L ANALYSE DE DONNÉES AU SERVICE DES UTILISATEURS. Lorène Allano 16 Avril 2013
|
|
- Jacqueline Laurin
- il y a 8 ans
- Total affichages :
Transcription
1 L ANALYSE DE DONNÉES AU SERVICE DES UTILISATEURS Lorène Allano 16 Avril 2013
2 Question? Expert Aide à la décision Expériences Digitalisation Analyse automatique Visualisation Outils adapté Données numériques Informations interprétables 2
3 DE LA DONNÉE VERS L INFORMATION Données brutes Volumineuses Massives Hétérogènes Structurées ou non Informations Interprétables Intelligibles Aide à la décision 3
4 LABORATOIRE ANALYSE DE DONNÉES ET INTELLIGENCE DES SYSTÈMES Compétences Traitement de données brutes Fouilles de données Aide à la décision Intelligence distribuée 60 personnes Applications Industrialisation 4
5 PLAN 1. Outils d analyse de données pour extraire l information 2. De l analyse de données vers la biologie des systèmes 3. Des outils adaptés aux utilisateurs 5
6 1. ANALYSE DE DONNÉES POUR EXTRAIRE L INFORMATION
7 OUTILS D ANALYSE DE DONNÉES POUR EXTRAIRE L INFORMATION Extraction par l utilisateur fouille interactive Extraction automatique modélisation 7
8 FOUILLE DE DONNÉES INTERACTIVE
9 FOUILLE INTERACTIVE Projection De données multidimensionnelles à l écran Exemples ACP (linéaire) ACC (non linéaire) Distorsions Déchirures Recollements Objectif: Visualisation des distances multidimensionnelles 9
10 PROXIVIZ 10
11 PROXIVIZ 11
12 PROXILENS 12
13 PROXILENS 13
14 CLASSIFICATION SEMI-AUTOMATIQUE 14
15 CLASSIFICATION SEMI-AUTOMATIQUE 15
16 CONCLUSIONS Visualisation des données Outils interactifs et intuitifs de fouille des données pour l utilisateur Classification semi-automatique (regroupement) 16
17 MODÉLISATION
18 MODÉLISATION Modélisation non supervisée Sans connaissance a priori sur la sortie associée aux données Ex clustering Profil de patient, stratification de population Modélisation supervisée Avec une base de données dont la sortie est connue Ex: classification Recherche de marqueurs de réponse/ non réponse 18
19 CONCLUSIONS Outils de modélisation Extraction d information intelligible par l utilisateur À partir de données hétérogènes et massives Selon les besoins et les données disponibles 19
20 2. DE L ANALYSE DE DONNÉES VERS LA BIOLOGIE DES SYSTÈMES
21 DE L ANALYSE DE DONNÉES VERS LA BIOLOGIE DES SYSTÈMES Analyses de données numériques issues d échantillons biologiques De l intégration des données vers la compréhension de mécanismes 21
22 DONNÉES PROTÉOMIQUES POUR LE DIAGNOSTIC IN VITRO
23 Staphylococcus aureus Nécessité d un diagnostic : Sûr Rapide Informatif Peu couteux 23
24 Hémoculture Extraction des protéines Protéomique par spectrométrie de masse Analyse des données et visualisation 24
25 OUTILS D ANALYSE DE DONNÉES Spectres 2D Extraction de pics Comparaison à une base de référence (1,97): STAAU-I_Y1195_NLVSEVTDAVEK_1077 ( / ) Analyse des peptides après fragmentation Intensity (1,98): STAAU-I_Y1195_NLVSEVTDAVEK_890 ( / ) Detected - A = 3.21e+05 - Fwhm = 1.05 Intensity Intensity (1,99): STAAU-I_Y1195_NLVSEVTDAVEK_977 ( / ) Detected - A = 1.78e+05 - Fwhm = Detected - A = 8.67e+05 - Fwhm = Time (min) Time (min) Prédiction de résistance, typage, virulence 25
26 CONCLUSIONS Chaine de traitement de la donnée brute à l utilisateur Autres sources Metabolomique par spectrométrie de masse Spectroscopie Raman sur cellule ou tissu Imagerie hyperspectrale Des données et des analyses en lien avec les équipes expérimentales 26
27 DES DONNÉES AUX MÉCANISMES
28 DE L INTÉGRATION DES DONNÉES VERS LA COMPRÉHENSION DE MÉCANISMES Intégration de donnés multi-omics Métabolomique Protéomique Transcriptomique Génomique Modélisation pharmacocinétique Xp Modèles à effets-mixtes, modèles parents-métabolites Personnalisation du traitement grâce à la carte individuelle métabolique Dose Xa k a k 21 k 12 k m X Xm k e k em Interface avec la biologie des systèmes Lien vers des bases de connaissances 28
29 3. DES OUTILS ADAPTÉS AUX UTILISATEURS
30 SUIVI DE PATIENT, CANCER UROLOGIQUE Recommandation de traitement selon: Données issues de différents services Suivi dans le temps Profile du patient 30
31 SUIVI DE PATIENT, CANCER UROLOGIQUE Des données hétérogènes et multi-sources Interface d aide à la décision Intégration de l expertise 31
32 UNE COLLABORATION ÉTROITE POUR RÉPONDRE AUX BESOINS APHP Pr. Olivier Cussenot (hôpital Tenon, Paris) Un outils dédié pour: Centraliser les informations d un patient Centraliser les différentes sources Suivi dans le temps Outils de comparaison visuelle avec une base de patients de référence Génération automatique de rapport Utilisé au quotidien par Pr. Cussenot 32
33 CONCLUSIONS
34 CONCLUSIONS Des études en lien avec les experts Les utilisateurs pour la définition des besoins Les équipes instrumentales pour l interface aux données Les utilisateurs finaux pour des outils adaptés Des méthodes innovantes d analyse de données De la donnée brute à l aide à la décision Pour les données massives et hétérogènes Intégration de la donnée Des outils au service des utilisateurs Interactifs Interprétables Utilisables 34
35 Questions?
Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant
Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master
Plus en détailProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection
ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection Nicolas HEULOT (CEA LIST) Michaël AUPETIT (CEA LIST) Jean-Daniel FEKETE (INRIA Saclay) Journées Big Data
Plus en détailMASTER (LMD) MANAGEMENT DE PROJET ET INNOVATION EN BIOTECHNOLOGIE
MASTER (LMD) MANAGEMENT DE PROJET ET INNOVATION EN BIOTECHNOLOGIE RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : BIOLOGIE SANTE Spécialité
Plus en détailMise en place d une plateforme de gestion de matériels biologiques : quels avantages pour les chercheurs?
Mise en place d une plateforme de gestion de matériels biologiques : quels avantages pour les chercheurs? Dr Xavier Manival, Laboratoire IMoPA, CR, CNRS Françoise Tisserand-Bedri, Documentaliste, Inist-CNRS
Plus en détailEnvironmental Research and Innovation ( ERIN )
DÉpartEment RDI Environmental Research and Innovation ( ERIN ) Le département «Environmental Research and Innovation» (ERIN) du LIST élabore des stratégies, des technologies et des outils visant à mieux
Plus en détailIntérêt diagnostic du dosage de la CRP et de la leucocyte-estérase dans le liquide articulaire d une prothèse de genou infectée
Intérêt diagnostic du dosage de la CRP et de la leucocyte-estérase dans le liquide articulaire d une prothèse de genou infectée C. Rondé-Oustau, JY. Jenny,J.Sibilia, J. Gaudias, C. Boéri, M. Antoni Hôpitaux
Plus en détailBiomarqueurs en Cancérologie
Biomarqueurs en Cancérologie Définition, détermination, usage Biomarqueurs et Cancer: définition Anomalie(s) quantitative(s) ou qualitative(s) Indicative(s) ou caractéristique(s) d un cancer ou de certaines
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 détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailBig Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014
Big Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014 1 Classiquement, le Big Data se définit autour des 3 V : Volume, Variété et
Plus en détailIngénieur c est bon pour la Santé? 10 ans de X-Biotech FM, 17 mars 2014
Ingénieur c est bon pour la Santé? 10 ans de X-Biotech FM, 17 mars 2014 biomérieux 50 ans. Pure player de diagnostic in vitro (#1 en microbiologie clinique, #1 en contrôle industriel). > 8 000 personnes
Plus en détailSujets présentés par le Professeur Olivier CUSSENOT
ANAMACaP Association Nationale des Malades du Cancer de la Prostate 17, bis Avenue Poincaré. 57400 SARREBOURG Sujets présentés par le Professeur Olivier CUSSENOT Place des nouvelles techniques d imagerie
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 détailInformatique. epims : un LIMS pour la gestion des données de spectrométrie de masse TECHNOLOGIE APPLIQUÉE
Véronique DUPIERRIS 1, Damien BARTHE 2, Christophe BRULEY 2 epims : un LIMS pour la gestion des données de spectrométrie de masse Informatique RÉSUMÉ La protéomique constitue aujourd hui un outil de choix
Plus en détailUTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY
UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY Yvan Le Bras yvan.le_bras@irisa.fr Cyril Monjeaud, Mathieu Bahin, Claudia Hériveau, Olivier Quenez, Olivier Sallou, Aurélien Roult, Olivier
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 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 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 détailDECLARATION DES PERFORMANCES N 1
DECLARATION DES PERFORMANCES N 1 Résistance mécanique C18 EN 1912 : 2012 + EN 338 :2009 DECLARATION DES PERFORMANCES N 2 Résistance mécanique C24 EN 1912 : 2012 + EN 338 :2009 DECLARATION DES PERFORMANCES
Plus en détailLes plateformes de génétique
Thérapies ciblées : de l anatomopathologie th l à la biothérapie i Les plateformes de génétique moléculaire PO Schischmanoff UF Génétique moléculaire et oncogénétique CHU Avicenne ACP FHF 29 mars 2012
Plus en détailSystème de gestion des données RAPIDComm 3.0 : la solution avancée de connectivité et de communication en biologie délocalisée
Système de gestion des données RAPIDComm 3.0 : la solution avancée de connectivité et de communication en biologie délocalisée White paper Allen B, Hoffman G, Arkhipov V Des réponses pour la vie. 2 1 Résumé
Plus en détail«Innovation Intelligence» La valorisation des données massives au service des partenariats R&D. Expernova Université d été GFII 11-09-2014
«Innovation Intelligence» La valorisation des données massives au service des partenariats R&D Expernova Université d été GFII 11-09-2014 [Une tendance forte à l Open Innovation ] «Le monde est devenu
Plus en détailUviLight XTW Spectrophotomètre UV-Vis
Enseignement Agro-alimentaire Sciences Chimie Recherche Laboratoires de référence UviLight XTW Spectrophotomètre UV-Vis Accédez aux meilleures performances grâce à des spécificités optiques supérieures
Plus en détailPentaho Business Analytics Intégrer > Explorer > Prévoir
Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho lie étroitement intégration de données et analytique. En effet, les services informatiques et les utilisateurs métiers peuvent accéder aux
Plus en détailChapitre 4 - Spectroscopie rotationnelle
Chapitre 4 - Spectroscopie rotationnelle 5.1 Classification Déterminer à quelle catégorie (sphérique, symétrique, asymétrique) appartiennent ces molécules : a) CH 4, b) CH 3 F, c) CH 3 D, d) SF 6, e) HCN,
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 détailASA-Advanced Solutions Accelerator. Solution pour la gestion des données des laboratoires et des plateformes de service
ASA-Advanced Solutions Accelerator Partenaire informatique des Laboratoires de Recherche 100lims Solution pour la gestion des données des laboratoires et des plateformes de service Parce que vous cherchez
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 détailAXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES
1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte
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 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 détail2D-Differential Differential Gel Electrophoresis & Applications en neurosciences
2D-Differential Differential Gel Electrophoresis & Applications en neurosciences Jean-Etienne Poirrier Centre de Neurobiologie Cellulaire et Moléculaire Centre de Recherches du Cyclotron Université de
Plus en détailDr E. CHEVRET UE2.1 2013-2014. Aperçu général sur l architecture et les fonctions cellulaires
Aperçu général sur l architecture et les fonctions cellulaires I. Introduction II. Les microscopes 1. Le microscope optique 2. Le microscope à fluorescence 3. Le microscope confocal 4. Le microscope électronique
Plus en détailVotre Infrastructure est-elle? Business Intelligence. Améliorer la capacité d analyse et de décision de vos équipes
Votre Infrastructure est-elle? Business Intelligence Améliorer la capacité d analyse et de décision de vos équipes Sommaire Introduction : Les domaines d application de la Business Intelligence p. 4 Vue
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 détailAccélérer l agilité de votre site de e-commerce. Cas client
Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible
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 détailInformatique Médicale & Ingénierie des Connaissances Pour la e-santé
Li ics Laboratoire d Informatique Médicaleet d Ingénierie des Connaissances en e-santé Projet de création d une UMR Inserm Université Pierre et Marie Curie, Université Paris Nord Informatique Médicale
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailLes attentes du marché
www.pwc.com Les attentes du marché Octobre 2012 L état des lieux à propos des formats de reporting et de l appropriation par le marché du XBRL La taxonomie XBRL pour les reportings Solvabilité 2 a fait
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 détailCycle de vie, processus de gestion
Les données scientifiques au CNES Cycle de vie, processus de gestion Danièle BOUCON Réunion PIN du 4 janvier 2013 Réunion PIN du 22 mars 2012 Outils CNES Contexte des données scientifiques au CNES SOMMAIRE
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 détailProtéomique Séance 1 Introduction aux données de protéomique et aux outils de recherche
Protéomique Séance 1 Introduction aux données de protéomique et aux outils de recherche Mathieu Courcelles BCM2003 26 Mars 2009 BCM2003-H09 Protéomique Démonstrateur: Mathieu Courcelles Questions? Via
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 détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailQuel apport de l imagerie dans les traitements anti-angiogéniques?
Quel apport de l imagerie dans les traitements anti-angiogéniques? L Fournier, D Balvay, CA Cuénod Service de radiologie, Hôpital Européen Georges Pompidou Laboratoire de Recherche en Imagerie, Equipe
Plus en détailLe partenaire de votre innovation technologique
w w w.. s y n e r r v v i a i a. f. r f r Quelques chiffres Création en 2002 Association loi 1901 20 salariés 17 Ingénieurs et techniciens experts dans leurs domaines et présents dans les centres de compétences
Plus en détailGénétique et génomique Pierre Martin
Génétique et génomique Pierre Martin Principe de la sélections Repérage des animaux intéressants X Accouplements Programmés Sélection des meilleurs mâles pour la diffusion Index diffusés Indexation simultanée
Plus en détailSimulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE
Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE LAURENT Rémy laurent@clermont.in2p3.fr http://clrpcsv.in2p3.fr Journées des LARD Septembre 2007 M2R
Plus en détailNos Solutions PME VIPDev sont les Atouts Business de votre entreprise.
Solutions PME VIPDev Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Cette offre est basée sur la mise à disposition de l ensemble de nos compétences techniques et créatives au service
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 détailBI = Business Intelligence Master Data-Science
BI = Business Intelligence Master Data-Science UPMC 25 janvier 2015 Organisation Horaire Cours : Lundi de 13h30 à 15h30 TP : Vendredi de 13h30 à 17h45 Intervenants : Divers industriels (en cours de construction)
Plus en détailComprendre le Big data grâce à la visualisation
IBM Software Business Analytics Visualisation avancée Comprendre le Big data grâce à la visualisation Par T. Alan Keahey, Ph.D., IBM Visualization Science and Systems Expert 2 Comprendre le Big data grâce
Plus en détailévaluation des risques professionnels
évaluation des professionnels Inventaire des Etablissement : Faculté de Médecine Unité de travail : Laboratoire de Biochimie Médicale Année : 2013 Locaux Bureaux Salle de Microscopie Culture cellulaire
Plus en détailLaboratoire d Informatique, de Traitement de l Information et des Systèmes EA 4108. 3 établissements T. Paquet D. Olivier T. Lecroq A.
Laboratoire d Informatique, de Traitement de l Information et des Systèmes EA 4108 3 établissements T. Paquet D. Olivier T. Lecroq A. Benshrair 7 équipes Disciplines 27-61, 25-26-43-64 L. Heutte DocApp
Plus en détailOPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE
OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE «Journée Open Data» 5 Novembre 2013 Présenté par : Imen Megdiche Directeur de thèse : Pr. Olivier Teste (SIG-IRIT) Co-directeur de thèse : Mr. Alain
Plus en détailIntelligence Inventive & Mapping des réseaux de Recherche. Expernova & Active Innovation Management GFII 5 Mars 2015
Intelligence Inventive & Mapping des réseaux de Recherche Expernova & Active Innovation Management GFII 5 Mars 2015 Identification d experts & Mapping des Réseaux de Recherche [ expernova, qui sommes nous?]
Plus en détailPanorama des problématiques de traitement de l information. Larbi Aït Hennani, Fatma Bouali, Vincent Vandewalle
Panorama des problématiques de traitement de l information Larbi Aït Hennani, Fatma Bouali, Vincent Vandewalle Conduite d une étude statistique Larbi Aït Hennani, maître de conférences en mathématiques
Plus en détailBASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
Plus en détailFormation continue. Ensae-Ensai Formation Continue (Cepe)
CertifiCat de data scientist Formation continue Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist La demande de data scientists est croissante mais peu de formations existent. Ce certificat
Plus en détailSUPERVISION : Smart Condition Monitoring. Brand of ACOEM
SUPERVISION : Smart Condition Monitoring Brand of ACOEM 30 ANS D expérience OneProd présente SUPERVISION, une nouvelle génération d applications web dédiées à la maintenance conditionnelle intelligente.
Plus en détailMarquage CE et dispositifs médicaux
Marquage CE et dispositifs médicaux Références officielles Trois principales directives européennes réglementent la mise sur le marché et la mise en service des dispositifs médicaux : la directive 90/385/CEE
Plus en détailDOSSIER SOLUTION CA ERwin Modeling. Comment gérer la complexité des données et améliorer l agilité métier?
DOSSIER SOLUTION CA ERwin Modeling Comment gérer la complexité des données et améliorer l agilité métier? CA ERwin Modeling fournit une vue centralisée des définitions de données clés afin de mieux comprendre
Plus en détailLa fonction Conformité dans l assurance
La fonction Conformité dans l assurance L approche par les risques L exemple de la lutte contre le blanchiment Présentation pour : Faculté d Orléans Intervenant(s) : Laurent GUEREL AG2R LA MONDIALE 1/19
Plus en détailPilot4IT Tableaux de Bord Agréger et consolider l ensemble de vos indicateurs dans un même portail.
Pilot4IT Tableaux de Bord Agréger et consolider l ensemble de vos indicateurs dans un même portail. Comment exploiter au mieux l ensemble de vos indicateurs? Avec la solution agile Pilot4IT Tableau de
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 détailLe Data WareHouse à l INAMI Exploitation des données
www.coopami.org Le Data WareHouse à l INAMI Exploitation des données TUNIS 17 décembre 2013 Michel Vigneul Conseiller Actuaire PLAN de l exposé : Partie 1 : Contexte général du système de remboursement
Plus en détailCRM Service. Exemples de secteurs concernés. Fonctionnalités clés. Gestion de l activité quotidienne. Gestion complète de la force de vente
CRM Service Exemples de secteurs concernés Société de commerce et de négoce Société de services informatiques Cabinet de formation Cabinet de recrutement Société de sécurité et de nettoyage Société de
Plus en détailJedox rafraîchit les rapports du fabricant de boissons MBG
Jedox rafraîchit les rapports du fabricant de boissons MBG «Nous pouvons désormais réaliser plus efficacement notre reporting et la planifi cation de nos ventes grâce à Jedox, et avons même soif de plus
Plus en détailMass Spec/tacular. performance, productivité et fiabilité. Systèmes CPL/SM Agilent série 6000. Our measure is your success.
Systèmes CPL/SM Agilent série 6000 Mass Spec/tacular performance, productivité et fiabilité. Our measure is your success. products applications software services Une «spectacular» lignée CPL/SM Si vous
Plus en détailBI2B est un cabinet de conseil expert en Corporate Performance Management QUI SOMMES-NOUS?
SOMMAIRE Qui sommes nous? page 3 Notre offre : Le CPM, Corporate Performance Management page 4 Business Planning & Forecasting page 5 Business Intelligence page 6 Business Process Management page 7 Nos
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en 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 détailJuly 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15
Mastère Spécialisé Big Data Stéphan Clémençon Télécom ParisTech July 1, 2013 Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15 Agenda Contexte et Opportunité Les grandes lignes
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
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 détailLes sciences de l ingénieur appliquées à la prise en charge du
Les sciences de l ingénieur appliquées à la prise en charge du cancer : enjeux et opportunités Début de cartographie des enjeux cliniques et technologiques gq Jean-François MENUDET, Cluster I-Care Cartographie
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailNous avons augmenté de manière significative notre productivité avec le même effectif
Nous avons augmenté de manière significative notre productivité avec le même effectif SMART Automation, optimiser la productivité SMART Automation, optimiser la productivité Introduction Depuis plus de
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 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 détailwww.mesureo.com A N A L Y S E U R E N L I G N E D A G V D E S B I C A R B O N A T E S D E L A L C A L I N I T E
www.mesureo.com A N A L Y S E U R E N L I G N E D A G V D E S B I C A R B O N A T E S D E L A L C A L I N I T E Solutions pour l analyse de l eau en ligne AnaSense Analyseur en ligne d AGV, des bicarbonates
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 détailChapitre 9 : Informatique décisionnelle
Chapitre 9 : Informatique décisionnelle Sommaire Introduction... 3 Définition... 3 Les domaines d application de l informatique décisionnelle... 4 Architecture d un système décisionnel... 5 L outil Oracle
Plus en détailBases de données Outils de gestion
11/03/2010 Bases de données Outils de gestion Mise en place d outils pour gérer, stocker et utiliser les informations d une recherche biomédicale ent réalisé par L. QUINQUIS d épidémiologie et de biostatistique
Plus en détailDidier MOUNIEN Samantha MOINEAUX
Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?
Plus en détailEpidémiologie appliquée aux sciences vétérinaires DES DAOA DES - DEA
Epidémiologie appliquée aux sciences vétérinaires DES DAOA DES - DEA Claude SAEGERMAN Département des maladies infectieuses et parasitaires, Service d épidémiologie et analyse de risques appliquées aux
Plus en détailFoscolo (1), J Felblinger (2), S Bracard (1) CHU Hôpital central, service de neuroradiologie, Nancy (1) CHU BRABOIS, Centre d investigation clinique
S A l (1) G H (2) S S Aptel (1), G Hossu (2), S Foscolo (1), J Felblinger (2), S Bracard (1) CHU Hôpital central, service de neuroradiologie, Nancy (1) CHU BRABOIS, Centre d investigation clinique innovation
Plus en détailLa biologie médicale en France : présent et avenir. Académie Nationale de Pharmacie Mercredi 4 Février 2015
La biologie médicale en France : présent et avenir Académie Nationale de Pharmacie Mercredi 4 Février 2015 Les fondamentaux de la biologie médicale en France Une discipline jeune, apparue dans les années
Plus en détailAnnexe 6 et 7 Du Contrat de Performance 2014-2018 Medicen Paris Region. Liste des engagements du Pôle avec d autres clusters français ou étrangers
Annexe 6 et 7 Du Contrat de Performance -2018 Medicen Paris Region Liste des engagements du Pôle avec d autres clusters français ou étrangers 24 octobre Relations inter-pôles et inter-clusters nationaux
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailModélisation Multidimensionnelle des Tableaux de Bord Prospectifs
Modélisation Multidimensionnelle des Tableaux de Bord Prospectifs Zaia Alimazighi (*), Nazih Selmoune (*) (Alimazighi, Selmoune)@wissal.dz (*) Laboratoire des systèmes informatiques (LSI), Faculté d Electronique
Plus en détailSciences Humaines et Sociales. Informatique et applications. VIGNERON Vincent vvigne@iup.univ-evry.fr STIC Traitement du signal et des images
Sujets de thèse Ecole Doctorale "Sciences et Ingénierie" 2012-2013 Sujet de thèse Unité de recherche Nom de l'encadrant Discipline principale Discipline secondaire Navigation topologique basée sur des
Plus en détailHopital: Optimisation, Simulation et évitement des Tensions. ANR-TECSAN 2011 7 partenaires ( 1 CH, 1 PME ) 900 k - 36 mois
HOST ANR-11-TECS-010 Hopital: Optimisation, Simulation et évitement des Tensions HOpital Sous Tensions ANR-TECSAN 2011 7 partenaires ( 1 CH, 1 PME ) 900 k - 36 mois Contexte 1 L hôpital est en crise: Augmentation
Plus en détailFiche 19 La couleur des haricots verts et cuisson
Fiche 19 La couleur des haricots verts et cuisson Objectif : Valider ou réfuter des «précisions culinaires»* permettant de "conserver une belle couleur verte" lors la cuisson des haricots verts frais (gousses
Plus en détailIntroduction aux bases de données: application en biologie
Introduction aux bases de données: application en biologie D. Puthier 1 1 ERM206/Technologies Avancées pour le Génome et la Clinique, http://tagc.univ-mrs.fr/staff/puthier, puthier@tagc.univ-mrs.fr ESIL,
Plus en détailStratégie et Vision de SAP pour le secteur Banque- Assurance: Data-Management, BI, Mobilité
Stratégie et Vision de SAP pour le secteur Banque- Assurance: Data-Management, BI, Mobilité Patrice Vatin Business Development SAP FSI Andrew de Rozairo Business Development Sybase EMEA Septembre 2011
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 détail