, soit paramètres) Score détection des segments de parole (seuil sur l énergie ou VAD) rapport de vraisemblance avec le modèle de référence seuil de détection optimisé sur l ensemble de développement 15/46
16 Vérification du locuteur Normalisation des paramètres acoustiques Le canal téléphonique dégrade la qualité de la voix... Approches standard CMS: Cepstral Mean Substraction Compensation d un canal de transmission linéaire et stationnaire Peut aussi atténuer le spectre moyen du locuteur Généralisation Normalisation de la moyenne et de la variance Globale et court-terme (fenêtre glissante) Meilleure compensation d un bruit additif Améliorations Feature warping: gaussianisation marginale Feature mapping: compensation supervisée du canal 16/46
17 Vérification du locuteur Feature warping Pelecanos & Sridharan, Odyssey 01 transformation non linéaire de la distribution des coefficients cepstraux projette chaque dimension vers une loi normale sur une fenêtre glissante (3 secondes) warping Distribution initiale Distribution gaussienne Gaussianisation (IBM, NIPS 00 et ICASSP 02) optimisation iterative (algorithme EM) 1. transformation linéaire (diagonalisation) 2. gaussianisation marginale court-terme (i.e. feature warping) 17/46
18 Vérification du locuteur Feature warping 50 Features normalization Miss probability (in %) none mean mean+variance variance (3 sec) warping (3 sec) False Alarms probability (in %) 18/46
19 Vérification du locuteur Feature mapping Reynolds, NIST SRE 02 and ICASSP 03 Projette les paramètres dépendants du canal dans un espace indépendant du canal Entraine un modèle indépendant du canal CI (groupe toutes les données) Entraine un modèle dépendant du canal CD i par adaptation MAP Pour chaque phrase de test 1. détecte le canal le plus probable CD k 2. projection inverse des paramètres dans l espace CI CD1 CD2 CDn CI y=t(x) 19/46
20 Vérification du locuteur Feature mapping Fonction de projection pour une trame x, choisit la meilleure Gaussienne i utilise la top-1 Gaussienne de la phase de détection du canal y = (x µ CD k i ) σci i σ CD k i µ CI i approche inverse de la synthèse de modèle de locuteur (SMS) CD1 CD2 CDn CI y=t(x) Cible 20/46
21 Vérification du locuteur Apport de l information prosodique Prosodie (mélodie, rythme, intensité) contient une information caractéristique du locuteur probablement robuste aux variations du canal acoustique peu ou pas prise en compte dans les paramètres spectraux Approches analyse prosodique locale (F 0, log E) segmentation du contour prosodique (pseudo-)syllabes ou minima d énergie modélisation GMM-UBM ou par N-gram valeurs statistiques de F0 sur le segment paramètres modélisant le contour mélodique discrétisation de la variation de la prosodie Expériences performances individuelles loin de celles du système spectral gain relatif entre 5 et 10% en combinaison de tous les système 21/46
22 Vérification du locuteur SVM et modèles d adaptation au locuteur Approche GMM-UBM standard calcul de la vraisemblance des paramètres acoustiques du locuteur à reconnaitre pour le modèle du locuteur cible Classifieurs SVM (Support Vector Machines) classifieurs binaires discriminants dans un espace de très grande dimension nécessite des vecteurs de taille fixe permet la comparaison directe de modèles de locuteurs Méthodes d adaptation au locuteur étudiées adaptation MAP adaptation MLLR (Maximum Likelihood Linear Regression) 22/46
23 Vérification du locuteur Régression linéaire par maximum de vraisemblance Principe de l adaptation MLLR adaptation paramétrique d un modèle transformation affine des vecteurs de moyenne des gaussiennes ˆµ = Aµ + b Application en transcription de parole adaptation de modèles phonétiques génériques regroupement des gaussiennes des modèles en classes de régression une transformation MLLR apprise pour chacune des classes Approche MLLR contrainte (CMLLR) même transformation linéaire A pour la matrice de covariance ˆΣ = AΣA T formulation équivalente dans l espace des paramètres vecteur indépendant du locuteur x t = A 1 ˆx t A 1 b 23/46
24 Vérification du locuteur Le modèle comme paramètre du classifieur Paramètres issus de l adaptation MAP (Campbell, 2006) super-vecteur de gaussiennes (GSV) modèle de locuteur obtenu par adaptation MAP concaténation des vecteurs de moyenne Paramètres MLLR (Stolcke, 2005) super-vecteur à partir des paramètres A et b de la transformation (C)MLLR concaténation des lignes de la matrice une ou plusieurs transformations combinées 24/46
25 Vérification du locuteur Utilisation des super-vecteurs Alternative au classifieur SVM Projection du super-vecteur GSV dans des sous-espaces de dimension réduite Principal Component Analysis (PCA) et Linear Discriminant Analysis (LDA) Joint Factor Analyis (Kenny, 2005) Séparation des espaces de variabilité du locuteur et de la session i-vecteurs (Dehak, 2009)) Total Variability Space y = µ + T θ projection vers 300 dimensions distance entre i-vecteurs: within class variance normalization (WCNN) L approche la plus performance actuellement en reconnaissance du locuteur 25/46
26 Vérification du locuteur Performances et limites Impact considérable des conditions expérimentales durée d enrôlement et de test prompt fixé (mot de passe) ou parole libre environnement calme, communication bruitée sujet collaboratif ou non nombre de locuteurs en identification, types de voix fréquence a priori des imposteurs Limites difficulté théorique d avoir un bon modèle de rejet (connaissance a priori de toute la variabilité possible des voix?) pas de transposition facile des résultats d une condition à une autre certaines voix sont plus faciles à reconnaître que d autres (tests à grande échelle avec des imitateurs?) Déploiement en application réelle combinaison avec d autres modalités d identification 26/46
27 Structuration en tours de parole Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 27/46
28 Structuration en tours de parole Structuration en tours de parole Qui parle, quand? speaker diarization segmentation et regroupement automatique en locuteurs Motivations adapter les modèles acoustiques aux locuteurs pour meilleure une transcription automatique améliorer la lisibilité de la transcription produite indexation en locuteur pour la recherche d information 28/46
29 Structuration en tours de parole Exemple: flux de mots verbatim mais aujourd hui j insiste là-dessus le mouvement de Médecins sans frontières est un mouvement international européen et en Belgique en Hollande Suisse etc. il y a d autres euh il y a à peu près il y a à peu près plus européen plus européen qu international plus européen qu international tout à fait il faut le dire il y a à peu près dix ans que vous en êtes le chef de file oui euh en en quelques mots parce que j ai beaucoup de questions à vous poser sur votre itinéraire je pense ça éclairera la suite euh en quelques mots euh quelle est la marque que vous vous vous reconnaissez sur Médecins sur frontières eh bien celle de la euh du développement de Médecins sans frontières de la transformation d une idée qui était formidable en une action qui est aujourd hui concrète mesurable reconnue à l échelon mondial 29/46
30 Structuration en tours de parole Etape 1: découpage en tours de parole mais aujourd hui j insiste là-dessus le mouvement de Médecins sans frontières est un mouvement international européen et en Belgique en Hollande Suisse etc. il y a d autres euh il y a à peu près il y a à peu près plus européen plus européen qu international plus européen qu international tout à fait il faut le dire il y a à peu près dix ans que vous en êtes le chef de file oui euh en en quelques mots parce que j ai beaucoup de questions à vous poser sur votre itinéraire je pense ça éclairera la suite euh en quelques mots euh quelle est la marque que vous vous vous reconnaissez sur Médecins sur frontières eh bien celle de la euh du développement de Médecins sans frontières de la transformation d une idée qui était formidable en une action qui est aujourd hui concrète mesurable reconnue à l échelon mondial 30/46
31 Structuration en tours de parole Etape 2: regroupement en locuteurs L1 mais aujourd hui j insiste là-dessus le mouvement de Médecins sans frontières est un mouvement international européen et en Belgique en Hollande Suisse etc. il y a d autres L2 euh il y a à peu près il y a à peu près L3 plus européen plus européen qu international L1 plus européen qu international tout à fait L3 il faut le dire L2 il y a à peu près dix ans que vous en êtes le chef de file L1 oui L2 euh en en quelques mots parce que j ai beaucoup de questions à vous poser sur votre itinéraire je pense ça éclairera la suite euh en quelques mots euh quelle est la marque que vous vous vous reconnaissez sur Médecins sur frontières L1 eh bien celle de la euh du développement de Médecins sans frontières de la transformation d une idée qui était formidable en une action qui est aujourd hui concrète mesurable reconnue à l échelon mondial 31/46
32 Structuration en tours de parole Etape 3: identification des locuteurs connus Rony Brauman mais aujourd hui j insiste là-dessus le mouvement de Médecins sans frontières est un mouvement international européen et en Belgique en Hollande Suisse etc. il y a d autres Alain Duhamel euh il y a à peu près il y a à peu près François-Henri de Virieu plus européen plus européen qu international Rony Brauman plus européen qu international tout à fait François-Henri de Virieu il faut le dire Alain Duhamel il y a à peu près dix ans que vous en êtes le chef de file Rony Brauman oui Alain Duhamel euh en en quelques mots parce que j ai beaucoup de questions à vous poser sur votre itinéraire je pense ça éclairera la suite euh en quelques mots euh quelle est la marque que vous vous vous reconnaissez sur Médecins sur frontières Rony Brauman eh bien celle de la euh du développement de Médecins sans frontières de la transformation d une idée qui était formidable en une action qui est aujourd hui concrète mesurable reconnue à l échelon mondial 32/46
33 Structuration en tours de parole Approches Architecture analyse acoustique (paramètres d enveloppe spectrale) détection des zones de parole (décodeur à deux modèles) découpage en segments homogènes contenant un seul locuteur regroupement des segments d un même locuteur dans une classe Difficultés pas de connaissance a priori des voix des intervenants... ni même de leur nombre 33/46
34 Structuration en tours de parole Détection de parole Intérêt utile pour mettre de côté les silences longs les silences courts sont normaux pendant la parole et ne posent pas de problème au système de reconnaissance. nombreux phénomènes acoustiques: musique, bruit de fond... à traiter séparemment Méthodes seuils sur l énergie et les passages par zéro: uniquement pour la détection de silence, mais pas adapté en présence de bruit. approche la plus répandue: classification par maximum de vraisemblance par GMM sur le cepstre du signal 34/46
35 Structuration en tours de parole Détection de parole (2) Architecture d un détecteur par GMM étiquetage de réference sur une base d apprentissage apprentissage d un GMM pour chaque condition acoustique: 2 modèles (parole/non-parole) ou plus en différenciant les conditions acoustiques (parole, parole+musique, parole+bruit, silence, bruit...) voire des modèles par classe phonétique. segmentation au moyen d un décodage par algorithme de Viterbi heuristiques de durée ou d énergie minimum Performances 1 à 2 % de durée de parole manquée en radio-télé d autant plus difficile que le rapport signal-bruit diminue on préfère éviter de perdre des segments de parole et rejeter ultérieurement des segments de non-parole 35/46
36 Structuration en tours de parole Segmentation acoustique Détection des changements de locuteur ou de condition acoustique Méthodes changement de locuteur lors des pauses? pas réaliste... modèles a priori des voix des locuteurs? pas toujours connu d avance... métrique sur le signal sans modèle a priori segmentation combinée à la classification Segmentation sans modèle 2 fenêtres glissantes adjacentes w 1 et w 2 durée typique 1 à 5 sec. estimation d un modèle sur chaque fenêtre Gaussienne (matrice de covariance pleine ou diagonale) ou GMM calcul d une distance entre les 2 modèles rapport de vraisemblance, distance Kullback-Leibler, distance BIC... sélection des pics de la fonction distance 36/46
37 Structuration en tours de parole Classification Méthodes classification agglomérative la plus répandue définition d une mesure de similarité entre classes critère d arret (nombre de classes ou distance maximale) Classification avec le critère BIC 1 Gaussienne à matrice de covariance pleine par classe critère de regroupement BIC = (n i + n j )log Σ n i log Σ i n j log Σ j λp avec la pénalité critère d arret P = 1 2 (d + 1 d(d + 1)) log N 2 BIC >= 0 pénalité BIC locale (N = n i + n j ) ou globale (N = k n k) 37/46
38 Structuration en tours de parole Segmentation et classification conjointe Speech Activity Detection Chop in small segments Train a GMM for each segment Viterbi segmentation and GMM reestimation GMM clustering less clusters? Viterbi segmentation with energy constraints Bandwidth and gender identification c-std estimation d un GMM sur chaque segment GMM à 8 composants à matrice de covariance diagonale par segment segment Segmentation/classification itérative des GMM fonction objective de log-vraisemblance pénalisée: N log f (s i M ci ) αn βk i=1 avec f (s i M ci ) la vraisemblance s i de la classe c i, N nb de segments, K nb de classes, α > 0 et β > 0 38/46
39 Structuration en tours de parole Architecture multi-passes de LIMSI Speech Activity Detection Chop in small segments Train a GMM for each segment Viterbi resegmentation Agglomerative BIC clustering Viterbi resegmentation with energy constraints Bandwidth and gender identification c-bic Agglomerative SID clustering c-sid SAD post-filtering p-asr Combinaison de plusieurs niveaux de modélisation pour les locuteurs 1ère phase: beaucoup de segments courts modélisation directe par une Gaussienne à matrice de covariance pleine classification hiérarchique ascendante regroupement des segments à forte similarité 2ème phase: des classes déjà construites modélisation plus riche par un GMM adapté à partir d un modèle générique 39/46
40 Structuration en tours de parole Architecture multi-passes: BIC Speech Activity Detection Chop in small segments Train a GMM for each segment Viterbi resegmentation Agglomerative BIC clustering Viterbi resegmentation with energy constraints Bandwidth and gender identification c-bic Agglomerative SID clustering c-sid SAD post-filtering p-asr Regroupement BIC (Bayesian Information Criterion) 1 Gaussienne à matrice de covariance pleine par classe c i N (µ i, Σ i ) critère de regroupement BIC = (n i + n j )log Σ i j n i log Σ i n j log Σ j λ 1 2 (d d(d + 1)) log(n i + n j ) avec n i nombre de trames de c i d dimension des vecteurs critère d arret BIC >= 0 40/46
41 Structuration en tours de parole Architecture multi-passes: CLR Speech Activity Detection Chop in small segments Train a GMM for each segment Viterbi resegmentation Agglomerative BIC clustering Viterbi resegmentation with energy constraints Bandwidth and gender identification c-bic Agglomerative SID clustering c-sid SAD post-filtering p-asr Regroupement CLR architecture GMM-UBM avec adaptation MAP rapport de log-vraisemblance croisé (CLR) clr(c i, c j ) = 1 n i log f (x i M j ) f (x i UBM) + 1 n j log f (x j M i ) f (x j UBM) avec x i les données de la classe c i, M i le modèle de la classe c i, n i nombre de trames de x i seuil de décision δ 41/46
42 Structuration en tours de parole Evaluation Qualité du regroupement automatique (DER) mise en correspondance bi-univoque optimale entre les classes de l hypothese et les identités de référence fraction du temps qui n est pas attribuée au bon locuteur reference A B hypothesis S1 S2 S3 error SPK FA MS DER = Speaker Error (SPK) + False Alarm Speech (FA) + Missed Speech (MS) Données et campagnes d évaluation Broadcast News anglais système BIC: 15 % d erreur système multi-passes: < 10 % d erreur performances comparables sur le français sensibilité aux réglages de seuils 42/46
43 Recherches en cours Plan Introduction Vérification du locuteur Structuration en tours de parole Recherches en cours 43/46
44 Recherches en cours Structuration multi-documents Cadre expérimental classique pas de connaissance a priori sur les locuteurs produit une étiquette par locuteur spécifique au document Objectifs en indexation d archives analyser une collection de documents d une même source produire des étiquettes de locuteurs consistantes Structuration en locuteurs multi-documents 44/46
45 Recherches en cours détection et suivi multi-pitch 45/46 Annotation et détection de voix superposée Intérêt croissant pour la parole superposée rare en parole préparée et actualité ignorée par les systèmes de transcription fréquente en parole spontanée conversations téléphoniques, réunions, talk-shows Pourquoi détecter la parole superposée? pour la mettre de côté erreurs de transcription automatique pour la transcrire? pas nécessairement un contenu essentiel pour comprendre la nature de l acte de communication Comment la détecter? séparation de source ou localisation en situation multi-canal cas fréquent d enregistrement mono-canal réaliser un décodage de la parole superposée complexe et pas toujours nécessaire analyse des zones harmoniques
46 Recherches en cours Reconnaissance multimodale des personnes Défi ANR REPERE organisé par la DGA analyse d extraits d émissions télévisées d actualité test à blanc en janvier 2012 Approche multimodale reconnaissance du visage des personnes structuration acoustique des tours de parole nom des intervenants en incrustation dans la vidéo citation du nom des journalistes et des invités Fusion intégration en amont des différentes modalités prise de décision prenant en compte toutes les sources d information 46/46
Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en 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 détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailUn code-barre sur la tête?
Un code-barre sur la tête? Les nouvelles tendances des technologies d'identification, de la biométrie à l'internet des objets. Présentation au Groupement Industriel Fribourgeois, Décembre 08 Photo Steven
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 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 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 détailMinistère de l Enseignement Supérieur et de la Recherche Scientifique
Ministère de l Enseignement Supérieur et de la Recherche Scientifique Institut National de Formation en Informatique (I.N.I) Oued Smar Alger Direction de la Post Graduation et de la Recherche Thème : Inférence
Plus en détailTHÈSE. présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT
ACADÉMIE D AIX-MARSEILLE UNIVERSITÉ D AVIGNON ET DES PAYS DE VAUCLUSE THÈSE présentée à l Université d Avignon et des Pays de Vaucluse pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École
Plus en détailN 334 - SIMON Anne-Catherine
N 334 - SIMON Anne-Catherine RÉALISATION D UN CDROM/DVD CONTENANT DES DONNÉES DU LANGAGE ORAL ORGANISÉES EN PARCOURS DIDACTIQUES D INITIATION LINGUISTIQUE A PARTIR DES BASES DE DONNÉES VALIBEL Introduction
Plus en détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailUne 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
Plus en détailRapport : Base de données. Anthony Larcher 1
Rapport : Base de données Anthony Larcher 1 1 : Laboratoire d Informatique d Avignon - Université d Avignon Tél : +33 (0) 4 90 84 35 55 - Fax : + 33 (0) 4 90 84 35 01 anthony.larcher@univ-avignon.fr 14
Plus en détailAbdenour Hacine-Gharbi. Sélection de paramètres acoustiques pertinents pour la reconnaissance de la parole
ÉCOLE DOCTORALE SCIENCES ET TECHNOLOGIES (ORLEANS) FACULTÉ de TECHNOLOGIE (Sétif) Laboratoire PRISME THÈSE EN COTUTELLE INTERNATIONALE présentée par : Abdenour Hacine-Gharbi soutenue le : 09 décembre 2012
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 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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
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 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 détailIntérêt 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,
Plus en détailCommunication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO <jiayin.gao@univ-paris3.fr> 20 mars 2014
Communication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO 20 mars 2014 La phonétique acoustique La phonétique acoustique étudie les propriétés physiques du signal
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en 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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détail1 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
Plus en détailACADÉMIE DE NANTES UNIVERSITÉ DU MAINE THÈSE. présentée à l Université du Maine pour obtenir le diplôme de DOCTORAT
ACADÉMIE DE NANTES UNIVERSITÉ DU MAINE THÈSE présentée à l Université du Maine pour obtenir le diplôme de DOCTORAT SPÉCIALITÉ : Informatique École Doctorale 503 «Sciences et Technologies de l Information
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailParamétrisation adaptée de transitoires pour la reconnaissance d instruments de musique
Paramétrisation adaptée de transitoires pour la reconnaissance d instruments de musique Pierre LEVEAU Mémoire de stage de DEA ATIAM année 2003-2004 Mars - Juillet 2004 Université Pierre et Marie Curie
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 détailSoutenance 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
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 détailÉtude de la performance des modèles acoustiques pour des voix de personnes âgées en vue de l adaptation des systèmes de RAP
Étude de la performance des modèles acoustiques pour des voix de personnes âgées en vue de l adaptation des systèmes de RAP Frédéric Aman, Michel Vacher, Solange Rossato, Remus Dugheanu, François Portet,
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailThèse. Mathieu RAMONA
Thèse présentée pour obtenir le grade de docteur de l Ecole Télécom ParisTech Spécialité : Signal et Images Mathieu RAMONA Classification automatique de flux radiophoniques par Machines à Vecteurs de Support
Plus en détailUE11 Phonétique appliquée
UE11 Phonétique appliquée Christelle DODANE Permanence : mercredi de 11h15 à 12h15, H211 Tel. : 04-67-14-26-37 Courriel : christelle.dodane@univ-montp3.fr Bibliographie succinte 1. GUIMBRETIERE E., Phonétique
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en détail(Quelle identité par la parole?) Thèse. présentée à la section. Systèmes de Communication. par. Dominique Genoud
Reconnaissance et transformation de locuteurs (Quelle identité par la parole?) Thèse présentée à la section Systèmes de Communication de l Ecole Polytechnique Fédérale de Lausanne (EPFL) par Dominique
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 détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en 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 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 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 détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailR-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale
R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailMorphosyntaxe de l'interrogation en conversation spontanée : modélisation et évaluations
U Université dumaine Faculté des Lettres, Langues et Sciences humaines Morphosyntaxe de l'interrogation en conversation spontanée : modélisation et évaluations Carole Lailler 1 L interrogation : une modalité
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailPrésentation BAI -CITC
Présentation BAI -CITC Expertise reconnue dans des niches technologiques Technologies embarquées Technologies sans contact Technologies d identification et d authentification Sécurité des objets connectés
Plus en détailApplication en classe de la progression des apprentissages en musique 1 er cycle du secondaire
Application en classe de la progression des apprentissages en musique 1 er cycle du secondaire Quelques définitions des termes utilisés Nommer : Désigner par un nom. Identifier : Déterminer la nature de
Plus en détailModèle 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
Plus en détailTempérature 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
Plus en détailAICp. 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
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 détailUniversité du Québec à Chicoutimi THESE. Présentée à l'université du Québec à Chicoutimi Département des Sciences Appliquées
Université du Québec à Chicoutimi THESE Présentée à l'université du Québec à Chicoutimi Département des Sciences Appliquées pour le grade de: Doctorat en Ingénierie Discrimination Parole/Musique et étude
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailExtraction de descripteurs musicaux: une approche évolutionniste
Extraction de descripteurs musicaux: une approche évolutionniste Thèse de Doctorat de l Université Paris 6 Spécialité: Informatique Aymeric ZILS Sony CSL Paris, 6 rue Amyot 75005 Paris Laboratoire d Informatique
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailChapitre 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
Plus en détailRecherche De Coalescences Binaires Étalonnage Du Détecteur
Recherche De Coalescences Binaires Étalonnage Du Détecteur Fabrice Beauville Journées Jeunes Chercheurs 18/12/2003 Les Coalescences Binaires & VIRGO Système binaire d objets compacts (étoiles à neutrons,
Plus en détailP2: Perception auditive
P2: Perception auditive Daniel Pressnitzer Laboratoire des Systèmes Perceptifs, CNRS & Département d études cognitives, Ecole normale supérieure 29 rue d Ulm, 75230 Paris cedex 05 daniel.pressnitzer@ens.fr
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailDe la modélisation linguistique aux applications logicielles: le rôle des Entités Nommées en Traitement Automatique des Langues
De la modélisation linguistique aux applications logicielles: le rôle des Entités Nommées en Traitement Automatique des Langues Maud Ehrmann Joint Research Centre Ispra, Italie. Guillaume Jacquet Xerox
Plus en détailTraitement d un AVI avec Iris
Traitement d un AVI avec Iris 1. Définir le répertoire de travail Fichier > Réglages (Ctrl + R) Et on définit le chemin du répertoire de travail. C est là que les images vont être stockées. 2. Convertir
Plus en détailScarlett Plug-in Suite
Scarlett Plug-in Suite Mode d emploi FA0000-01 1 Contents Installation... 3 Activation du Logiciel... 3 Modules Scarlett Plug-in Suite... 5 Compressor... 5 EQ... 6 Gate... 7 Reverb... 9 2 Installation
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 détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailI.D.S. Systèmes de détection d intrusion - Link Analysis. par: FOUQUIN MATHIEU. responsable: AKLI ADJAOUTE DEVÈZE BENJAMIN.
EPITA SCIA PROMO 2005 14-16 rue Voltaire 94270 Kremlin-Bicêtre I.D.S. Systèmes de détection d intrusion - Link Analysis Juillet 2004 par: DEVÈZE BENJAMIN FOUQUIN MATHIEU responsable: AKLI ADJAOUTE TABLE
Plus en détailInteractions sonores et vocales dans l habitat
Interactions sonores et vocales dans l habitat Pierrick Milhorat 1, Dan Istrate 3, Jérôme Boudy 2, Gérard Chollet 1 (1) Télécom ParisTech, 37-39 rue Dareau, 75014, Paris, France (2) Télécom SudParis, 9
Plus en détailTRAVAUX PRATIQUES SCIENTIFIQUES SUR SYSTÈME
Baccalauréat Professionnel SYSTÈMES ÉLECTRONIQUES NUMÉRIQUES Champ professionnel : Alarme Sécurité Incendie SOUS - EPREUVE E12 TRAVAUX PRATIQUES SCIENTIFIQUES SUR SYSTÈME Durée 3 heures coefficient 2 Note
Plus en détailISO/CEI 11172-3 NORME INTERNATIONALE
NORME INTERNATIONALE ISO/CEI 11172-3 Première édition 1993-08-01 Technologies de l information - Codage de l image animée et du son associé pour les supports de stockage numérique jusqu à environ Ii5 Mbit/s
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
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 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 détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailIntroduction 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?
Plus en détailUne 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,
Plus en détailIndexation de documents audio : Cas des grands volumes de données
Indexation de documents audio : Cas des grands volumes de données Jamal Rougui To cite this version: Jamal Rougui. Indexation de documents audio : Cas des grands volumes de données. Human- Computer Interaction
Plus en détail- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE
- MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailCAPTEURS - 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,
Plus en détailSystème de sécurité de périmètre INTREPID
TM Système de sécurité de périmètre INTREPID La nouvelle génération de systèmes de sécurité de périmètre MicroPoint Cable combine la technologie brevetée de Southwest Microwave, la puissance d un micro
Plus en détailEchantillonnage 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
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 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 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 détailTable des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...
III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................
Plus en détailItems étudiés dans le CHAPITRE N5. 7 et 9 p 129 D14 Déterminer par le calcul l'antécédent d'un nombre par une fonction linéaire
CHAPITRE N5 FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION Code item D0 D2 N30[S] Items étudiés dans le CHAPITRE N5 Déterminer l'image
Plus en détailL évaluation de la performance de la communication media
L évaluation de la performance de la communication media Pascal ROOS Enseignant en BTS Management des Unités Commerciales Lycée Edmond Rostand, Saint Ouen l Aumône (95) «Je sais qu un dollar de publicité
Plus en détailCaractéristiques des ondes
Caractéristiques des ondes Chapitre Activités 1 Ondes progressives à une dimension (p 38) A Analyse qualitative d une onde b Fin de la Début de la 1 L onde est progressive puisque la perturbation se déplace
Plus en détailACOUPHEN ENVIRONNEMENT GROUPEMENT COORDONNE PAR LA COMMUNE DE MONTESSON ETUDE REALISEE POUR LE COMPTE DU : RAPPORT D ETUDE RA-080001-07-A
MANAGEMENT DE L SONORE WWW.ACOUPHEN-.COM CONTACT@ACOUPHEN-.COM SIEGE SOCIAL LYON CAMPUS DE LA DOUA 66, BD NIELS BOHR B.P. 52132 69603 VILLEURBANNE CEDEX TEL / 33 (0)4 72 69 01 22 FAX / 33 (0)4 72 44 04
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 détailChaine 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
Plus en détailL olivier Assurances Licence 3 Econométrie Lyon II
15 novembre 2013 L olivier Assurances Licence 3 Econométrie Lyon II Pascal Gonzalvez 1 L olivier Assurances et le Groupe Admiral Segmentation et tarification en assurance auto Autres applications de la
Plus en détail