MCMC et approximations en champ moyen pour les modèles de Markov
|
|
- Fabrice Gravel
- il y a 8 ans
- Total affichages :
Transcription
1 MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article: A convergence theorem for Variational EM-like algorithms : application to image segmentation. IEEE Transactions on Image Processing, 16(3): ,2007
2 Problème y : Vecteur d observations, de (grande) dimension N. ψ : paramètre qui gouverne la loi des observations L Y ( ; ψ) Objectif : estimer le paramètre ψ au sens du maximum de vraisemblance max ψ L Y (y; ψ), dans un contexte de données latentes, à structure de dépendance complexe.
3 Problème 1. Inférence dans les modèles à données manquantes EM Champ de markov caché 2. EM variationnel VEM Champ moyen 3. Coupler approximation type champ moyen, et simulation Approches purement déterministes Approches purement stochastiques Approches déterministes + stochastiques. 4. Comparaison des approches : estimation de paramètres dans un modèle de Potts caché.
4 Inférence dans des modèles à données manquantes I. Inférence dans les modèles à données manquantes
5 Inférence dans des modèles à données manquantes Algorithme EM Algorithme EM Résolution itérative du problème d optimisation max ψ L Y (y; ψ). Chaque itération comporte deux étapes: (i) Etape E : Z Q(ψ; ψ (t) ) := ln L (Z,Y ) (z,y; ψ) L Z Y (z y; ψ (t) ) h = E ln L (Z,Y ) (Z,y; ψ) y; ψ (t)i. (ii) Etape M : ψ (t+1) := max ψ Q(ψ; ψ(t) ).
6 Inférence dans des modèles à données manquantes Algorithme EM Algorithme EM Résolution itérative du problème d optimisation max ψ L Y (y; ψ). Chaque itération comporte deux étapes: (i) Etape E : Z Q(ψ; ψ (t) ) := ln L (Z,Y ) (z,y; ψ) L Z Y (z y; ψ (t) ) h = E ln L (Z,Y ) (Z,y; ψ) y; ψ (t)i. (ii) Etape M : Par construction : ψ (t+1) := max ψ Q(ψ; ψ(t) ). L Y (y; ψ (t+1) ) L Y (y; ψ (t) ). Convergence de la suite {ψ (t) } vers un max local de ψ L Y (y; ψ).
7 Inférence dans des modèles à données manquantes Estimation de paramètres dans modèle HMRF Hidden Markov Random Field (discret): loi des données latentes: Champ de Markov (discret) L Z (z; ψ) = W (β) 1 exp( H(z; β)), ψ = (β, ) z Z avec W (β) = z exp( H(z; β)) H(z; β) = c C V c (z c ).
8 Inférence dans des modèles à données manquantes Estimation de paramètres dans modèle HMRF Hidden Markov Random Field (discret): loi des données latentes: Champ de Markov (discret) L Z (z; ψ) = W (β) 1 exp( H(z; β)), ψ = (β, ) z Z avec W (β) = z exp( H(z; β)) H(z; β) = c C V c (z c ). Attache aux données : N L Y Z (y z; ψ) = p k (y k z k ; θ) ψ = (β,θ). k=1
9 Inférence dans des modèles à données manquantes Estimation de paramètres dans modèle HMRF Hidden Markov Random Field (discret): loi des données latentes: Champ de Markov (discret) L Z (z; ψ) = W (β) 1 exp( H(z; β)), ψ = (β, ) z Z avec W (β) = z exp( H(z; β)) H(z; β) = c C V c (z c ). Attache aux données : N L Y Z (y z; ψ) = p k (y k z k ; θ) ψ = (β,θ). k=1 Difficultés Loi sur un espace de grande dimension. Constante de normalisation W (β) incalculable.
10 Inférence dans des modèles à données manquantes Estimation de paramètres dans modèle HMRF EM pour inférence dans HMRF non implémentable car Etape E : intégration sous une loi complexe LZ Y, en grande dimension: ex. Z = {1,,K} N
11 Inférence dans des modèles à données manquantes Estimation de paramètres dans modèle HMRF EM pour inférence dans HMRF non implémentable car Etape E : intégration sous une loi complexe LZ Y, en grande dimension: ex. Z = {1,,K} N Etape M : Il faut savoir maximiser en ψ = (β,θ) X L Y Z (y z; θ) L Z Y (z y; ψ (t) ) ln W (β) X z z H(z; β) L Z Y (z y; ψ (t) ) En pratique, la maximisation en θ: explicite. Mais la maximisation en β demande la connaissance de W (β).
12 Variational EM et Approximation en champ moyen II. Variational EM et Approximation en champ moyen
13 Variational EM et Approximation en champ moyen Relecture de l EM Autre lecture de l EM: Pour toute probabilité q sur Z, ln L Y (y; ψ) = Z L (Z,Y ) (z,y; ψ) dz = ln { } L(Z,Y ) (z,y; ψ) ln q(z) Z Z L (Z,Y ) (z,y; ψ) q(z) q(z) dz =: F (q,ψ). q(z) dz,
14 Variational EM et Approximation en champ moyen Relecture de l EM Autre lecture de l EM: Pour toute probabilité q sur Z, ln L Y (y; ψ) = Z L (Z,Y ) (z,y; ψ) dz = ln { } L(Z,Y ) (z,y; ψ) ln q(z) Z Z L (Z,Y ) (z,y; ψ) q(z) q(z) dz =: F (q,ψ). Avec égalité : ln L Y (y; ψ) = F ( L Z Y (z y; ψ), ψ ) q(z) dz,
15 Variational EM et Approximation en champ moyen Relecture de l EM Autre lecture de l EM: Pour toute probabilité q sur Z, ln L Y (y; ψ) = Z L (Z,Y ) (z,y; ψ) dz = ln { } L(Z,Y ) (z,y; ψ) ln q(z) Z Z L (Z,Y ) (z,y; ψ) q(z) q(z) dz =: F (q,ψ). Avec égalité : ln L Y (y; ψ) = F ( L Z Y (z y; ψ), ψ ) EM = maximisation alternée de F : pour (q (t),ψ (t) ) mise à jour de la loi: q (t+1) = argmax q F (q,ψ (t) ) rép.: q (t+1) = L Z Y (z y; ψ (t) ) q(z) dz,
16 Variational EM et Approximation en champ moyen Relecture de l EM Autre lecture de l EM: Pour toute probabilité q sur Z, ln L Y (y; ψ) = Z L (Z,Y ) (z,y; ψ) dz = ln { } L(Z,Y ) (z,y; ψ) ln q(z) Z Z L (Z,Y ) (z,y; ψ) q(z) q(z) dz =: F (q,ψ). Avec égalité : ln L Y (y; ψ) = F ( L Z Y (z y; ψ), ψ ) EM = maximisation alternée de F : pour (q (t),ψ (t) ) mise à jour de la loi: q (t+1) = argmax q F (q,ψ (t) ) rép.: q (t+1) = L Z Y (z y; ψ (t) ) q(z) dz, mise à jour du paramètre: ψ (t+1) = argmax ψ F (q (t),ψ) = argmax ψ Q(ψ,ψ (t) ).
17 Variational EM et Approximation en champ moyen Variational EM (VEM) Variational EM Relâcher les contraintes d optimisation de l EM : considérer un sous-espace des probabilités sur Z, celles de forme produit NY q(z) = q k (z k ). ne rien changer pour ψ. k=1
18 Variational EM et Approximation en champ moyen Variational EM (VEM) Variational EM Relâcher les contraintes d optimisation de l EM : considérer un sous-espace des probabilités sur Z, celles de forme produit NY q(z) = q k (z k ). ne rien changer pour ψ. Choisir q revient à résoudre l équation au point fixe ln q k (e) = c k + ln L Z Y (z y; ψ (t) ) δ e(z k ) q j (z j ), z j k k=1 qui ne dépend que des q j,j N k, du fait de la structure markovienne.
19 Variational EM et Approximation en champ moyen Variational EM (VEM) Variational EM pour inférence dans les HMRF Résultats de convergence : oui. Identification des points limites: Pour l inférence dans les HMRF permet de contourner une des difficultés rencontrée par l EM: étape E. mais la mise à jour de ψ demande toujours le calcul de W (β).
20 Variational EM et Approximation en champ moyen Approximation en champ moyen Champ moyen A l origine, pour approcher le calcul de l espérance sous une loi de Gibbs. Négliger les fluctuations des voisins, en les fixant à leur valeur moyenne pour la loi ainsi définie.
21 Variational EM et Approximation en champ moyen Approximation en champ moyen Champ moyen A l origine, pour approcher le calcul de l espérance sous une loi de Gibbs. Négliger les fluctuations des voisins, en les fixant à leur valeur moyenne pour la loi ainsi définie. En pratique: Q définir une loi produit q(z) = N k=1 q k(z k ), solution d une équation au point fixe. Dans le contexte : mesure de Gibbs loi a posteriori L Z Y (z y; ψ (t) ) même équation au point fixe que pour VEM.
22 Variational EM et Approximation en champ moyen Approximation en champ moyen Champ moyen A l origine, pour approcher le calcul de l espérance sous une loi de Gibbs. Négliger les fluctuations des voisins, en les fixant à leur valeur moyenne pour la loi ainsi définie. En pratique: Q définir une loi produit q(z) = N k=1 q k(z k ), solution d une équation au point fixe. Dans le contexte : mesure de Gibbs loi a posteriori L Z Y (z y; ψ (t) ) même équation au point fixe que pour VEM. En conclusion : Approximation champ moyen Variational EM
23 Approximations déterministes, Approximations par simulation III. Approximations déterministes, Approximations par simulation
24 Approximations déterministes, Approximations par simulation Approximations de l EM purement déterministes Approx. purement déterministes ex. Algorithme Mean-Field Etape E : substituée par une espérance sous la loi produit q (t+1) Etape M : propager cette approximation à l expression de la loi jointe: l étape de maximisation devient explicite. Pas de résultats sur le comportement asymptotique de l algorithme.
25 Approximations déterministes, Approximations par simulation Approximations de l EM purement stochastiques Approx. purement stochastiques ex. Algorithme MC2-EM Etape E : calcul des espérances par Monte Carlo (MCMC). Etape M : calcul de la constante de normalisation par Monte Carlo W (β) = X z exp( H(z; β)) = X z exp( H(z; β)) π(z) π(z). Dès lors que l erreur d approximation dûe à la simulation est contrôlée : convergence vers les mêmes points limites que l EM.
26 Approximations déterministes, Approximations par simulation Coupler les deux approches VEM et Simulations (I) ex. Algorithme MC VEM Etape E : substituée par une espérance sous la loi produit q (t+1) Etape M : calcul de la constante de normalisation par Monte Carlo W (β) = X z exp( H(z; β)) = X z exp( H(z; β)) π(z) π(z). Dès lors que l erreur d approximation dûe à la simulation est contrôlée : convergence vers les mêmes points limites que le VEM.
27 Approximations déterministes, Approximations par simulation Coupler les deux approches VEM et Simulations (II) ex. Algorithme Simulated Field Etape E : type VEM en fixant les voisins à une valeur simulée (ne pas résoudre l équation au point fixe) Etape M : propager l approximation champ moyen à l expression de la loi jointe; l étape de maximisation devient réalisable. Pas de résultats sur le comportement asymptotique de l algorithme. A priori, {ψ (t) } chaîne de Markov, pas de raisons d observer une convergence trajectorielle.
28 Estimation d un Potts caché IV. Applications
29 Estimation d un Potts caché Modèle Champs de Markov (caché): Potts à K classes, voisinage 1er ordre L Z (z; ψ) exp( β i j z i,z j,) z i {e 1,,e K }. Attache aux données: gaussien L Y Z (y z; ψ) = N k=1 N (µ zk,σ 2 z k )(y k ). Paramètre: β,µ 1,,µ K,σ 2 1,,σ 2 K. Possibilité aussi : d estimer les données cachées (ex. par MAP).
30 Estimation d un Potts caché Data 1 : données simulées K = 2, images Paramètre θ (attache aux données) : toujours bien estimé. Résultat d estimation de β et erreur de classification: algorithm β error rate ref. true values ind-em (0.33) (0.26) Mean Field 0.94 ( e-2) (0.49) 9.77 (0.42) Simulated Field 0.78 ( e-2) (0.43) (0.48) MCVEM 0.73 ( e-2) 9.87 (0.42) 9.77 (0.42) MC2-EM 0.77 ( e-2) 9.81 (0.39) 9.81 (0.39) Gibbsian-EM 0.77 ( e-2) 9.79 (0.40) 9.81 (0.39)
31 Estimation d un Potts caché Data 2 : données simulées K = 3, images Paramètre θ (attache aux données) : toujours bien estimé. Résultat d estimation de β et erreur de classification: algorithm β error rate ref. true values ind-em (0.60) (0.50) Mean Field 1.03 ( e-2) (0.60) (0.59) Simulated Field 0.90 ( e-2) (0.56) (0.64) MCVEM 0.85 ( e-2) (0.59) (0.59) MC2-EM 0.89 ( e-2) (0.53) (0.54) Gibbsian-EM 0.89 ( e-2) (0.53) (0.54)
32 Estimation d un Potts caché Data 3 : données simulées K = 4, images Paramètre θ (attache aux données) : toujours bien estimé. Résultat d estimation de β et erreur de classification: algorithm β error rate ref. true values ind-em (0.54) (0.45) Mean Field 1.05 ( e-2) (0.51) (0.45) Simulated Field 0.90 ( e-2) (0.55) (0.48) MCVEM 0.81 ( e-2) (0.50) (0.45) MC2-EM 0.89 ( e-2) (0.49) (0.47) Gibbsian-EM 0.89 ( e-2) (0.50) (0.47)
33 Estimation d un Potts caché Data 4: Logo Image ; 2 couleurs. Estimation des paramètres algorithm β µ 1 µ 2 σ 1 σ 2 error rate true values ind-em Mean Field Simulated Field MCVEM MC2-EM Gibbsian-EM
34 Estimation d un Potts caché Data 4: Logo (suite) (gauche) Sensibilité aux paramètres d implémentation Mean Field, Simulated Field and MCVEM (droite) Evolution de l erreur de classification en fonction de β (et sensibilité à la non-unicité de la solution de l équation au point fixe)
35 Estimation d un Potts caché Data 4: Logo (suite) Image ; 2 couleurs. Segmentation : Fig.: [top, from left to right] original image, noise-corrupted image, initial segmentation using kmeans, ind-em, MC2-EM; [bottom, from left to right] Gibbsian-EM, Simulated Field, Mean Field, MCVEM, MCVEM + Median Filter
36 Estimation d un Potts caché Data 5: Image satellite Image Segmentation :
Modélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
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 détailMarc Bocquet CEREA, École des Ponts ParisTech Université Paris-Est et INRIA
Construction optimale de réseaux de mesure: application à la surveillance des polluants aériens Notes de cours de l École Nationale Supérieure des Techniques Avancées ParisTech Révision 1.13 Marc Bocquet
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailChapitre 3. Algorithmes stochastiques. 3.1 Introduction
Chapitre 3 Algorithmes stochastiques 3.1 Introduction Les algorithmes stochastiques sont des techniques de simulation numériques de chaînes de Markov, visant à résoudre des problèmes d optimisation ou
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailRésumés des projets de GMM5-2014/2015
Résumés des projets de GMM5-2014/2015 Option MMS Statistical analysis of Raman Spectra skin to evaluate the benefit of Pierre Fabre s acne treatment cream Classification appliquée à la biologie structurale
Plus en détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
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 détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailT.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY
T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................
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 détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailVARIABLES LATENTES ET MODÉLISATION STATISTIQUE EN ASSURANCE
VARIABLES LATENTES ET MODÉLISATION STATISTIQUE EN ASSURANCE A. MONFORT CNAM et CREST-INSEE 1 1. INTRODUCTION. Les variables latentes, ou inobservables, jouent un rôle de plus en plus important dans la
Plus en détailInférence d un réseau bayésien augmenté visant à confronter :
Inférence d un réseau bayésien augmenté visant à confronter : un modèle complexe d analyse quantitative du risque microbiologique des données de vieillissement Clémence RIGAUX (1) En collaboration avec
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailSolvabilité II Les impacts sur la tarification et l offre produit
Solvabilité II Les impacts sur la tarification et l offre produit Colloque du CNAM 6 octobre 2011 Intervenants OPTIMIND Gildas Robert actuaire ERM, senior manager AGENDA Introduction Partie 1 Mesures de
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailPrédiction et Big data
Prédiction et Big data Mitra Fouladirad Institut Charles Delaunay - UMR CNRS 6281 Université de Technologie de Troyes 29 avril 2015 1 1 Sujet Motivation Le pronostic ou la prédiction du comportement futur
Plus en détailTechniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité
Techniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité Andreea Grigoriu avec Jean-Michel Coron, Cătălin Lefter and Gabriel Turinici CEREMADE-Université Paris Dauphine
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détail4 Exemples de problèmes MapReduce incrémentaux
4 Exemples de problèmes MapReduce incrémentaux 1 / 32 Calcul des plus courtes distances à un noeud d un graphe Calcul des plus courts chemins entre toutes les paires de noeuds d un graphe Algorithme PageRank
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détail8 Ensemble grand-canonique
Physique Statistique I, 007-008 8 Ensemble grand-canonique 8.1 Calcul de la densité de probabilité On adopte la même approche par laquelle on a établi la densité de probabilité de l ensemble canonique,
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
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 détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailRéseaux bayésiens : Apprentissage et diagnostic de systemes complexes
Réseaux bayésiens : Apprentissage et diagnostic de systemes complexes Ph. Leray To cite this version: Ph. Leray. Réseaux bayésiens : Apprentissage et diagnostic de systemes complexes. Modeling and Simulation.
Plus en détailApprentissage statistique dans les graphes et les réseaux sociaux
Apprentissage statistique dans les graphes et les réseaux sociaux Patrick Gallinari Collaboration : L. Denoyer, S. Peters Université Pierre et Marie Curie AAFD 2010 1 Plan Motivations et Problématique
Plus en détailApplications en imagerie cérébrale (MEG/EEG)
EEG : mesure du potentiel électrique Ordre de grandeur : qq µ-volts Capteurs : électrodes MEG : mesure du champ magnétique Ordre de grandeur : 10 13 Tesla Capteurs SQUID couplés à des bobines VI. Applications
Plus en détailUne réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen
Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Manière heuristique d'introduire l'approximation de champ moyen : on néglige les termes de fluctuations
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 détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailDétection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
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 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 détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailRapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.
Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit,
Plus en détailThéorie des probabilités
Théorie des probabilités LAVOISIER, 2008 LAVOISIER 11, rue Lavoisier 75008 Paris www.hermes-science.com www.lavoisier.fr ISBN 978-2-7462-1720-1 ISSN 1952 2401 Le Code de la propriété intellectuelle n'autorisant,
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailSommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique
ARC EPS Eco-microbiologie Prévisionnelle Statistique 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation LES OBJECTIFS
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en détailOutils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP
Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Christophe Joubert Séminaire VASY 2002 30 Octobre 2002 Aix les Bains Contexte du projet
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailEntraînement au concours ACM-ICPC
Entraînement au concours ACM-ICPC Concours ACM-ICPC : format et stratégies Page 1 / 16 Plan Présentation Stratégies de base Page 2 / 16 Qu est-ce que c est? ACM-ICPC : International Collegiate Programming
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailLa méthode des éléments finis et le contrôle des calculs
Table des matières Techniques Avancées en Calcul des Structures Cours d option La méthode des éléments finis et le contrôle des calculs J.-P. Pelle ENS - Cachan Master MIS Parcours TACS Année universitaire
Plus en détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailR-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale
R-ICP : une nouvelle approche d appariement 3D orientée régions pour la reconnaissance faciale Boulbaba BEN AMOR, Karima OUJI, Mohsen ARDABILIAN, et Liming CHEN Laboratoire d InfoRmatique en Images et
Plus en détailSimulation Matlab/Simulink d une machine à induction triphasée. Constitution d un référentiel
Simulation Matlab/Simulink une machine à inuction triphasée Constitution un référentiel Capocchi Laurent Laboratoire UMR CNRS 6134 Université e Corse 3 Octobre 7 1 Table es matières 1 Introuction 3 Moélisation
Plus en détail