Processus cognitifs Un article de Wikipédia, l'encyclopédie libre. Les processus cognitifs sont les différents modes à travers lesquels un système traite l'information en y répondant par une action. Deux types de système capables de réaliser des processus cognitifs peuvent se distinguer : Le traitement de l’information se définit comme étant le processus par lequel l’information perçue est analysée et intégrée dans la structure de connaissances de la personne. Il est analysé selon deux dimensions : le mode de traitementle niveau d'élaboration Mode de traitement[modifier | modifier le code] C'est le processus par lequel « l’information sensorielle est représentée dans la mémoire de travail de l’individu »[1] En psychologie, on distingue entre deux modes de traitement[2],[3] En marketing, on distingue entre les deux modes de traitement analytique et expérientiel. Les processus cognitifs sont : Description des processus cognitifs[modifier | modifier le code] Sources[modifier | modifier le code] A.
Fonctionnement d'un algorithme génétique Un article de Wikipédia, l'encyclopédie libre. Origines[modifier | modifier le code] La popularisation des algorithmes génétiques sera l'œuvre de David Goldberg à travers son livre Genetic Algorithms in Search, Optimization, and Machine Learning[1] (1989). Ce livre est encore édité aujourd'hui. En Europe, la première conférence sur ce type de sujet fut l'European Conference on Artificial Life en 1991 (elle a fêté ses 20 ans en 2011[2]), coorganisée par Francisco Varela et Paul Bourgine. Présentation[modifier | modifier le code] Analogie avec la biologie[modifier | modifier le code] Terminologie commune aux deux disciplines[modifier | modifier le code] Les algorithmes génétiques étant basés sur des phénomènes biologiques, il convient de rappeler au préalable quelques termes de génétique. Les organismes vivants sont constitués de cellules, dont les noyaux comportent des chromosomes qui sont des chaînes d'ADN. Outils issus de la biologie[modifier | modifier le code] Sélection Sélection par rang
Réseau bayésien Un article de Wikipédia, l'encyclopédie libre. Un réseau bayésien est en informatique et en statistique un modèle graphique probabiliste représentant des variables aléatoires sous la forme d'un graphe orienté acyclique. Intuitivement, ils sont à la fois : Pour un domaine donné (par exemple médical), on décrit les relations causales entre variables d'intérêt par un graphe. Dans ce graphe, les relations de cause à effet entre les variables ne sont pas déterministes, mais probabilisées. L'intérêt particulier des réseaux bayésiens est de tenir compte simultanément de connaissances a priori d'experts (dans le graphe) et de l'expérience contenue dans les données. Intuition[modifier | modifier le code] Un exemple très simple dans la modélisation des risques[modifier | modifier le code] Un opérateur travaillant sur une machine risque de se blesser s’il l’utilise mal. Bien sûr, ces facteurs ne permettent pas de créer un modèle déterministe. Fig. 1 : structure de causalité. si et seulement si et avec
L’embarras du choix - Comment choisir la bonne plate-forme pour Big Data / Hadoop ? Cette année, le big data est devenu un sujet pertinent dans beaucoup d’entreprises. Bien qu'il n’y ait pas de définition standard du terme “big data”, Hadoop est de facto un standard pour le traitement big data. Presque tous les grands éditeurs de logiciels tels que IBM, Oracle, SAP et même Microsoft utilisent Hadoop. Cependant une fois que vous avez choisi d’utiliser Hadoop, la première question à se poser est de savoir comment débuter et quel produit choisir pour vos traitements big data. Plusieurs alternatives existent pour installer une version d’Hadoop et réaliser des traitements de ces données. Alternatives de plates-formes Hadoop L’illustration suivante montre différentes alternatives de plates-formes Hadoop. Dans le paragraphe qui suit, nous nous attarderons sur les différentes alternatives en commençant par Apache Hadoop. Apache Hadoop La version courante du projet Apache Hadoop (version 2.0) inclut ces modules : Problème 1: installation d’un cluster complexe Le package Big Data
PyBrain Modularité de l'esprit Un article de Wikipédia, l'encyclopédie libre. La modularité de l'esprit est une théorie du philosophe Jerry Fodor, inspirée des travaux de Noam Chomsky et très influente dans les sciences cognitives. Selon cette thèse, l'esprit humain comprend un certain nombre de modules spécialisés dans l'exécution de certaines fonctions cognitives. Cette théorie fait l'objet d'une intense controverse portant notamment sur la définition opérationnelle de tels modules, sur l'étendue de leur spécialisation ou sur leur indépendance. Ces idées ont été généralisées par la psychologie évolutionniste qui postule l'existence de modules spécialisés pour chaque domaine de connaissance. Références[modifier | modifier le code] Jerry Fodor, La Modularité de l'esprit : essai sur la psychologie des facultés, collection Propositions, Les Éditions de Minuit, Paris, 1983. Voir aussi[modifier | modifier le code] Tâche de sélection de Wason Portail des sciences
Présentation du datamining Un article de Wikipédia, l'encyclopédie libre. L'utilisation industrielle ou opérationnelle de ce savoir dans le monde professionnel permet de résoudre des problèmes très divers, allant de la gestion de la relation client à la maintenance préventive, en passant par la détection de fraudes ou encore l'optimisation de sites web. C'est aussi le mode de travail du datajournalisme[1]. L'exploration de données[2] fait suite, dans l'escalade de l'exploitation des données de l'entreprise, à l'informatique décisionnelle. Histoire[modifier | modifier le code] Collecter les données, les analyser et les présenter au client. De 1919 à 1925, Ronald Fisher met au point l'analyse de la variance comme outil pour son projet d'inférence statistique médicale. L'arrivée progressive des micro-ordinateurs permet de généraliser facilement ces méthodes bayésiennes sans grever les coûts. Applications industrielles[modifier | modifier le code] Par objectifs[modifier | modifier le code]
Fichier:ArtificialNeuronModel francais.png - Wikipédia Le Big Data Python Programming Language – Official Website Connexionnisme Un article de Wikipédia, l'encyclopédie libre. Le connexionnisme est une approche utilisée en sciences cognitives, neurosciences, psychologie et philosophie de l'esprit. Le connexionnisme modélise les phénomènes mentaux ou comportementaux comme des processus émergents de réseaux d'unités simples interconnectées. Le plus souvent les connexionnistes modélisent ces phénomènes à l'aide de réseaux de neurones. Il s'agit d'une théorie qui a émergé à la fin des années 1980 en tant qu'alternative au computationnalisme (Putnam, Fodor, etc.) alors dominant. Principes de base[modifier | modifier le code] Le principe de base du connexionnisme est que les phénomènes mentaux peuvent être décrits à l'aide de réseaux d'unités simples interconnectées. La diffusion d'activation[modifier | modifier le code] Un concept important pour les modèles connexionnistes est celui d'activation. Réseaux neuronaux[modifier | modifier le code] Voir l'article principal : Réseau de neurones
Spatial network analysis software As the domain of space syntax has expanded, there are now a plethora of tools associated with it. Since most were developed within the academic community, most tend to be free for academic use, and some are open source. In historical order: Axman The (near) original developed by Nick Sheep Dalton of UCL to perform axial line analysis on computers running Mac OS, currently used in more than 50 countries. International Mathematics and Statistics Library Un article de Wikipédia, l'encyclopédie libre. Logo d'IMSL. En avril 2010, la nouvelle version d'IMSL C# permet à son tour de profiter des systèmes à Microprocesseur multi-cœur en s'appuyant sur la TPL du Framework .NET 4.0. En octobre 2010, IMSL Fortran 7.0 propose aux développeurs de bénéficier des performances des GPU NVIDIA en intégrant des appels "transparents" aux BLAS CUDA, la séquence d'appel aux routines IMSL restant inchangée. Versions[modifier | modifier le code] IMSL C Library 8.0 - novembre 2011[5]IMSL C# Library 6.5 - avril 2010[6]IMSL Fortran Library 7.0 - octobre 2010JMSL Library 6.1 - août 2010[7]PyIMSL Studio 1.5 - août 2009[8]PyIMSL wrappers 1.5 - août 2009 Fonctionnalités mathématiques et statistiques[modifier | modifier le code] Les bibliothèques IMSL contiennent les fonctionnalités mathématiques et statistiques suivantes : Calcul Mathématique[modifier | modifier le code] Calcul Statistique[modifier | modifier le code] Plateformes Disponibles[modifier | modifier le code] T.
#BigData : Un marché qui devrait atteindre 25 milliards de dollars d'ici fin 2016 Si le Big Data a de plus en plus le vent en poupe c’est pour une raison très simple : il va devenir vital pour quasiment toutes les entreprises dans tous les secteurs d’activité d’ici la fin de la décennie. La rédaction de Maddyness vous invite à décrypter les informations clés à connaître sur ce secteur qui devrait atteindre les 25 milliards de dollars de chiffre d’affaires d’ici la fin 2016, selon le cabinet IDC. Un potentiel énorme Si le terme de « Big Data » faisait encore peur il y a peu, il est véritablement en train de s’immiscer dans un grand nombre de DSI et plus généralement dans de nombreuses sociétés. Ainsi, les initiatives en Big Data ont été multipliées par 6 en seulement 2 ans. Et le potentiel du secteur ne s’arrête pas là puisque même les poids lourds du numérique et/ou de l’informatique sont encore très loin d’avoir exploité la totalité des possibilités du Big Data. Mais freiné par la peur de ne pas pouvoir l’utiliser correctement en interne… Crédit Photo : Shutterstock