Introduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
|
|
- Robert Lafleur
- il y a 8 ans
- Total affichages :
Transcription
1 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 de généraliser ces exemples à tout son proche des données d'entraînement. Il s'agit d'un apprentissage supervisé, c'est à dire que l'on choisit de séparer les sons en différentes catégories (ici les notes et les gammes) et d'en donner un exemple de chaque. Un réseau de neurones est une structure imitant le fonctionnement d'un cerveau; le neurone formel est une unité reliée aux autre neurones, capable de recevoir de l'information, de la traiter puis de l'envoyer aux autres neurones. De la même façon qu'un journaliste traite différemment ses sources selon la confiance qui leur attribue, un neurone accord un certain poids aux informations reçues. Les neurones sont organisés de façon hiérarchique, "par couches", et l'ensemble est appelé réseau. L'information avance, couche par couche, depuis l'entrée du réseau qui traite les données jusqu'à la sortie renvoyant les résultats. On notera l'importance des connexions entre neurones caractérisées par les "poids" de ces liaisons. I Étude rapide du réseau - Apprentissage -On cherche à classer des notes de musique, ce qui revient à approcher la fonction qui au son associe sa hauteur et sa gamme. Approcher une fonction linéaire est très simple à l'aide d'un seul neurone. [schéma+explication brève?)] On définit l'erreur commise par le réseau comme la différence entre la sortie voulue sur l'exemple et la sortie réelle proposée par le réseau. (En pratique on se servira de la distance N 2 entre les deux n-uplets ) On peut alors associer sur un exemple donné, l'ensemble des poids du réseau à l'erreur, ce qui nous donne une fonction de R n dans R +, on veut désormais minimiser cette fonction. Le principe de la rétro-propagation est simple, on mesure l'effet d'une petite variation d'un poids sur l'erreur (dérivée partielle) et le gradient ainsi obtenu nous permet de nous "diriger" avec une vitesse donnée, appelée "pas", vers une erreur plus faible. En pratique, je modifie la dernière couche pour diminuer l'erreur puis je déduit de ce travail, la sortie de l'avant dernière couche qui aurait donné un erreur minimale (à l'aide cette fois-ci des dérivées partielles par rapport aux entrées des neurones), on obtient alors la sortie désirée pour cette avant dernière couche et on réapplique le principe de façon récursive à toute les couches. On constate alors la convergence du réseau vers une erreur minimale. II Application à la reconnaissance des notes. Le programme a été réalisé en plusieurs étapes, nécessaires pour obtenir une représentation efficace du réseau de neurones. Une première vision récursive, se prêtant bien à l'algorithme de rétro-propagation des erreurs n'a pas été retenue notamment à cause de la représentation peu claire des réseaux qui était nécessaire pour rendre l'algorithme efficace. Une seconde possibilité, en stockant un réseau sous une forme de matrices contenant les poids (vision inspirée du cours de sciences.ch), a également été mise de côté en raison de son caractère trop formel sans gain réel de rapidité
2 (utiliser une multiplication en O(n 3 ) sur des matrices diagonales est trop coûteux pour un gain de clarté trop faible). Enfin j'ai mis au point une version utilisant des enregistrements ce qui permet de concilier clarté (on utilise des appels comme : reseau.couche.neurone.poids ) et efficacité. type neurone= {poids: float array; mutable activation : float; mutable sortie:float;mutable sensib: float} type reseau=neurone array array Le réseau n'est évidement pas capable de traiter du son de façon brute, afin de lui fournir les données représentatives je me suis orienté vers la Transformée de Fourrier rapide, qui permettrait à un humain de classer aisément les notes par hauteur et gamme. -L'algorithme que j'ai utilisé est très simple: sur un exemple, on propage l'entrée dans le réseau puis on étudie la sortie et on modifie les poids par rétro-propagation des erreurs et on recommence jusqu'à ce que l'erreur passe en dessous d'un seuil défini à l'avance. On exécute cet algorithme sur tous les exemples jusqu'à ce que l'erreur globale soit faible. (voir Le programme) A l'aide d'un logiciel synthétiseur, nous avons fabriqué des fichiers midi de toutes les notes de 4 gammes jouées par plusieurs instruments auxquels j'ai appliqué la transformée de Fourrier. Le réseau s'est alors entraîne pendant environ 10 heures puis nous l'avons testé sur des accords (sur lesquels il n'était pas entraîné) de deux notes simultanées. On obtient alors le type de profil d'erreur (erreur au cours de l'apprentissage) suivant:
3 III Problèmes rencontrés lors de la convergence et solutions appliquées. La convergence d'un réseau vers la solution la plus efficace reste cependant très lente et non garantie. J'ai observé plusieurs problèmes récurrents lors des différents essai dont: la non convergence du réseau, l'instabilité de la convergence et la non généralisation. -Si l'algorithme ne converge pas, cela provient souvent de la difficulté de ce qu'on lui demande, disproportionnée par rapport à ses capacités. En effet, plus le réseau comporte de réseau, plus son pouvoir de résolution est important, le nombre de couche est également important (une couche ne peut résoudre que des problèmes linéaires alors que 3 suffisent généralement pour la plupart des problèmes). On peut donc essayer d'augmenter le nombre de neurones sur les différentes couches afin d'obtenir une convergence. Cependant il ne faut pas tomber dans l'excès inverse car un plus grand nombre de neurones augmente considérablement le nombre de liaisons donc le temps d'exécution de l'algorithme. (Il est toujours plus long de comprendre des choses difficiles) -l'instabilité du réseau peut se caractériser par le profil d'erreur suivant:
4 On obtient ce résultat lorsqu'on se trouve dans une "cuvette d'erreur" très étroite. Le pas d'avancement est peut alors trop grand et fait augmenter l'erreur même selon la direction du gradient. Pour résoudre ce problème, il faut alors savoir doser avec justesse le pas: trop grand, on risque de ne pas aboutir, trop faible la convergence est trop lente. Après avoir essayé de déterminer de façon automatique la valeur optimale du pas, j'ai opté pour une modification manuelle en cours d'entraînement. (Cependant les résultats obtenus en utilisant un pas que l'on pourrait qualifier d'inertiel (il augmente si l'erreur diminue et décroît si elle augmente) ont été assez prometteurs). -Le problème le plus gênant reste la non-généralisation du réseau, si celui-ci apprend parfaitement les exemples, ils peut cependant ne rester qu'un perroquet et se contenter de répéter ce qu'on lui a appris. Cela peut venir de plusieurs causes: le surentraînement, la sous capacité, la non-représentativité des exemples ou tout simplement le hasard! En effet, si l'on fixe le critère d'arrêt à une erreur très faible, le réseau peut alors perdre sa capacité à reconnaître de nouvelles données pour se focaliser sur les exemples. Le cas de la sous-capacité avait déjà été traité dans la non convergence, il suffit d'augmenter la taille du réseau. Enfin, le choix des exemples doit se faire avec attention: ils doivent être caractéristiques de leur catégorie (un mi bémol joué par un harmonica n'est pas vraiment représentatif de cette note!). Une amélioration de l'algorithme consiste à utiliser une validation croisée, il suffit de trouver deux sets d'exemples, l'un servant pour l'apprentissage, l'autre n'étant pas appris mais utilisé pour "valider" l'apprentissage c'est à dire vérifier la capacité de généralisation. L'algorithme se poursuit jusqu'à la validation, ce qui permet donc d'essayer d'éviter le "syndrome du perroquet". IV Résultats obtenus. Les résultats obtenus bien qu'imparfaits sont tout de même satisfaisants: la valeur ajoutée par le réseau montre une qu'une certaine linéarité a été acquise: la superposition de deux notes est comprise par le réseau ce qui n'est pas nécessairement évident. Nous avons généré la séquence suivante : ( a3 e4 ) c3 (g3 a4) g3 e4 a3 <- les indicatifs des notes testées (note+n de gamme), les
5 couples simultannés sont entre parenthèses. Les notes sont jouées successivement et tous les dt le réseau cherche à reconnaitre les notes. Seules les notes dont la sortie est supérieure à 0.3 sont représentées. 3a : , 4a : , (Reconnaissance du 3a et d'une note non jouée 4a qui correspond à une harmonique plus faible) 3a : , 4a : , 4e : , 3a : , 4e : , 3a : , (le réseau reconnait le doublet) 3a : , 3c : , 3f : , (le réseau reconnait de même la fondamentale et l'harmonique suivante) 3c : , 3c : , 3c : , 3c : , 4g : , (la note g3 commence à apparaitre sous la forme d'une de ses harmoniques) 3g : , 3c : , 3g : , 3g : , 4a : , 4d : , 3g : , 4a : , 4a : , 3d : , (le g3 disparait au profit d'un de ses harmoniques) 4g : , 3g : , 3a : , 3g : , 4a : , (4a disparait alors que g3, la note seule suivante, se reforme) 3g : , 3g : , 4e : , 3g : , 4e : , 4e : , 4e : , 4e : , 3a : , 3a : , 3a : , 3a : , 3a : La capacité de généralisation est réelle puisque des tests sur des notes générées avec d'autres instruments (flûte, piano et harpe) ont données également d'excellents résultats. De même on aurait pu tester la capacité du réseau à reconnaître des triplets de notes simultanées. Conclusion: Ce TIPE permet de répondre à plusieurs des questions que je me suis posées: ->Un réseau de neurones est-il de l'intelligence artificielle? Il semble qu'on ne puisse pas qualifier notre réseau d'intelligent, pour plusieurs raisons. Tout d'abord, ce réseau est hyper-spécialisé et ne peut extrapoler les exemples appris que dans une certaine mesure: sons légèrement différents, simultanéité des notes mais certainement pas plus complexe sans risque d'erreur importante. De plus, la nécessité d'un apprentissage supervisé rend notre réseau comparable plus à un chien savant qu'à un une véritable intelligence. Enfin, la grande rigidité de ce réseau dans sa structure (liaisons synaptiques qui ne peuvent pas de détériorer au cours du temps, organisation par couches donc pas de cycles et manque de
6 souplesse dans la propagation), ne permettra jamais au réseau d'évoluer plus qu'une limite fixée dès la génération du réseau. En effet, un tel réseau ne pourra jamais, à moins de changer sa structure, comprendre la voix humaine ou tracer une partition. -Le réseau de neurones est-il un outil rapide?... Non, le réseau nécessite un grand nombre d'exécution de l'algorithme avant d'être opérationnel. En moyenne, plusieures heures sont nécessaires pour l'entraîner correctement sur 28 notes et quelques doublets. En revanche, une fois entraîné, le réseau est extrement rapide (environ 8000 propagations par secondes). -> Quel est alors l'interêt d'un réseau de neurones. Le réseau est spécialisé dans le classement de données, il peut ainsi apprendre à trier un grand nombre d'éléements à partir de quelques exemples bien choisis. Remerciements à: Thierry Artieres, professeur à Paris 6 pour ses conseils très utiles pour améliorer la convergence du réseau. M. Blain, mon prof de physique pour ses conseils sur la présentation du tipe. Ankush Sethi, un étudidant américain. Le Programme (très simplifié pour une meilleure lecture) :
7
8
CHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détail5 semaines pour apprendre à bien jouer un morceau de piano
5 semaines pour apprendre à bien jouer un morceau de piano Ce guide peut être librement imprimé et redistribué gratuitement. Vous pouvez pouvez l'offrir ou le faire suivre à vos amis musiciens. En revanche,
Plus en détailReaper : utilisations avancées
Reaper : utilisations avancées Reaper dispose de ressources qui, sans être cachées, ne sont pas toujours faciles à trouver, d'autant plus que souvent on n'imagine même pas que ces choses soient possible!...
Plus en détailTABLE DES MATIÈRES I. INTRODUCTION... 3 II. PIANO D'ACCOMPAGNEMENT...
TABLE DES MATIÈRES I. INTRODUCTION... 3 II. PIANO D'ACCOMPAGNEMENT... 4 Les tons et demi-tons... 5 Les notes... 6 Différentes figures d'altérations... 7 La gamme majeure... 8 Le chiffrage des notes ou
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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailLa conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA)
La conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA) I. L'intérêt de la conversion de données, problèmes et définitions associés. I.1. Définitions:
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détaila) La technique de l analyse discriminante linéaire : une brève présentation. 3 étapes de la méthode doivent être distinguées :
a) La technique de l analyse discriminante linéaire : une brève présentation. Nous nous limiterons ici à l'analyse discriminante linéaire et à deux groupes : - linéaire, la variante utilisée par ALTMAN
Plus en détailChapitre 1 I:\ Soyez courageux!
Chapitre 1 I:\ Soyez courageux! Pour ne rien vous cacher, le langage d'assembleur (souvent désigné sous le terme "Assembleur", bien que ce soit un abus de langage, puisque "Assembleur" désigne le logiciel
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailRapidolect Les Productions de la Columelle (1998-2006) Page 1
Page 1 Page 2 Logiciel Rapidolect RATIONNEL DU JEU Un bon lecteur possède dans sa tête des images précises des mots écrits qu'il connaît. Lorsqu'il parcourt un texte, ses yeux se déplacent par saccades
Plus en détailTEXT MINING. 10.6.2003 1 von 7
TEXT MINING 10.6.2003 1 von 7 A LA RECHERCHE D'UNE AIGUILLE DANS UNE BOTTE DE FOIN Alors que le Data Mining recherche des modèles cachés dans de grandes quantités de données, le Text Mining se concentre
Plus en détailmodélisation solide et dessin technique
CHAPITRE 1 modélisation solide et dessin technique Les sciences graphiques regroupent un ensemble de techniques graphiques utilisées quotidiennement par les ingénieurs pour exprimer des idées, concevoir
Plus en détailCOPIER, COUPER, COLLER, SELECTIONNER, ENREGISTRER.
COPIER, COUPER, COLLER, SELECTIONNER, ENREGISTRER. 1. Comment déplacer ou copier un fichier sur Windows Vous aurez régulièrement besoin de déplacer ou dupliquer des fichiers sur votre ordinateur. Par exemple
Plus en détailTravaux dirigés n 1. Programmation linéaire
Université de Reims Champagne Ardenne U.F.R. de Sciences Exactes et Naturelles MASTER 1 Informatique - 2014/2015 Pierre Delisle Travaux dirigés n 1 Programmation linéaire Exercice 1 (Résolution d'un programme
Plus en détail1. Création d'un état... 2. 2. Création d'un état Instantané Colonnes... 3. 3. Création d'un état Instantané Tableau... 4
1. Création d'un état... 2 2. Création d'un état Instantané Colonnes... 3 3. Création d'un état Instantané Tableau... 4 4. Création d'un état avec plusieurs tables... 9 5. Modifier la structure d'un état...11
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailChapitre 6 Apprentissage des réseaux de neurones et régularisation
Chapitre 6 : Apprentissage des réseaux de neurones et régularisation 77 Chapitre 6 Apprentissage des réseaux de neurones et régularisation Après une introduction rapide aux réseaux de neurones et à la
Plus en détailChapitre 1 : Introduction aux bases de données
Chapitre 1 : Introduction aux bases de données Les Bases de Données occupent aujourd'hui une place de plus en plus importante dans les systèmes informatiques. Les Systèmes de Gestion de Bases de Données
Plus en détailRÉSOLUTION DE SYSTÈMES À DEUX INCONNUES
RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES Sommaire 1 Méthodes de résolution... 3 1.1. Méthode de Substitution... 3 1.2. Méthode des combinaisons linéaires... 6 La rubrique d'aide qui suit s'attardera aux
Plus en détailDossier projet isn 2015 par Victor Gregoire
Dossier projet isn 2015 par Victor Gregoire Plan: I) But du projet: créer un jeu de blackjack fonctionnel et le poster sur une page web mise en ligne. Le jeu sera developpé en C++ a l'aide de code blocks.
Plus en détailS'organiser pour ne plus se noyer dans l'information
S'organiser pour ne plus se noyer dans l'information S'organiser pour ne plus se noyer dans l'information Filtrer ce qui est important Filtrer les informations au regard de sa mission Transformer l'information
Plus en détailLa correction des erreurs d'enregistrement et de traitement comptables
La correction des erreurs d'enregistrement et de traitement comptables Après l'étude des différents types d'erreurs en comptabilité (Section 1) nous étudierons la cause des erreurs (Section 2) et les techniques
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailGuide de démarrage rapide
Guide de démarrage rapide 1 Sommaire 1.Préambule...3 2.Démarrage du programme...4 3.Prise en main...6 3.1.Les saisies...6 3.2.Les listes...10 4.Gestion courante...13 4.1.Saisie d'un devis...13 4.2.Transformation
Plus en détailDistinguer entre «Enregistrer» et «Sauvegarder»
Compétence D1.4 IV - : Pérenniser ses données IV Assurer une sauvegarde 33 Compresser / Décompresser un fichier ou un ensemble de fichiers / dossiers 35 A. Assurer une sauvegarde Distinguer entre «Enregistrer»
Plus en détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
Plus en détailChapitre 4 : les stocks
Chapitre 4 : les stocks Stocks et actifs Une entreprise achète généralement des biens pour les utiliser dans son processus de production, ce sont les matières premières et les fournitures, elle peut également
Plus en détailEscalade durant l'e.p.s. à l'école primaire
Escalade durant l'e.p.s. à l'école primaire Fabrice Paget B.E.E.S Escalade Tél : +336 88 31 14 72 fabrice.paget@orange.fr 1 Glossaire Effectifs Durée des séances Atelier escalade sans être encordée Traversées
Plus en détailTrier les ventes (sales order) avec Vtiger CRM
Trier les ventes (sales order) avec Vtiger CRM Dans l'activité d'une entreprise, on peut avoir besoin d'un outil pour trier les ventes, ce afin de réaliser un certain nombre de statistiques sur ces ventes,
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailPar : Abdel YEZZA, Ph.D. Date : avril 2011 / mise à jour oct. 2012 (ajout de la section 3 et augmentation de la section 1)
1 Que signifient AON et AOA? Par : Abdel YEZZA, Ph.D. Date : avril 2011 / mise à jour oct. 2012 (ajout de la section 3 et augmentation de la section 1) Sommaire 1. Concepts... 2 2. Méthode PCM appliquée
Plus en détailXTRADE TRADING CFD EN LIGNE. XTRADE - XFR Financial Ltd. est régulée par la CySEC, Licence CIF no 108/10
XTRADE TRADING CFD EN LIGNE POLITIQUE RELATIVE AU MEILLEUR INTÉRÊT ET AUX ORDRES D'EXÉCUTION 1. Introduction La présente Politique relative au meilleur intérêt et aux Ordres d'exécution ("la Politique")
Plus en détailSeconde et première Exercices de révision sur les probabilités Corrigé
I_ L'univers. _ On lance simultanément deux dés indiscernables donc il n'y a pas d'ordre. Il y a répétition, les dbles. On note une issue en écrivant le plus grand chiffre puis le plus petit. 32 signifie
Plus en détailMODE D'EMPLOI DE LA CALCULATRICE POUR LES COURTS SÉJOURS DANS L'ESPACE SCHENGEN
MODE D'EMPLOI DE LA CALCULATRICE POUR LES COURTS SÉJOURS DANS L'ESPACE SCHENGEN 1. Introduction Le règlement (UE) n 610/2013 du 26 juin 2013 a modifié la convention d'application de l'accord de Schengen,
Plus en détailExercices de dénombrement
Exercices de dénombrement Exercice En turbo Pascal, un entier relatif (type integer) est codé sur 6 bits. Cela signifie que l'on réserve 6 cases mémoires contenant des "0" ou des "" pour écrire un entier.
Plus en détail1.5 0.5 -0.5 -1.5 0 20 40 60 80 100 120. (VM(t i ),Q(t i+j ),VM(t i+j ))
La logique oue dans les PME/PMI Application au dosage de l'eau dans les bétons P.Y. Glorennec INSA de Rennes/IRISA glorenne@irisa.fr C. Hérault Hydrostop christophe@hydrostop.fr V. Hulin Hydrostop vincent@hydrostop.fr
Plus en détailHauts rendements, convivialité et une sécurité par excellence : Voici OptionWeb
Première plateforme d'options Binaires régulée d'europe, OptionWeb allie rendement et sécurité. Détenteur de la licence CySec, OptionWeb vous permettra de profiter pleinement de votre expérience de trading.
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailles Formulaires / Sous-Formulaires Présentation...2 1. Créer un formulaire à partir d une table...3
Présentation...2 1. Créer un formulaire à partir d une table...3 2. Les contrôles :...10 2.1 Le contrôle "Intitulé"...11 2.2 Le contrôle "Zone de Texte"...12 2.3 Le contrôle «Groupe d options»...14 2.4
Plus en détailTP : Shell Scripts. 1 Remarque générale. 2 Mise en jambe. 3 Avec des si. Systèmes et scripts
E3FI ESIEE Paris Systèmes et scripts B. Perret TP : Shell Scripts 1 Remarque générale Lorsque vous cherchez des informations sur Internet, n'oubliez pas que langage de shell script que nous avons vu correspond
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailLa contrefaçon par équivalence en France
BREVETS La contrefaçon par équivalence en France I. Introduction Si l'on considère une revendication de brevet qui remplit les conditions de validité au regard de l'art antérieur, le cas de contrefaçon
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détail1 EVALUATION DES OFFRES ET NEGOCIATIONS
CERN LIBRARIES, GENEVA CM-P00090679 1 EXTRAIT DU REGLEMENT INTERNE APPLIQUE PAR L'ADMINISTRATION DANS L'ATTRIBUTION DES MARCHES DU CERN 1 EVALUATION DES OFFRES ET NEGOCIATIONS 1.0 Ouverture et évaluation
Plus en détailLe Raid c est quoi? Comment ca marche? Les différents modes RAID :
Le Raid c est quoi? Redundant Array of Inexpensive Disks: ensemble redondant de disques peu chers. Le RAID est une technologie qui a été dévellopée en 1988 pour améliorer les performances des unités de
Plus en détailBADPLUS V5 MANUEL D'UTILISATION. Imports de données joueurs à partir de la base fédérale en ligne Poona. Stéphan KIEFFER - Dominique BOSSERT
BADPLUS V5 Imports de données joueurs à partir de la base fédérale en ligne Poona MANUEL D'UTILISATION Stéphan KIEFFER - Dominique BOSSERT Sommaire Pages RECHERCHE DE JOUEURS...- 3-1. RECHERCHE A PARTIR
Plus en détail2 Grad Info Soir Langage C++ Juin 2007. Projet BANQUE
2 Grad Info Soir Langage C++ Juin 2007 Projet BANQUE 1. Explications L'examen comprend un projet à réaliser à domicile et à documenter : - structure des données, - objets utilisés, - relations de dépendance
Plus en détail1. Introduction...2. 2. Création d'une requête...2
1. Introduction...2 2. Création d'une requête...2 3. Définition des critères de sélection...5 3.1 Opérateurs...5 3.2 Les Fonctions...6 3.3 Plusieurs critères portant sur des champs différents...7 3.4 Requête
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 détailL accompagnement pour piano
L accompagnement pour piano L'harmonisation polyphonique d'une mélodie, telle que vous l'avez pratiquée jusqu'à présent, demande quelques modifications de conception dès lors que l'on veut la transformer
Plus en détailManageEngine IT360 : Gestion de l'informatique de l'entreprise
ManageEngine IT360 Présentation du produit ManageEngine IT360 : Gestion de l'informatique de l'entreprise Améliorer la prestation de service à l'aide d'une approche intégrée de gestion des performances
Plus en détailTélécom Nancy Année 2013-2014
Télécom Nancy Année 2013-2014 Rapport 1A Ajout du langage C dans la Programmer's Learning Machine GIANNINI Valentin Loria 615, rue du Jardin Botanique 54600, Villers-Lès-Nancy Maître de stage : QUINSON
Plus en détailPrésentation de GnuCash
Par Jean-Marc St-Hilaire De JMS Informatique Enr. Jean-Marc St-Hilaire a une formation en programmation et en comptabilité (H.E.C.) Cette présentation est disponible à www.jmsinformatique.com/ateliers
Plus en détailVers l'ordinateur quantique
Cours A&G Vers l'ordinateur quantique Données innies On a vu dans les chapîtres précédents qu'un automate permet de représenter de manière nie (et même compacte) une innité de données. En eet, un automate
Plus en détailTravaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation
Université de Savoie Module ETRS711 Travaux pratiques Compression en codage de Huffman 1. Organisation du projet 1.1. Objectifs Le but de ce projet est d'écrire un programme permettant de compresser des
Plus en détail500 W sur 13cm avec les modules PowerWave
500 W sur 13cm avec les modules PowerWave Philippe Borghini / F5jwf f5jwf@wanadoo.fr Janvier 2012 Introduction Tout le monde a déjà vu au moins une fois, sur les puces, ces fameuses platines PowerWave
Plus en détailCode de bonne conduite relatif à la publicité et à l information sur les assurances-vie individuelles
VS10052 09.03.2012 Code de bonne conduite relatif à la publicité et à l information sur les assurances-vie individuelles Précisions pour l'application du code de bonne conduite L'objet de la présente note
Plus en détailVoix parlée, voix lyrique. Vocabulaire
Mythes et musique. Quelques éléments de compréhension Cette séquence intervient en fin d année scolaire et permet une transversalité avec les cours d histoire et de français. Elle revient sur deux mythes
Plus en détailREGLEMENT DES PARIS GENYBET.FR
REGLEMENT DES PARIS GENYBET.FR Copyright 2015 GENYinfos, tous droits réservés Sommaire 1 DEFINITIONS 6 2 ARTICLES RELATIFS AU REGLEMENT DU PARI MUTUEL EN LIGNE 7 3 ENREGISTREMENT DES PARIS 8 4 RESULTAT
Plus en détailClassification Automatique de messages : une approche hybride
RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailRebecca Léo Thomas Gaspard
Parfois on va à l'école parce que nos parents n'ont pas le temps, ou sinon nos parents ne savent pas tout. On va à l école pour avoir un bon métier et une belle maison, pour développer notre intelligence,
Plus en détailIUT de Bobigny Paris XIII Pierre 2010-2011 SRC2. Analyse marketing : BlackBerry Torch
DOMINIQUE IUT de Bobigny Paris XIII Pierre 2010-2011 SRC2 Analyse marketing : BlackBerry Torch 1 Introduction Le marché des téléphones portables est en pleine restructuration depuis l'arrivée de l'iphone
Plus en détailTP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile
TP n 2 Concepts de la programmation Objets Master 1 mention IL, semestre 2 Le type Abstrait Pile Dans ce TP, vous apprendrez à définir le type abstrait Pile, à le programmer en Java à l aide d une interface
Plus en détailProjet ISN - dossier réalisé par Randrianarimanana Stéphanie. Titre du projet : Site de rencontre. le nom de notre site de rencontre : Linkymeet
Projet ISN - dossier réalisé par Randrianarimanana Stéphanie Titre du projet : Site de rencontre le nom de notre site de rencontre : Linkymeet ( tout astérisque* signifie voir annexe) l'équipe : Randrianariamanana
Plus en détailSur un ordinateur exécutant Windows 2000 Server Ayant une adresse IP statique
Le DNS DNS = Domain Name Service Sert à résoudre les noms d ordinateur en adresse IP. Contention de dénomination pour les domaines Windows 2000 (nommage des domaines W2K) Localisation des composants physiques
Plus en détailLe défi : L'avantage Videojet :
Note d'application Impression-pose d'étiquettes Améliorez votre rendement : passez des applicateurs mécaniques à l'étiquetage Direct Apply TM Le défi : Au cours de ces 20 dernières années, les systèmes
Plus en détailCréation d'un site dynamique en PHP avec Dreamweaver et MySQL
Création d'un site dynamique en PHP avec Dreamweaver et MySQL 1. Création et configuration du site 1.1. Configuration de Dreamweaver Avant de commencer, il est nécessaire de connaître l'emplacement du
Plus en détailMDI Chèque de Allégroupe Réclamation
Introduction MDI Chèque de Allégroupe Réclamation MDIChèques est une suite logique d' Allégroupe Réclamation. Une fois que l'adjudicateur a pris la décision de payer le lot, il fait une Requête de paiement
Plus en détailRAPPORT # 2 GUIDE PRATIQUE POUR L'ENVOI DE E-MAIL EN VOLUME SUR INTERNET
RAPPORT # 2 GUIDE PRATIQUE POUR L'ENVOI DE E-MAIL EN VOLUME SUR INTERNET Le but de ce rapport est de vous procurer une information valable pour vous assister dans le Marketing à paliers multiples en utilisant
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailDÉCLARATION DES RISQUES
DÉCLARATION DES RISQUES Tenant compte du fait que CM Marketing Associates Ltd accepte de conclure, à la base de gré à gré ( OTC ) des contrats financiers pour différences ( CFD ) et contrats de change
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailACOUSTIQUE 3 : ACOUSTIQUE MUSICALE ET PHYSIQUE DES SONS
Matériel : Logiciel winoscillo Logiciel synchronie Microphone Amplificateur Alimentation -15 +15 V (1) (2) (3) (4) (5) (6) ACOUSTIQUE 3 : ACOUSTIQUE MUSICALE ET PHYSIQUE DES SONS Connaissances et savoir-faire
Plus en détailJournal officiel de l'union européenne
20.5.2014 L 148/29 RÈGLEMENT DÉLÉGUÉ (UE) N o 528/2014 DE LA COMMISSION du 12 mars 2014 complétant le règlement (UE) n o 575/2013 du Parlement européen et du Conseil en ce qui concerne les normes techniques
Plus en détail«la mouche» : 1958 / 1987, l'adaptation au travers des affiches.
Oui, mais c'est l œuvre de quelqu'un d'autre 1 «On parle souvent des cinéastes qui, à Hollywood, déforment l œuvre originale. Mon intention est de ne jamais faire cela»¹ «la mouche» : 1958 / 1987, l'adaptation
Plus en détailSupport Agile avec Kanban quelques trucs et astuces par Tomas Björkholm
Support Agile avec Kanban quelques trucs et astuces par Tomas Björkholm Avant-propos Il y a un an, j'ai animé un atelier au Scrum Gathering de Stockholm sur le Support Agile. Depuis, j'ai reçu plusieurs
Plus en détailMS PROJECT 2000. Prise en main. Date: Mars 2003. Anère MSI. 12, rue Chabanais 75 002 PARIS E mail : jcrussier@anere.com Site : www.anere.
DOCUMENTATION MS PROJECT 2000 Prise en main Date: Mars 2003 Anère MSI 12, rue Chabanais 75 002 PARIS E mail : jcrussier@anere.com Site : www.anere.com Le présent document est la propriété exclusive d'anère
Plus en détailParc des Bois de Grasse - 1 rue Louison Bobet - 06130 GRASSE
OPERATIONS DE FIN D EXERCICE COMPTABLE Sommaire L INVENTAIRE... 2 LA DETERMINATION DES CHARGES ET DES PROVISIONS... 3 LES IMMOBILISATIONS... 3 LES AMORTISSEMENTS... 4 LES PROVISIONS POUR DEPRECIATION...
Plus en détailRésolution 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
Plus en détailCHAPITRE IX : Les appareils de mesures électriques
CHAPITRE IX : Les appareils de mesures électriques IX. 1 L'appareil de mesure qui permet de mesurer la différence de potentiel entre deux points d'un circuit est un voltmètre, celui qui mesure le courant
Plus en détailPour signifier qu'une classe fille hérite d'une classe mère, on utilise le mot clé extends class fille extends mère
L'héritage et le polymorphisme en Java Pour signifier qu'une classe fille hérite d'une classe mère, on utilise le mot clé extends class fille extends mère En java, toutes les classes sont dérivée de la
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailGUIDE DE L UTILISATEUR
Les services Étoiles auxquels vous êtes abonné sont:! Mise en attente! Afficheur du numéro! Afficheur du nom! Affichage de l appel en attente! TéléRéponse! TéléRéponse multiusagers Les services ÉTOILES
Plus en détailDidacticiel du service cartographique en cache
Didacticiel du service cartographique en cache Copyright 1995-2012 Esri All rights reserved. Table of Contents Didacticiel : Création d'un service de carte mis en cache................... 3 Copyright 1995-2012
Plus en détail2.2.4. La courbe en J et la condition de Marshall-Lerner
224 file:///fichiers/enseignement/site%20web/impression/rmi/fiches/rmi224... 2.2.4. La courbe en J et la condition de Marshall-Lerner Introduction Paragraphe au format pdf L'exemple de l'italie comme les
Plus en détailSOUTIEN INFORMATIQUE DEP 5229
SOUTIEN INFORMATIQUE DEP 5229 Le Diplôme d études professionnelles D.E.P. en soutien informatique a une durée totale de 1800 heures à temps plein. Le programme permet de développer les compétences nécessaires
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailL'intelligence en mouvement. Caméras AUTODOME 7000 avec fonction de suivi intelligent
L'intelligence en mouvement Caméras AUTODOME 7000 avec fonction de suivi intelligent 2 Bosch AUTODOME 7000 Les caméras IP et HD AUTODOME 7000 combinent une intelligence avancée, une flexibilité de diffusion
Plus en détailPi, poker et informatique ; une «épuisante» alliance pour des projets en mathématiques
Pi, poker et informatique ; une «épuisante» alliance pour des projets en mathématiques Jean Fradette et Anik Trahan, Cégep de Sherbrooke Résumé Dans un cours intégrateur en mathématiques, des étudiants
Plus en détailPLAN D ÉTUDES DU PIANO
PLAN D ÉTUDES DU PIANO INTRODUCTION La formation permet aux élèves d acquérir progressivement une autonomie musicale et instrumentale liée au développement artistique de leur personnalité à travers la
Plus en détail1.6- Génération de nombres aléatoires
1.6- Génération de nombres aléatoires 1- Le générateur aléatoire disponible en C++ 2 Création d'un générateur aléatoire uniforme sur un intervalle 3- Génération de valeurs aléatoires selon une loi normale
Plus en détail