Data Mining. Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
|
|
- Thibaut Léonard
- il y a 8 ans
- Total affichages :
Transcription
1 des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne /65
2 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65
3 des des Définition générale Le data mining est l ensemble des algorithmes et méthodes : destinés à l exploration et à l analyse, pour de grandes bases de informatiques, sans a priori. Le data mining permet la détection dans les : de règles, d associations, de tendances inconnues, de structures particulières, restituant l information utile, tout en réduisant la quantité de. 3/65 pour l aide à la.
4 Objectif des des On ne veut plus seulement savoir : Combien de clients ont acheté tel produit pendant telle période? Mais : Quel est le profil des clients? Quels autres produits les intéresseront? Quand seront-ils intéressés? 4/65
5 Des statistiques... des des 5/65 Statistiques : Quelques centaines d individus. Quelques variables recueillies avec un protocole spécial (échantillonnage, plan d expérience). Hypothèses fortes (à priori) sur les lois statistiques suivies. Analyse de : Quelques milliers d individus. Plusieurs dizaines de variables. Construction de tableaux Individus Variables. Importance de la représentation visuelle.
6 des des 6/65 Contexte actuel : Quelques millions d individus. Quelques centaines de variables.... au data mining. De nombreux types de variables (numériques ou symboliques). Données recueillies souvent avant l étude et à d autres fins. Mise en œuvre de calculs rapides. Nouvel objectif : On ne cherche pas toujours l optimum mathématique. On recherche le modèle le plus facile à appréhender par un utilisateur non statisticien.
7 des des 7/65 Domaines concernés : Domaines d application Customer Relationship Management (CRM). Détection de fraude (CB, téléphone mobile). Text Mining (étude de mails de réclamation, extraction et classification de connaissance dans les textes). Web Mining (personnalisation de sites web en fonction des habitudes et du contenu examiné). Aide au diagnostic médical. Exemple : en fonction de points communs détectés avec les symptômes d autres patients connus, le système peut catégoriser de nouveaux patients au vu de leurs analyses médicales en risque estimé (probabilité) de développer telle ou telle maladie.
8 Domaines d application des des Domaines pluridisciplinaires : Analyse de, statistiques, probabilités. Bases de. Intelligence artificielle : systèmes experts; apprentissage automatique; logique. Sciences cognitives : neurosciences; psychologie expérimentale; philosophie... 8/65
9 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 9/65
10 Découverte des des des 10/65
11 des des 11/65 Découverte des base de : Un ensemble de supermarchés localisés dans différentes villes, en France et à l étranger. Caractéristiques : Chaque supermarché possède sa propre base. Informations sur les clients : Customer(c id, c name, c addr, c job,...) Informations sur les produits/articles en vente : Item(i id, i name, i category,...) Informations sur les achats/transactions réalisées (pour chaque transaction, les articles sont stockés un par un) : Transaction(t id, c id, i id, t date,...)
12 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 12/65
13 des des 13/65 Objectif : Supprimer les bruitées ou non pertinentes. Questions : Que faire si certaines sont manquantes? Certains clients n ont pas donné leur adresse. Toutes les sont-elles fiables (problèmes d inconsistance)? Un même article appartient à différentes catégories (dans des magasins différents). Le prix d un même article est très supérieur à la normale dans un magasin donné. Que faire si certaines sont numériques dans le cas où la technique d extraction ne peut manipuler que des symboliques?
14 Données manquantes des des Solutions : Ne pas tenir compte des tuples contenant des manquantes (valeurs nulles). Remplir manuellement les champs non remplis. Utiliser les valeurs connues : Remplacer un salaire manquant par le salaire médian des clients. Prédire les valeurs manquantes, en le déduisant d autres paramètres (salaire à partir de l âge et de la profession). 14/65
15 des des 15/65 Données bruitées Plusieurs solutions : lissage, segmentation, régression linéaire. Techniques de lissage (data smoothing) : 1 Trier les différentes valeurs de l attribut considéré. {4,8,15,21,21,24,25,28,34} 2 Partitionner l ensemble résultat. {{4,8,15},{21,21,24},{25,28,34}} 3 Remplacer les valeurs initiales par de nouvelles valeurs en fonction du partitionnement réalisé : par la valeur moyenne des regroupements réalisés {9,22,29} par les min et max des regroupements réalisés. {{4,4,15},{21,21,24},{25,25,34}} Implique une perte de précision ou d information.
16 Données bruitées des des Techniques de segmentation (clustering) : Les valeurs similaires sont placées dans une même classe. On ne tient pas compte des valeurs isolées (dans une classe comportant trop peu d éléments). Techniques de régression linéaire : Hypothèse : un attribut Y dépend linéairement d un attribut X. Années d expérience X et salaire Y. Trouver les coefficients a et b tels que Y = ax +b. Remplacer les valeurs de Y par celles prédites. 16/65
17 des des Données de départ : Un ensemble de couples (X i,y i ). Détermination des coefficients : Données bruitées : régression linéaire Soient X et Ȳ les valeurs moyennes des attributs X et Y. a = cov(x,y). V(x) b = Ȳ a X. 17/65
18 Données inconsistantes des des Données inconsistantes dans une base de : Contraintes d intégrités ou dépendances fonctionnelles non respectées. Exemples : La contrainte I ID I CATEGORY n est pas respectée au moment de l intégration des. Unicité de clés non respectée. 18/65
19 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 19/65
20 des des Objectif : Regrouper les provenant de différentes sources. Problématique typique lors de la construction d entrepôts de. Exemple : Un attribut nommé C ID dans la BD de Paris peut très bien se nommer CUST ID dans la BD de Londres. Utilisation de méta- (XML) pour la mise en correspondance. 20/65
21 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 21/65
22 des des 22/65 des Lissage de : utilisation de techniques de régression. Normalisation des : normaliser certains attributs numériques afin qu ils varient entre 0 et 1. Pour ne pas privilégier les attributs ayant les plus grands domaines de variation (salaire/âge). Agrégation des : opérations OLAP (On-Line Analytical Processing) permettant une analyse multidimensionnelle sur les BD volumineuses afin de mettre en évidence une analyse particulière des. Calculer les niveaux de ventes réalisées de tel produit par mois plutôt que par jour. Généralisation des : remplacer les finies par des de plus haut niveau. Remplacer les adresses precises des clients par leur code postal. Remplacer l âge des clients par jeune, adulte, sénior.
23 des des 23/65 Discrétisation des Répartition des valeurs des attributs : À chaque étape, on cherche à découper l intervalle de variation des en K intervalles comportant le même nombre de valeurs. On divise C AGE= [0,100] en A 1 = [0,20] et A 2 = [20,100] si 50 % des clients ont moins de 20 ans. Entropie et classification à priori des : On cherche à caractériser les individus achetant les différents types de lait (entier, demi-écrémé, écrémé). Facilité à appréhender le découpage obtenu : On veut obtenir des intervalles du type [ 12.5, 0] plutôt que [ , ].
24 des des Discrétisation basée sur l entropie (1/2) Entropie d un ensemble de S : Définition : S est découpé en k classes C 1,...,C k. Ent(S) = p i.log(p i ) avec p i = C i S. Propriétés : Ent(S) est maximale (égale à 0) si les sont réparties dans une seule et même classe. Ent(S) est minimale si les sont uniformément réparties dans toutes les classes. 24/65
25 des des Méthode : Discrétisation basée sur l entropie (2/2) Découper S = [a,b] en S 1 = [a,c] et S 2 = [c,b]. Maximiser le gain d information I(S,c) = S 1 S Ent(S 1)+ S 2 S Ent(S 2) Ent(S). Arrêt du découpage si le gain devient insuffisant, quel que soit c. 25/65
26 Variation de l entropie des des 26/65
27 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 27/65
28 des des Objectif : Garder uniquement les pertinentes pour l étude à réaliser. Exemple : Doit-on s intéresser à toutes les catégories de produits de vente? Doit-on s intéresser aux ventes réalisées il y a plus d un an? 28/65
29 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 29/65
30 des des 30/65 Réduction en ligne par échantillonnage : Pour des raisons de performance. Du fait de la compléxité importante des algorithmes d extraction. Plusieurs méthodes : échantillonnage aléatoire (avec ou sans remise), échantillonnage par clustering/segmentation. Réduction en colonne par suppression des attributs redondants : Cas triviaux (âge et date de naissance). Via une analyse des corrélation entre attributs : corr A,B = P(A B) P(A).P(B) = P(B/A) P(B) Indépendance : corr A,B = 1 si P(B/A) = P(B). Corrélation positive : corr A,B > 1 si P(B/A) > P(B).
31 Matrice de contingence des des 31/65 matrice de contingence : Avec pain Sans pain Total Avec beurre Sans beurre Total Analyse de corrélation : P(Beurre) = = 0.75 et P(Pain) = 0.6. P(Beurre Pain) = = 0.4. corr Pain,Beurre = = 0.89 < 1 Indique une corrélation négative.
32 Qualité de la corrélation des des Coefficient de corrélation : (Ai Ā)(B i B) r A,B = σ A.σ B avec σ X = (Xi X) 2. Signification : Plus r A,B s éloigne de zéro, meilleure est la corrélation : r A,B = +1 : corrélation positive parfaite. r A,B = 1 : corrélation négative parfaite. r A,B = 0 : absence totale de corrélation. 32/65
33 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 33/65
34 des des 34/65
35 des des 35/65 (1/2) Techniques descriptives : Visent à mettre en évidence des informations présentes, mais cachées dans les gros volumes de. Cas de la segmentation de la clientèle, de la recherche d association de produits sur les tickets de caisse. Permettent de réduire, de résumer et de synthétiser les. Pas de variable cible à prédire. Exemples : Techniques de segmentation/clustering : nuées dynamiques, segmentation hiérarchique, réseaux de neurones. règles d association.
36 des des 36/65 (2/2) Techniques prédictives : Visent à extrapoler de nouvelles informations à partir des informations présentes. Cas général du scoring (impayés, attrition, crédit). Permettent d expliquer les. Il existe une variable cible à prédire. Exemples : Classification/discrimination (variable cible qualitative) : analyse discriminante; arbres de classification; réseaux neuronaux multi-couches. Prédiction (variable cible quantitative) : régression linéaire (simple et multiple); arbres de régression.
37 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 37/65
38 Post-traitement des des 38/65 Présentation des. Visualisation des. Manipulation des.
39 Présentation des des des Problème : Comment représenter/visualiser les extraites? Formules logiques : Age(X, jeune ), Revenu(X, eleve ) class(x, A ) [1.402]. Age(X, jeune ), Revenu(X, bas ) class(x, B ) [1.038]. Age(X, senior ) class(x, C ) [2.160]. 39/65
40 des des Tableau : Présentation des Age Revenu Class Count jeune eleve A jeune bas B senior eleve C 786 senior bas C Arbre de : 40/65
41 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 41/65
42 des des Les origines : Intelligence artificielle [Quinlan, 1983]. Statistiques [Breiman, 1986]. Points forts : Généralités Applicables à la fois à des attributs numériques et symboliques. Intelligibilité de la procédure de. Rapidité de la. Invariance des résultats à toute transformation monotone des. 42/65 Problème : Comment construire un arbre de à partir d un ensemble de?
43 Principe de construction des des Données : Ensemble de K classes C 1,C 2,...,C K. Ensemble d objets décrits selon N +1 attributs ou variables : N variables descriptives (taille, couleurs, forme, etc.) 1 variable de catégorie : à quelle classe appartient un objet donné (raisin, pomme, banane, etc.)? Principe de l algorithme : Partitionnement successif de l ensemble de. 43/65
44 Définition d une partition (1/2) des des Variable binaire X {1,0} Variable quantitative X X? 1 0 X < α? /65
45 Définition d une partition (2/2) des des Variable qualitative X avec M modalités dans E = {e 1,...,e m }. X E E? X? 1 0 e 1 e 2 e M 45/65
46 Choix d une partition des des Principe : Partitionner les en sous-ensembles les plus purs possibles, i.e. contenant des objets d une seule classe. Exemples de critères d impureté : Soit un ensemble S partitionné en K classes C 1,...,C K. Soit P k = C k S. Taux d items mal classés : T(S) = 1 max k (P k ). Entropie : I(S) = k P k log 2 P k. Critère de Gini : G(S) = 1 k P2 k. 46/65
47 des des Gain d information (1/2) Définition : I = I(S) P L I(S L ) P R I(S R ) avec P L = S L S et P R = S R S. I est la fonction d entropie. Exemple : S(20/30) 47/65 S L (15/5) S R (5/25) I(S) = 20/50log 2 (20/50) 30/50log 2 (30/50) = 0,971 I(S L ) = 15/20log 2 (15/20) 5/20log 2 (5/20) = 0,811 I(S R ) = 5/30log 2 (5/30) 25/30log 2 (25/30) = 0,65 I = 0,971 20/50(0,811) 30/50(0,65) = 0,26
48 Gain d information (2/2) des des Cas d une partition quelconque : I = I(S) k P ki(s k ) dans le cas où S est découpé en S 1,...,S K, avec P k = S k S. Problème : Les variables avec un grand nombre de modalités induisent une plus grande réduction de l impureté. Gain ratio impurity I I K = k P k logp k 48/65
49 des des 49/65 Partionnement d une feuille : Algorithme de construction 1 Pour chaque variable X i, rechercher la partition optimale P i = {S 1,...,S N }, i.e. la partition maximisant le gain d information. (Si X i est quantitatif, chercher le seuil α maximisant le gain d information.) 2 Choisir parmi toutes les partition P i celle qui maximise le gain d information. Arrêt : Lorsqu une feuille contient uniquement des objets d une seule classe. Lorsque le gain en information est inférieur à un seuil donné.
50 Exemple 1 (1/3) des des 50/65
51 Exemple 1 (2/3) des des 51/65
52 Exemple 1 (3/3) des des Arbre de final : X < 1,5? 1 0 Cercle 1 Y < 2,5? 0 Carré Cercle 52/65
53 des des 53/65 Exemple 2 (1/6) id age income student credit-rating class 1 <30 high no fair no 2 <30 high no good no high no fair yes 4 >40 medium no fair yes 5 >40 low yes fair yes 6 >40 low yes good no low yes good yes 8 <30 medium no fair no 9 <30 low yes fair yes 10 >40 medium yes fair yes 11 <30 medium yes good yes medium no good yes high yes fair yes 14 >40 medium no good no
54 des des 54/65 Exemple 2 (2/6) Entropie de départ : I(S) = 0,940. Avec l attribut age : age < 30 : I(S L ) = 0,971 et I(S R ) = 0,764 donc I = 0,102. age < 40 : I(S L ) = 0,918 et I(S R ) = 0,971 donc I = 0,003. Avec l attribut income : income = low : I(S L ) = 0,811 et I(S R ) = 0,971 donc I = 0,015. income = medium : I(S L ) = 0,918 et I(S R ) = 0,954 donc I = 0,001. income = high : I(S L ) = 1,0 et I(S R ) = 0,881 donc I = 0,025. Avec l attribut student : student = yes : I(S L ) = 0,592 et I(S R ) = 0,985 donc I = Avec l attribut credit rating : rating = fair : I(S L ) = 0,811 et I(S R ) = 1,0 donc I = 0,048.
55 des des 55/65 Exemple 2 (3/6) student = yes id age income student credit-rating class 5 >40 low yes fair yes 6 >40 low yes good no low yes good yes 9 <30 low yes fair yes 10 >40 medium yes fair yes 11 <30 medium yes good yes high yes fair yes 1 <30 high no fair no 2 <30 high no good no high no fair yes 4 >40 medium no fair yes 8 <30 medium no fair no medium no good yes 14 >40 medium no good no
56 Exemple 2 (4/6) des des Entropie de départ (student = no) : I(S) = 0,985. Avec l attribut age : age < 30 : I(S L ) = 0 et I(S R ) = 0,811 donc I = 0,522. age < 40 : I(S L ) = 0,811 et I(S R ) = 1,0 donc I = 0,006. Avec l attribut income : income = medium : I(S L ) = 1,0 et I(S R ) = 0,918 donc I = 0,020. income = high : I(S L ) = 1,0 et I(S R ) = 0,918 donc I = 0,020. Avec l attribut credit rating : rating = fair : I(S L ) = 1,0 et I(S R ) = 0,918 donc I = 0, /65
57 des des 57/65 Exemple 2 (5/6) age < 30 id age income student credit-rating class 5 >40 low yes fair yes 6 >40 low yes good no low yes good yes 9 <30 low yes fair yes 10 >40 medium yes fair yes 11 <30 medium yes good yes high yes fair yes 1 <30 high no fair no 2 <30 high no good no 8 <30 medium no fair no high no fair yes 4 >40 medium no fair yes medium no good yes 14 >40 medium no good no
58 Exemple 2 (6/6) des des Arbre de final : 1 student? 0 Yes 1 age < 30? 0 No Yes 58/65
59 des des 59/65 Exemples de règles d arrêt : Règles d arrêt Nombre d éléments dans une feuille inférieur à un seuil. Taux de bien classés dans une feuille supérieur à un seuil (exemple : max k (P k ) > 95%). Gain d information inférieur à un seuil (exemple : I < β). Autre approche : test du χ 2 Test de l indépendance entre : la partition obtenue par maximisation du gain d information; la partition qui serait obtenue sous l hypothèse d indépendance.
60 Pour aller plus loin... des des Élagage de l arbre : Laisser l arbre pousser jusqu à l obtention de feuilles pratiquement pures, puis couper des branches pour simplifier l arbre. Méthode : rechercher le sous-arbre minimisant la fonction de coût-capacité. [Breiman, Olshen et Stone, 1984] 60/65
61 des des Bagging : Pour aller plus loin... Amélioration de la stabilité de la méthode de classification. 61/65
62 des des 62/65 Avantages : Conclusion Applicables à des variables quantitatives ou qualitatives. Intelligibilité de la procédure de classification (avec une traduction possible sous forme de règles). Rapidité du processus de classification (après construction de l arbre). Invariance à toute transformation monotone des. Sélectionne automatiquement les variables les plus importantes. Problèmes : Performance sur de grands volumes de? Choix des variables : arbres multi-variés potentiellement plus performant, mais au détriment de l intelligibilité des solutions proposées.
63 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 63/65
64 Problèmes et perspectives des des Problème de performance : Les volumes de à traiter peuvent être très importants. Solutions : Calcul parallèle et/ou distribué : utilisation de grilles de calcul. Techniques incrémentales : utilisation de résultats antérieurs pour l optimisation des calculs de nouvelles requêtes d extraction; stockage efficace des résultats de requêtes d extraction. 64/65
65 des des 65/65 Problèmes et perspectives de de différents types : Feuilles de calcul MS Excel. Bases de transactionnelles. Bases de relationnelles. Structures complexes : spatiales, temporelles, etc. Problème de l hétérogénéité des. Besoin de langages de requêtes d extraction : SQL ne permet pas de mesurer des notions floues (tendances). de nouveaux langages : MSQL, MINE-RULE, DMQL... Syntaxes proches de SQL. Pas de théorie générale et/ou d algèbre.
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)
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 détailArbres 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
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 détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailLes Entrepôts de Données
Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations
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 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 détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
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 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 détailIntroduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours
Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailAgenda 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
Plus en détailet les Systèmes Multidimensionnels
Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Datawarehouse (DW) Le Datawarehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées
Plus en détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailPrésentation du module Base de données spatio-temporelles
Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes
Plus en détail" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! "##$ % &!
"# $ %%& ' ( )*+, '()*+,'+''-++.+/0112134+1.50*406 "##$ %& 8CC "#$%& ' ( )* +,-./ 0 123 456+7 3 7-55-89.*/ 0 +3 *+:3 ;< =3 3-3 8 0 23 >-8-3 >5? //*/*0;* @A: *53,,3 / * $/ >B+? - 5, 2 34*56 7 /+#** //8
Plus en détailLOGO. Module «Big Data» Extraction de Connaissances à partir de Données. Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.
Module «Big Data» Extraction de Connaissances à partir de Données Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.fr 14 Janvier 2015 Pourquoi l extraction de connaissances à partir de
Plus en détailEcole des Hautes Etudes Commerciales HEC Alger. par Amina GACEM. Module Informatique 1ière Année Master Sciences Commerciales
Ecole des Hautes Etudes Commerciales HEC Alger Évolution des SGBDs par Amina GACEM Module Informatique 1ière Année Master Sciences Commerciales Evolution des SGBDs Pour toute remarque, question, commentaire
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailEntrepôt de données 1. Introduction
Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de
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 détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en 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 détailDatawarehouse: Cubes OLAP. Marlyse Dieungang Khaoula Ghilani
Datawarehouse: Cubes OLAP Marlyse Dieungang Khaoula Ghilani Table des matières 1 Data Warehouse 3 1.1 Introduction............................ 3 1.1.1 Définition......................... 3 1.1.2 Architecture........................
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailChapitre IX. L intégration de données. Les entrepôts de données (Data Warehouses) Motivation. Le problème
Chapitre IX L intégration de données Le problème De façon très générale, le problème de l intégration de données (data integration) est de permettre un accès cohérent à des données d origine, de structuration
Plus en détailBI = Business Intelligence Master Data-ScienceCours 3 - Data
BI = Business Intelligence Master Data-Science Cours 3 - Datawarehouse UPMC 8 février 2015 Rappel L Informatique Décisionnelle (ID), en anglais Business Intelligence (BI), est l informatique à l usage
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 détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détailTechniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION
Plus en 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 détailIntroduction à l Informatique Décisionnelle - Business Intelligence (7)
Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence
Plus en détailBUSINESS INTELLIGENCE
GUIDE COMPARATIF BUSINESS INTELLIGENCE www.viseo.com Table des matières Business Intelligence :... 2 Contexte et objectifs... 2 Une architecture spécifique... 2 Les outils de Business intelligence... 3
Plus en détailMéthodes 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
Plus en détailETL Extract - Transform - Load
ETL Extract - Transform - Load Concept général d analyse en ligne (rappels) Rémy Choquet - Université Lyon 2 - Master 2 IIDEE - 2006-2007 Plan Définitions La place d OLAP dans une entreprise OLAP versus
Plus en détailINTRODUCTION 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
Plus en détailWorkflow/DataWarehouse/DataMining. 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1
Workflow/DataWarehouse/DataMining 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1 plan Workflow DataWarehouse Aide à la décision DataMinig Conclusion 14-09-98 LORIA
Plus en détailBusiness & High Technology
UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 8 : ID : Informatique Décisionnelle BI : Business Intelligence Sommaire Introduction...
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 détailEvry - M2 MIAGE Entrepôt de données
Evry - M2 MIAGE Entrepôt de données Introduction D. Ploix - M2 Miage - EDD - Introduction 1 Plan Positionnement du BI dans l entreprise Déclinaison fonctionnelle du décisionnel dans l entreprise Intégration
Plus en détailQue fait SAS Enterprise Miner?
Développez une connaissance plus précise avec un processus data mining plus productif La transformation de données brutes en informations utiles reste une problématique pour les entreprises. Pour apporter
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 détailLes bases de données
Les bases de données Introduction aux fonctions de tableur et logiciels ou langages spécialisés (MS-Access, Base, SQL ) Yves Roggeman Boulevard du Triomphe CP 212 B-1050 Bruxelles (Belgium) Idée intuitive
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 détailLe data mining et l assurance Mai 2004. Charles Dugas Président Marianne Lalonde Directrice, développement des affaires
Le data mining et l assurance Mai 2004 Charles Dugas Président Marianne Lalonde Directrice, développement des affaires AGENDA Qu est-ce que le data mining? Le projet et les facteurs de réussite Les technologies
Plus en détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en détailEntrepôts de données. NEGRE Elsa Université Paris-Dauphine 2015-2016
Entrepôts de données NEGRE Elsa Université Paris-Dauphine 2015-2016 Contexte et problématique Le processus de prise de décision L entrepôt de données Définition Différence avec un SGBD Caractéristiques
Plus en détailData Mining. Master 1 Informatique - Mathématiques UAG
Data Mining Master 1 Informatique - Mathématiques UAG 1.1 - Introduction Data Mining? On parle de Fouille de données Data Mining Extraction de connaissances à partir de données Knowledge Discovery in Data
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 détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailLES ENTREPOTS DE DONNEES
Module B4 : Projet des Systèmes d information Lille, le 25 mars 2002 LES ENTREPOTS DE DONNEES Problématique : Pour capitaliser ses informations, une entreprise doit-elle commencer par mettre en œuvre des
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailUrbanisation des SI-NFE107
OLAP Urbanisation des SI-NFE107 Fiche de lecture Karim SEKRI 20/01/2009 OLAP 1 Introduction PLAN OLAP Les différentes technologies OLAP Plate formes et Outils 20/01/2009 OLAP 2 Informatique décisionnelle
Plus en détailINTERSYSTEMS CACHÉ COMME ALTERNATIVE AUX BASES DE DONNÉES RÉSIDENTES EN MÉMOIRE
I N T E RS Y S T E M S INTERSYSTEMS CACHÉ COMME ALTERNATIVE AUX BASES DE DONNÉES RÉSIDENTES EN MÉMOIRE David Kaaret InterSystems Corporation INTERSySTEMS CAChé CoMME ALTERNATIvE AUx BASES de données RéSIdENTES
Plus en détailFast and furious decision tree induction
Institut National des Sciences Appliquées de Rennes Rapport de pré-étude Encadrants : Nikolaos Parlavantzas - Christian Raymond Fast and furious decision tree induction Andra Blaj Nicolas Desfeux Emeline
Plus en détailSQL SERVER 2008, BUSINESS INTELLIGENCE
SGBD / Aide à la décision SQL SERVER 2008, BUSINESS INTELLIGENCE Réf: QLI Durée : 5 jours (7 heures) OBJECTIFS DE LA FORMATION Cette formation vous apprendra à concevoir et à déployer une solution de Business
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailSQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...)
Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence
Plus en détailLa problématique. La philosophie ' ) * )
La problématique!" La philosophie #$ % La philosophie &'( ' ) * ) 1 La philosophie +, -) *. Mise en oeuvre Data warehouse ou Datamart /01-2, / 3 13 4,$ / 5 23, 2 * $3 3 63 3 #, 7 Datawarehouse Data warehouse
Plus en détailHervé Couturier EVP, SAP Technology Development
Hervé Couturier EVP, SAP Technology Development Hervé Biausser Directeur de l Ecole Centrale Paris Bernard Liautaud Fondateur de Business Objects Questions à: Hervé Couturier Hervé Biausser Bernard Liautaud
Plus en détailChapitre VIII. Les bases de données. Orientées Objet. Motivation
Chapitre VIII Motivation Le modèle relationnel connaît un très grand succès et s avère très adéquat pour les applications traditionnelles des bases de données (gestion) Les bases de données Orientées Objet
Plus en détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailUE 8 Systèmes d information de gestion Le programme
UE 8 Systèmes d information de gestion Le programme Légende : Modifications de l arrêté du 8 mars 2010 Suppressions de l arrêté du 8 mars 2010 Partie inchangée par rapport au programme antérieur Indications
Plus en 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 détailTravailler avec les télécommunications
Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailQU EST-CE QUE LE DECISIONNEL?
La plupart des entreprises disposent d une masse considérable d informations sur leurs clients, leurs produits, leurs ventes Toutefois ces données sont cloisonnées par les applications utilisées ou parce
Plus en détailIBM SPSS Direct Marketing
IBM SPSS Statistics 19 IBM SPSS Direct Marketing Comprenez vos clients et renforcez vos campagnes marketing Points clés Avec IBM SPSS Direct Marketing, vous pouvez : Comprendre vos clients de manière plus
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
Plus en détailBusiness Intelligence : Informatique Décisionnelle
Business Intelligence : Informatique Décisionnelle On appelle «aide à la décision», «décisionnel», ou encore «business intelligence», un ensemble de solutions informatiques permettant l analyse des données
Plus en détailInformation utiles. cinzia.digiusto@gmail.com. webpage : Google+ : http://www.ibisc.univ-evry.fr/ digiusto/
Systèmes de gestion de bases de données Introduction Université d Evry Val d Essonne, IBISC utiles email : cinzia.digiusto@gmail.com webpage : http://www.ibisc.univ-evry.fr/ digiusto/ Google+ : https://plus.google.com/u/0/b/103572780965897723237/
Plus en détailBases de Données OLAP
Bases de Données OLAP Hiver 2013/2014 Melanie Herschel melanie.herschel@lri.fr Université Paris Sud, LRI Chapitre 1 Introduction Détails administratifs Entrepôts de Données Perspective sur le semestre
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 27/01/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Présentation de l auteur En charge de la statistique et du data mining dans un grand groupe bancaire Enseigne le data mining en Master 2 à l Université
Plus en détailMéthodologie de conceptualisation BI
Méthodologie de conceptualisation BI Business Intelligence (BI) La Business intelligence est un outil décisionnel incontournable à la gestion stratégique et quotidienne des entités. Il fournit de l information
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailLes bases de données Page 1 / 8
Les bases de données Page 1 / 8 Sommaire 1 Définitions... 1 2 Historique... 2 2.1 L'organisation en fichier... 2 2.2 L'apparition des SGBD... 2 2.3 Les SGBD relationnels... 3 2.4 Les bases de données objet...
Plus en détailSGBDR. Systèmes de Gestion de Bases de Données (Relationnelles)
SGBDR Systèmes de Gestion de Bases de Données (Relationnelles) Plan Approches Les tâches du SGBD Les transactions Approche 1 Systèmes traditionnels basés sur des fichiers Application 1 Gestion clients
Plus en détailMasters 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 :
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 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 détailCybermarché et analyse comportementale
Cybermarché et analyse comportementale Antoine-Eric Sammartino aesammartino@e-laser.fr Séminaire Data Mining - Educasoft Formations 18 juin 2001-1- MENU Le Groupe LaSer Le processus Data Mining L industrialisation
Plus en détailFilière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.
Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants
Plus en détailBases de Données Avancées
1/26 Bases de Données Avancées DataWareHouse Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR Léonard de Vinci 74, rue Marcel Cachin,
Plus en détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailBases de Données. Plan
Université Mohammed V- Agdal Ecole Mohammadia d'ingénieurs Rabat Bases de Données Mr N.EL FADDOULI 2014-2015 Plan Généralités: Définition de Bases de Données Le modèle relationnel Algèbre relationnelle
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailDécouvrez le portefeuille de produits IBM SPSS
Business Analytics Logiciels SPSS Découvrez le portefeuille de produits IBM SPSS L analytique avancée qui aident les entreprises à anticiper le changement et à prendre des mesures pour améliorer leurs
Plus en détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
Plus en détailBASES DE DONNÉES. CNAM Centre associé de Clermont-Ferrand Cycle A Année 1997-98. J. Darmont I. INTRODUCTION II. LES SYSTÈMES HIÉRARCHIQUES
BASES DE DONNÉES CNAM Centre associé de Clermont-Ferrand Cycle A Année 1997-98 J. Darmont I. INTRODUCTION II. LES SYSTÈMES HIÉRARCHIQUES III. LES SYSTÈMES RÉSEAU IV. LES SYSTÈMES RELATIONNELS V. LE LANGAGE
Plus en détailFilière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux
Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Objectifs Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Structure générale des études à l UTC Règlement
Plus en détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
Plus en détail