Les défis statistiques du Big Data
|
|
- Jean-Luc Sylvain
- il y a 8 ans
- Total affichages :
Transcription
1 Les défis statistiques du Big Data Anne-Sophie Charest Professeure adjointe au département de mathématiques et statistique, Université Laval 29 avril 2014 Colloque ITIS - Big Data et Open Data au cœur de la ville intelligente
2 Qu est-ce que le Big Data?
3 Qu est-ce que le Big Data? Big data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it...
4 Qu est-ce que le Big Data? Big data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it... - Dan Ariely Professeur de psychologie et économie Comportemental à l Université Duke (Facebook, January 6, 2013)
5 Une définition possible [ ] big data should be defined at any point in time as "data whose size forces us to look beyond the triedand-true methods that are prevalent at that time." Jacobs, Adam. "The pathologies of big data." Communications of the ACM 52.8 (2009):
6 Une définition possible [ ] big data should be defined at any point in time as "data whose size forces us to look beyond the triedand-true methods that are prevalent at that time." Dans la pratique, varie entre les domaines d applications
7 Pas qu un buzzword pour les statisticiens Joint Statistical Meetings 2014
8 Pas qu un buzzword pour les statisticiens
9 Pas qu un buzzword pour les statisticiens
10 Caractéristiques du Big Data Les 3 Vs de Gartner, Inc. : ( Volume Vélocité Variété
11 Caractéristiques du Big Data Les 3 Vs de Gartner, Inc. : ( Volume Vélocité Variété 2 autres Vs : Véracité Valeur
12 Volume - Un exemple } Large Synoptic Survey Telescope } Au Chili } Peut produire des photos de 3000 mega pixels } Produira 30 TB de données par nuit
13 Volume d autres exemples } Transactions financières en temps réel } Large Hadron Collider (600 millions collisions par sec) } Requêtes sur Google } Transactions sur E-bay, Amazon, } Commentaires sur Facebook } Senseurs automobiles de compagnies d assurances } Gazoullis sur Twitter }
14 Volume conséquences } Difficultés non-statistiques } Stockage, gestion, visualisation, partage,
15 Volume conséquences } Difficultés non-statistiques } Stockage, gestion, visualisation, partage, } Grande taille d échantillon } Difficulté au niveau des calculs } Possibilité de sous-échantillonner
16 Volume conséquences } Difficultés non-statistiques } Stockage, gestion, visualisation, partage, calcul } Grande taille d échantillon } Difficulté au niveau des calculs } Possibilité de sous-échantillonner } Grand nombre de variables } Fléau de la dimension } Problème de comparaisons multiples
17 Fléau de la dimension Si la dimension p d un jeu de données augmente, il faudra augmenter le nombre de données exponentiellement pour avoir la même précision dans l inférence.
18 Fléau de la dimension Si la dimension p d un jeu de données augmente, il faudra augmenter le nombre de données exponentiellement pour avoir la même précision dans l inférence. Illustration : p=1 p=3 0 1 Quelle est la distance moyenne entre 10 points choisis au hasard de façon uniforme dans cet intervalle? Et si ces 10 points sont choisis au hasard dans ce cube? Et si on a p = 1000 dimensions?
19 Fléau de la dimension Si la dimension p d un jeu de données augmente, il faudra augmenter le nombre de données exponentiellement pour avoir la même précision dans l inférence. Illustration : p=1 p=3 0 1 Quelle est la distance moyenne entre 10 points choisis au hasard de façon uniforme dans cet intervalle? Et si ces 10 points sont choisis au hasard dans ce cube? Et si on a p = 1000 dimensions? Réduction de la dimensionnalité, modèles plus parcimonieux, régularisation,
20 Problème de comparaisons multiples } 1 test statistique } Si valeur-p = 0.05 et aucun effet: 5% de chance d erreur
21 Problème de comparaisons multiples } 1 test statistique } Si valeur-p = 0.05 et aucun effet: 5% de chance d erreur } 100 tests statistiques } Si valeur-p = 0.05 et aucuns effets: 5 erreurs en moyenne } Méthodes relativement simples pour corriger ce problème
22 Problème de comparaisons multiples } 1 test statistique } Si valeur-p = 0.05 et aucun effet: 5% de chance d erreur } 100 tests statistiques } Si valeur-p = 0.05 et aucuns effets: 5 erreurs en moyenne } Méthodes relativement simples pour corriger ce problème } tests statistiques } Si valeur-p = 0.05 et aucuns effets: résultats peu utiles } Un des défis statistiques du Big Data
23 Vélocité } Big Data souvent collecté de façon automatique } Les données s accumulent à des vitesses énormes } On doit parfois réagir en temps réel (e.g. transactions à haute fréquence)
24 Vélocité } Big Data souvent collecté de façon automatique } Les données s accumulent à des vitesses énormes } On doit parfois réagir en temps réel (e.g. transactions à haute fréquence) } Défis statistiques } Algorithmes très efficaces en temps de calcul } Apprentissage en ligne, i.e. mettre à jour son modèle au fur et à mesure qu on obtient les observations
25 Variété } Big Data contient souvent bien plus que de simples matrices de nombres } Images, vidéos, texte, réseaux, données géo-temporelles, } On parle de données non-structurées
26 Variété } Big Data contient souvent bien plus que de simples matrices de nombres } Images, vidéos, texte, réseaux, données géo-temporelles, } On parle de données non-structurées } Défis statistiques } Développer des modèles pour analyser ce nouveau type d information } Combiner différents types de données dans l inférence
27 Véracité } Big Data rarement le résultat d une collecte planifiée } Données parfois erronées (e.g. typo, abbréviations dans des données textuelles) } Données parfois manquantes } Données ne répondent parfois pas aux objectifs visés (e.g. déterminer la causalité)
28 Véracité } Big Data rarement le résultat d une collecte planifiée } Données parfois erronées (e.g. typo, abbréviations dans des données textuelles) } Données parfois manquantes } Données ne répondent parfois pas aux objectifs visés (e.g. déterminer la causalité) } Défis statistiques } Tenir compte des imperfections dans les données } Aider les utilisateurs à comprendre les limites de leurs données
29 Valeur Big Data = $ Exemples : Moneyball Google Facebook
30 En conclusion } Big Data est un terme un peu vague, mais qui réflète une vraie révolution dans la prévalence et la complexité de données à analyser. } Les défis statistiques du Big Data sont liés à ces caractéristiques: volume, vélocité, variété, véracité. } Une compréhension du small data est essentielle pour bien saisir les enjeux du Big Data
31 Pour aller plus loin } Fan, Jianqing, Fang Han, and Han Liu. "Challenges of Big Data Analysis." arxiv: (2013). } Présentation de Arthur Carpentier à l Université Laval vendredi dernier: } Boyd, Danah, and Kate Crawford. "Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon." Information, Communication & Society 15.5 (2012):
Marketing comportemental et digital hospitality
Marketing comportemental et digital hospitality Totec, 5 Décembre 2013 www.tedemis.com www.emailretarge0ng.com www.mediaemailtarge0ng.co m www.email- acquisi0on.com France display ad market en 2013 Une
Plus en détailDocForum 18 Juin 2015. Réussites d un projet Big Data Les incontournables
DocForum 18 Juin 2015 Réussites d un projet Big Data Les incontournables Vos interlocuteurs Mick LEVY Directeur Innovation Business mick.levy@businessdecision.com 06.50.87.13.26 @mick_levy 2 Business &
Plus en détailBig data et données géospatiales : Enjeux et défis pour la géomatique. Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique
Big data et données géospatiales : Enjeux et défis pour la géomatique Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique Événement 25e anniversaire du CRG Université Laval, Qc, Canada 08 mai
Plus en détailSMALL DATA DANS LA VEILLE
SMALL DATA DANS LA VEILLE Collecte et valorisation de l information stratégique dans l entreprise OCP El Jadida 25 Septembre 2014 25 Septembre 2014 OCP - El Jadida 2 Ordre du jour Définitions Etat de la
Plus en détailBIG DATA VOUS N Y ÉCHAPPEREZ PAS!
BIG DATA VOUS N Y ÉCHAPPEREZ PAS!! PHILIPPE NIEUWBOURG @NIEUWBOURG! COLLOQUE ITIS BIG DATA / OPEN DATA QUÉBEC, 29 AVRIL 2014 1 Bonjour, Bienvenue dans le monde des données volumineuses ou massives.! Qui
Plus en détailLes RH à l ère du Big Data: faites parler vos données! Mesurez et optimisez la performance de vos programmes RH 18 septembre 2013
Les RH à l ère du Big Data: faites parler vos données! Mesurez et optimisez la performance de vos programmes RH 18 septembre 2013 Qui nous sommes Firme québécoise (bureaux à Québec et Montréal) Spécialisée
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 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 détailLe BigData, aussi par et pour les PMEs
Parole d expert Le BigData, aussi par et pour les PMEs Stéphane MOUTON, CETIC Département Software and Services Technologies Avec le soutien de : LIEGE CREATIVE Le Big Data, aussi par et pour les PMEs
Plus en détailJean-François Boulicaut & Mohand-Saïd Hacid
e siècle! Jean-François Boulicaut & Mohand-Saïd Hacid http://liris.cnrs.fr/~jboulica http://liris.cnrs.fr/mohand-said.hacid Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
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 détailÉtude nationale sur les besoins des clients
Étude nationale sur les besoins des clients Rapport sommaire Canadian Legal Information Institute Institut canadien d information juridique Octobre 2012 CorbinPartners Inc. 2012 Contexte et méthodologie
Plus en détailMe#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on
Me#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on Thierry Badard, PhD, ing. jr Centre de Recherche en Géoma6que Conférence ITIS - Big Data et Open Data au coeur
Plus en détailLe Marketing en ligne: La clé du succès. Planification & outils
Le Marketing en ligne: La clé du succès Planification & outils L agenda de cette présentation Ce que nous allons couvrir : L importance d une bonne planification d affaires Comment créer avec succès un
Plus en détailBig Data -Comment exploiter les données et les transformer en prise de décisions?
IBM Global Industry Solution Center Nice-Paris Big Data -Comment exploiter les données et les transformer en prise de décisions? Apollonie Sbragia Architecte Senior & Responsable Centre D Excellence Assurance
Plus en détailBigdata et Web sémantique. les données + l intelligence= la solution
Bigdata et Web sémantique les données + l intelligence= la solution 131214 1 big data et Web sémantique deux notions bien différentes et pourtant... (sable et silicium). «bigdata» ce n est pas que des
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailANGULAR JS AVEC GDE GOOGLE
ANGULAR JS AVEC GDE GOOGLE JUIN 2015 BRINGING THE HUMAN TOUCH TO TECHNOLOGY 2015 SERIAL QUI SUIS-JE? ESTELLE USER EXPERIENCE DESIGNER BUSINESS ANALYST BRINGING THE HUMAN TOUCH TO TECHNOLOGY SERIAL.CH 2
Plus en détailLes PME sont-elles trop petites pour Big Data?
SAP white paper Les PME sont-elles trop petites pour Big Data? Un travail plus intelligent, productif et convivial avec les informations adéquates Big Data, grandes opportunités 90 pour cent des données
Plus en détailIl y a tellement de hype autour du big data que Gartner étudie un nouveau modèle ;-) Talend 2012 2
Big Data: au delà du Buzz Yves de Montcheuil @ydemontcheuil Il y a tellement de hype autour du big data que Gartner étudie un nouveau modèle ;-) Talend 2012 2 Hype Cycle Gartner Talend 2012 3 Big Data
Plus en détailBig Graph Data Forum Teratec 2013
Big Graph Data Forum Teratec 2013 MFG Labs 35 rue de Châteaudun 75009 Paris, France www.mfglabs.com twitter: @mfg_labs Julien Laugel MFG Labs julien.laugel@mfglabs.com @roolio SOMMAIRE MFG Labs Contexte
Plus en détailCloud Computing & PHP
Présentation & PHP Présentation Guillaume Plessis Fondateur de IG technologie Mainteneur du projet Dotdeb Marottes : Le Cloud raisonné gui@php.net LAMP débridé Présentation Définition n 1 Définition n
Plus en détailSÉRIE NOUVELLES ARCHITECTURES
SÉRIE NOUVELLES ARCHITECTURES Alerte au tsunami des données : les entreprises doivent prendre la vague maintenant! Quels sont les faits qui sous-tendent cette réalité? Quelles entreprises sont aujourd
Plus en détailChapitre 1. Infrastructures distribuées : cluster, grilles et cloud. Grid and Cloud Computing
Chapitre 1. Infrastructures distribuées : cluster, grilles et cloud Grid and Cloud Computing Problématique Besoins de calcul croissants Simulations d'expériences coûteuses ou dangereuses Résolution de
Plus en détailMégadonnées (Big data) et Complexité Session introductive
Mégadonnées (Big data) et Complexité Session introductive Emergence Club amical dédié aux Systèmes complexes Forum 80 membres / 140 séances de travail Panorama : I. Big data et Systèmes complexes II. Big
Plus en détailSONDAGE AUPRÈS DES ÉTUDIANTS CANADIENS
SONDAGE AUPRÈS DES ÉTUDIANTS CANADIENS Sommaire exécutif Présenté par : TABLE DES MATIÈRES PUBLICITÉ SUR CAMPUS P. 3 COMMUNICATIONS MOBILES P. 8 HABITUDES EN LIGNE P. 18 HABITUDES MÉDIA P. 26 MÉTHODOLOGIE
Plus en détailBIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION
BIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION À UNE INTERPRÉTATION CAUSALE Arthur Charpentier Professeur d actuariat à l Université du Québec, Montréal Amadou Diogo Barry Chercheur à l Institut de santé
Plus en détailJean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA
La visualisation d information pour comprendre et interagir avec les données Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr, www.aviz.fr, @jdfaviz
Plus en détailProtection des données personnelles : Vers un Web personnel sécurisé
Rencontre Inria Industrie Les télécoms du futur Table ronde Sécurité des contenus Protection des données personnelles : Vers un Web personnel sécurisé Luc Bouganim - INRIA Paris-Rocquencourt EPI SMIS,
Plus en détailAccès aux données Sentinelles
Accès aux données Sentinelles Hervé Jeanjean - CNES Ministère de l'écologie, du Développement durable, et de l Énergie www.developpement-durable.gouv.fr Contexte Un changement de paradigme majeur Big data
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 détailBig data* et marketing
Catherine Viot IAE de Bordeaux Maître de conférences HDR Responsable pédagogique du Master 2 Marketing Equipe de Recherche en Marketing - IRGO catherine.viot@u-bordeaux4.fr Big data* et marketing 2006
Plus en détail1.The pronouns me, te, nous, and vous are object pronouns.
1.The pronouns me, te, nous, and vous are object pronouns.! Marie t invite au théâtre?!! Oui, elle m invite au théâtre.! Elle te parle au téléphone?!! Oui, elle me parle au téléphone.! Le prof vous regarde?!!!
Plus en détailPréparer un état de l art
Préparer un état de l art Khalil DRIRA LAAS-CNRS, Toulouse Unité de recherche ReDCAD École Nationale d ingénieurs de Sfax Étude de l état de l art? Une étude ciblée, approfondie et critique des travaux
Plus en détailTransformation Digitale Challenges et Opportunités
Transformation Digitale Challenges et Opportunités anys.boukli@sword-group.com Sword Group 1 - Pourquoi la transformation Digitale? Se rapprocher des Métiers Valoriser l IT Connecter Innover Sword Group
Plus en détailLes datas = le fuel du 21ième sicècle
Les datas = le fuel du 21ième sicècle D énormes gisements de création de valeurs http://www.your networkmarketin g.com/facebooktwitter-youtubestats-in-realtime-simulation/ Xavier Dalloz Le Plan Définition
Plus en détailRÉSEAUX SOCIAUX & BTOB
Ecoute MOI Regarde MOI Recrute MOI Regarde MOI Accepte MOI RÉSEAUX SOCIAUX & BTOB Comment les investir? quels impacts sur le référencement? SOMMAIRE RÉSEAUX SOCIAUX & BTOB PANORAMA 2014 ET USAGES POURQUOI
Plus en détailConstruisez plus rapidement vos apps mobiles avec MicroStrategy 10. Ludivine Fèvre, Consultante Avant-vente 16 Juin 2015
Construisez plus rapidement vos apps mobiles avec MicroStrategy 10 Ludivine Fèvre, Consultante Avant-vente 16 Juin 2015 Agenda Introduction Développement d apps mobiles MicroStrategy Déploiement d apps
Plus en détailJSIam Introduction talk. Philippe Gradt. Grenoble, March 6th 2015
Introduction talk Philippe Gradt Grenoble, March 6th 2015 Introduction Invention Innovation Market validation is key. 1 Introduction Invention Innovation Market validation is key How to turn a product
Plus en détailNewPoint IT Consulting BIG DATA WHITE PAPER. NewPoint Information Technology Consulting
NewPoint IT Consulting BIG DATA WHITE PAPER NewPoint Information Technology Consulting Contenu 1 Big Data: Défi et opportunité pour l'entreprise... 3 2 Les drivers techniques et d'entreprise de BIG DATA...
Plus en détailAcquisition des données - Big Data. Dario VEGA Senior Sales Consultant
Acquisition des données - Big Data Dario VEGA Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated
Plus en détailLE FORMAT DES RAPPORTS DU PERSONNEL DES COMMISSIONS DE DISTRICT D AMENAGEMENT FORMAT OF DISTRICT PLANNING COMMISSION STAFF REPORTS
FORMAT OF DISTRICT PLANNING COMMISSION STAFF REPORTS LE FORMAT DES RAPPORTS DU PERSONNEL DES COMMISSIONS DE DISTRICT D AMENAGEMENT A Guideline on the Format of District Planning Commission Staff Reports
Plus en détailCONFERENCE TECHNOM AIDE IBM
Conférence Big Data CONFERENCE TECHNOM AIDE IBM Le BIG DATA : le nouveau pétrole de la société. En présence de : Christophe MENICHETTI (spécialiste BIG DATA chez IBM) JN. SCHNEIDER et F. WEYGAND (professeurs
Plus en détailLe Product Backlog, qu est ce c est?
Le Product Backlog, qu est ce c est? Ludovic Larché Agile Tour 2012 à Rennes le 4 octobre 2012 Sommaire > Rappels théoriques : qu est ce qu un Product Backlog? > Le Product Backlog n est pas seul! > Techniques
Plus en détailL Internet des objets
L Internet des objets Une technologie déjà présente dans notre quotidien et «silencieuse» HISTORIQUE De nombreux termes pour une même technologie L Internet des objets La communication machine-to-machine
Plus en détailLe passé composé. C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past!
> Le passé composé le passé composé C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past! «Je suis vieux maintenant, et ma femme est vieille aussi. Nous n'avons pas eu d'enfants.
Plus en détailBig Data : Risques et contre-mesures
18 mars 2014 Big Data : Risques et contre-mesures Les fondamentaux pour bien démarrer Gérôme BILLOIS gerome.billois@solucom.fr Twitter : @gbillois Chadi HANTOUCHE chadi.hantouche@solucom.fr Twitter : @chadihantouche
Plus en détailVMware : De la Virtualisation. au Cloud Computing
VMware : De la Virtualisation. au Cloud Computing Tunis, le 12 Décembre 2012 Jamal Belhachemi BDM South EMEA 2010 VMware, Inc. Tous droits réservés. 2010 #1 dans les priorités des Directeurs Informatiques
Plus en détailIBM Software Big Data. Plateforme IBM Big Data
IBM Software Big Data 2 Points clés Aide les utilisateurs à explorer de grands volumes de données complexes Permet de rationaliser le processus de développement d'applications impliquant de grands volumes
Plus en détailLes enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013
Les enjeux du Big Data Innovation et opportunités de l'internet industriel François Royer froyer@datasio.com Accompagnement des entreprises dans leurs stratégies quantitatives Valorisation de patrimoine
Plus en détailBig Data et Statistique Publique
Big Data et Statistique Publique Miracle ou mirage? Matthieu Cornec Mission Innovation Sommaire 1. Constat : Explosion des données 1. Constat 2. Exemples 2. Big Data : nouvelle révolution économique? 1.
Plus en détail20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT
20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà
Plus en détailBig data : vers une nouvelle science des risques?
Big data : vers une nouvelle science des risques? Serge Abiteboul INRIA et ENS Cachan Conseil national du numérique et Académie des sciences Big data et science des risques 1 Organisation Big data en bref
Plus en détailNoSQL. Introduction 1/23. I NoSQL : Not Only SQL, ce n est pas du relationnel, et le contexte. I table d associations - Map - de couples (clef,valeur)
1/23 2/23 Anne-Cécile Caron Master MIAGE - BDA 1er trimestre 2013-2014 I : Not Only SQL, ce n est pas du relationnel, et le contexte d utilisation n est donc pas celui des SGBDR. I Origine : recherche
Plus en détailLES DONNÉES : VOTRE AVANTAGE CONCURRENTIEL
Bonjour, LES DONNÉES : VOTRE AVANTAGE CONCURRENTIEL! PHILIPPE NIEUWBOURG @NIEUWBOURG! SAS FORUM ANALYTIQUE MONTRÉAL, 27 MAI 2014 Bienvenue dans le monde des données volumineuses ou massives.! Qui a un
Plus en détailGrandes tendances et leurs impacts sur l acquisition de produits et services TI.
Grandes tendances et leurs impacts sur l acquisition de produits et services TI. François Banville Partenaire exécutif chez Gartner Gartner is a registered trademark of Gartner, Inc. or its affiliates.
Plus en détailJournée Futur et Ruptures 2015
Journée Futur et Ruptures 2015 Vers des réseaux d énergie toujours plus intelligents 5 mars 2015 Contexte énergétique 2 Contexte énergétique France 34% de l énergie produite consommée par l industrie,
Plus en détailFouillez facilement dans votre système Big Data. Olivier TAVARD
Fouillez facilement dans votre système Big Data Olivier TAVARD A propos de moi : Cofondateur de la société France Labs Développeur (principalement Java) Formateur en technologies de moteurs de recherche
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailPourquoi intégrer le Big Data à son organisa3on?
Pourquoi intégrer le Big Data à son organisa3on? Yvan Robert, VP Affaires Stratégiques Emmanuel Faug, Resp. pra>que BI Colloque 2014 Big Data Agenda Qui sommes nous? L importance de l information Méthodes
Plus en détailAd-exchanges & RTB (avec la participation de Fabien Magalon, La place
En partenariat avec : Tout savoir sur le marketing à la performance Intervenants Hugo Loriot Directeur media technologie, Fifty Five Yann Gabay - Directeur général, Netbooster Fabien Magalon Directeur
Plus en détailOrganiser vos données - Big Data. Patrick Millart Senior Sales Consultant
Organiser vos données - Big Data Patrick Millart Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be
Plus en détailBusiness Intelligence, Etat de l art et perspectives. ICAM JP Gouigoux 10/2012
Business Intelligence, Etat de l art et perspectives ICAM JP Gouigoux 10/2012 CONTEXTE DE LA BI Un peu d histoire Premières bases de données utilisées comme simple système de persistance du contenu des
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 détailBig- Data: Les défis éthiques et juridiques. Copyright 2015 Digital&Ethics
Big- Data: Les défis éthiques et juridiques. 1 Big- Data: Les défis éthiques et juridiques. Digital & Ethics Ce que change le Big Data Les questions éthiques et juridiques Les réponses possibles 2 Digital
Plus en détailBig Data & HR. Winter 2015. Dans quelle mesure le Big Data pourrait op2miser la prise de décision RH. Lynda ATIF 18/06/2015 WWW.TALENTSOFT.
Big Data & HR Winter 2015 Dans quelle mesure le Big Data pourrait op2miser la prise de décision RH Lynda ATIF 18/06/2015 WWW.TALENTSOFT.COM AGENDA Etat de l art Big Data : Vision IT Vs Socio-Eco Problématique
Plus en détailExtension fonctionnelle d un CRM. CRM étendu >> Conférence-débat 15 April 2015. Club Management des Systèmes d Information de l'iae de Paris Alumni
Extension fonctionnelle d un CRM Conférence-débat 15 April 2015 Club Management des Systèmes d Information de l'iae de Paris Alumni CRM étendu >> Programme // CRM étendu Vision 360 et Plateforme Cloud
Plus en détailsetting the scene: 11dec 14 perspectives on global data and computing e-infrastructure challenges mark asch MENESR/DGRI/SSRI - France
setting the scene: perspectives on global data and computing e-infrastructure challenges 11dec 14 mark asch MENESR/DGRI/SSRI - France 1 questions The volume, variety and complexity of research data require
Plus en détailMonétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data?
Monétisation des données : comment identifier de nouvelles sources de revenus au sein des Big data? Dr Wolfgang Martin Analyste et adhérant du Boulder BI Brain Trust Les Big data Démystifier les Big data.
Plus en détailWeb Analytics. des Visiteurs en Ligne? Raquel de los Santos, Business Consultant Forum emarketing 2012
Web Analytics Comment Valoriser la Connaissance des Visiteurs en Ligne? Raquel de los Santos, Business Consultant Forum emarketing 2012 Agenda comscore en Quelques Chiffres Réseaux Sociaux : Etat des lieux
Plus en détailImproving the breakdown of the Central Credit Register data by category of enterprises
Improving the breakdown of the Central Credit Register data by category of enterprises Workshop on Integrated management of micro-databases Deepening business intelligence within central banks statistical
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 détailComprendre l impact de l utilisation des réseaux sociaux en entreprise SYNTHESE DES RESULTATS : EUROPE ET FRANCE
Comprendre l impact de l utilisation des réseaux sociaux en entreprise SYNTHESE DES RESULTATS : EUROPE ET FRANCE 1 Objectifs de l étude Comprendre l impact des réseaux sociaux externes ( Facebook, LinkedIn,
Plus en détailProgramme de formations 2012-S1
Programme de formations 2012-S1 WAGA4 sprl / bvba Avenue Victor Hugo 7 B-1420 Braine-l Alleud Belgium Tél. : +32 2 888 72 78 Fax : +32 2 888 72 79 contact@waga4.com - www.waga4.com BNP Paribas Fortis 001-6252703-62
Plus en détailEN UNE PAGE PLAN STRATÉGIQUE
EN UNE PAGE PLAN STRATÉGIQUE PLAN STRATÉGIQUE EN UNE PAGE Nom de l entreprise Votre nom Date VALEUR PRINCIPALES/CROYANCES (Devrait/Devrait pas) RAISON (Pourquoi) OBJECTIFS (- AN) (Où) BUT ( AN) (Quoi)
Plus en détailIntroduction Big Data
Introduction Big Data SOMMAIRE Rédacteurs : Réf.: SH. Lazare / F. Barthélemy AXIO_BD_V1 QU'EST-CE QUE LE BIG DATA? ENJEUX TECHNOLOGIQUES ENJEUX STRATÉGIQUES BIG DATA ET RH ANNEXE Ce document constitue
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 détailCONVERSATION PRISM THE VISION PROSPECTIVE DES RESEAUX SOCIAUX. Visio-conférence de Brian SOLIS
THE CONVERSATION PRISM VISION PROSPECTIVE DES RESEAUX SOCIAUX Visio-conférence de Brian SOLIS Votre entreprise a besoin d aide pour définir sa stratégie digitale? Se présentant lui-même comme un geek,
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 détailDis où ces gens vont d après les images / Tell where these people are going based on the pictures.
CHAPITRE 9 ALLONS EN VILLE! Prépare toi pour l examen Dis où ces gens vont d après les images / Tell where these people are going based on the pictures. 1. Phillipe et moi allons à la poste. 2. Tu vas
Plus en détailTransformez vos données en opportunités. avec Microsoft Big Data
Transformez vos données en opportunités avec Microsoft Big Data 1 VOLUME Augmentation du volume de données tous les cinq ans Vélocité x10 4,3 Nombre d appareils connectés par adulte VARIÉTÉ 85% Part des
Plus en détail18 SEPTEMBRE 2014. E-réputation : une image positive pour une stratégie de conquête!
18 SEPTEMBRE 2014 E-réputation : une image positive pour une stratégie de conquête! Réputation : de quoi parle-t-on? «Ce que les gens disent ou pensent de moi» car ils l ont vu dans le journal, à
Plus en détailEn route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille moyenne
Présentation du produit SAP s SAP pour les PME SAP BusinessObjects Business Intelligence, édition Edge Objectifs En route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille
Plus en détailSurveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition
Surveillance de Scripts LUA et de réception d EVENT avec LoriotPro Extended & Broadcast Edition L objectif de ce document est de présenter une solution de surveillance de processus LUA au sein de la solution
Plus en détailTâche finale : communiquer avec un locuteur natif par webconference lors d activités menées en classe par petits groupes. Niveau : Cycle 3 CM1 /CM2
Domaine : LV et TUIC Tâche finale : communiquer avec un locuteur natif par webconference lors d activités menées en classe par petits groupes. Niveau : Cycle 3 CM1 /CM2 Descriptif du projet : alors qu
Plus en détailDirections Marketing : réussir vos challenges stratégiques et opérationnels d aujourd hui
Directions Marketing : réussir vos challenges stratégiques et opérationnels d aujourd hui Transformation et maturité digitale de l entreprise : quelles avancées? Quels leviers pour gagner en performance?
Plus en détailREJOINDRE VOS CLIENTS LOCAUX À TRAVERS LES RÉSEAUX SOCIAUX! PRÉSENTÉ PAR: MELANIE ROTH melanie.roth@mediative.com! October 8, 2014 Mediative.com!
REJOINDRE VOS CLIENTS LOCAUX À TRAVERS LES RÉSEAUX SOCIAUX! PRÉSENTÉ PAR: MELANIE ROTH melanie.roth@mediative.com! October 8, 2014 Mediative.com! + DE 15 MILLIONS D ENTREPRISES SONT SUR FACEBOOK! 2! AU
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailTechnologie, méthode et applications du Big Data.
Technologie, méthode et applications du Big Data. PRÉSENTÉ AU 40 E CONGRÈS DE L ASSOCIATION DES ÉCONOMISTES QUÉBÉCOIS PAR FRANÇOYS LABONTÉ, DIRECTEUR GÉNÉRAL LE 20 MAI 2015 Principal partenaire financier
Plus en détailTD : Codage des images
TD : Codage des images Les navigateurs Web (Netscape, IE, Mozilla ) prennent en charge les contenus textuels (au format HTML) ainsi que les images fixes (GIF, JPG, PNG) ou animée (GIF animée). Comment
Plus en détailL Art d être Numérique. Thierry Pierre Directeur Business Development SAP France
L Art d être Numérique Thierry Pierre Directeur Business Development SAP France La Transformation Numérique «Plus largement, l impact potentiel des technologies numériques disruptives (cloud, impression
Plus en détailMesures DNS à l ère du Big Data : outils et défis. JCSA, 9 juillet 2015 Vincent Levigneron, Afnic
Mesures DNS à l ère du Big Data : outils et défis JCSA, 9 juillet 2015 Vincent Levigneron, Afnic Sommaire 1. Mesures DNS réalisées par l Afnic 2. Volumes et biais 3. Limitations 4. Pourquoi une approche
Plus en détailConférence Bales II - Mauritanie. Patrick Le Nôtre. Directeur de la Stratégie - Secteur Finance Solutions risques et Réglementations
Conférence Bales II - Mauritanie Patrick Le Nôtre Directeur de la Stratégie - Secteur Finance Solutions risques et Réglementations AGENDA Le positionnement et l approche de SAS Notre légitimité dans les
Plus en détailBIG DATA. Veille technologique. Malek Hamouda Nina Lachia Léo Valette. Commanditaire : Thomas Milon. Encadré: Philippe Vismara
BIG DATA Veille technologique Malek Hamouda Nina Lachia Léo Valette Commanditaire : Thomas Milon Encadré: Philippe Vismara 1 2 Introduction Historique des bases de données : méthodes de stockage et d analyse
Plus en détailData 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares
Plus en détailComplice Respectueuse Divertissante
Kit Média 2015 La référence artistique et culturelle n o 1 au Québec Complice du milieu artistique québécois depuis 25 ans, 7 Jours a pour mission de rapprocher le public de ses artistes préférés. La marque
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détail5Visualisation. pièges à. éviter... de données : e-book : Visualisation & Ergonomie. Page 1 / 30. Partagez cet e-book :
Page 1 / 30 5Visualisation de données : éviter... pièges à Partagez cet e-book : Page 2 / 30 Depuis des décennies, nous utilisons des graphiques pour mieux interpréter les données métiers. Toutefois, même
Plus en détail