University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'indexation
Ouvrages de la bibliothèque en indexation 004 - Informatique
Ajouter le résultat dans votre panier Affiner la recherche
Toute l'informatique en CPGE scientifiques / Etienne Cochard
Titre : Toute l'informatique en CPGE scientifiques : première et seconde années ; cours complet et détaillé, exercices corrigés avec Python, SQL et Scilab, annales corrigées Type de document : texte imprimé Auteurs : Etienne Cochard, Auteur ; Sophie Rainero, Auteur Editeur : Paris : Ellipses Année de publication : cop. 2016 Collection : Références sciences Importance : 1 vol. (907 p.) Présentation : ill. Format : 24 cm ISBN/ISSN/EAN : 978-2-340-01004-8 Prix : 45 EUR Note générale : Bibliogr. p. 903. Index Langues : Français (fre) Catégories : Informatique Mots-clés : Informatique : Manuels d'enseignement supérieur
Informatique : Questions d'examens
Informatique : Problèmes et exercicesIndex. décimale : 004 - Informatique Résumé :
Ce livre traite le programme d’informatique pour tous de classes préparatoires aux grandes écoles, première et seconde années, mais convient également à tout étudiant ou enseignant désireux de se former aux bases de la programmation en Python ou SQL (voire Scilab), ainsi qu’aux bases de l’ingénierie numérique (résolution approchée d’équations algébriques ou différentielles, calcul approché d’intégrales, etc.), Il propose un cours complet (incluant trois chapitres proposés comme thèmes d’étude dans le programme, dont les connaissances ne sont pas exigibles, mais peuvent aussi être utiles pour les travaux d’initiative personnelle encadrés (TIPE) et portant sur la programmation orientée objet, le traitement des images et la cryptographie), de très nombreux exercices corrigés, ainsi que les annales corrigées et commentées des épreuves écrites d’informatique de l’année 2015, y compris les parties d’informatique des sujets de mathématiques, physique ou sciences de l’ingénieur.
Plusieurs documents annexes sont proposés au téléchargement (codes Python pour certains exercices, images, base de données à installer pour réaliser des tests, etc.) ; tous les sujets d’annales, à l’exception de quelques questions, sont accessibles dès la première année ; enfin un index complet permet de retrouver rapidement les réponses que l’on cherche.Note de contenu :
Sommaire
MACHINES ET INFORMATIONS
ALGORITHMIQUE ET PROGRAMMATION
CALCUL SCIENTIFIQUE
BASES DE DONNEES
ALGORITHMIQUE ET PROGRAMMATION AVANCES
Côte titre : Fs/23415-23416 Toute l'informatique en CPGE scientifiques : première et seconde années ; cours complet et détaillé, exercices corrigés avec Python, SQL et Scilab, annales corrigées [texte imprimé] / Etienne Cochard, Auteur ; Sophie Rainero, Auteur . - Paris : Ellipses, cop. 2016 . - 1 vol. (907 p.) : ill. ; 24 cm. - (Références sciences) .
ISBN : 978-2-340-01004-8 : 45 EUR
Bibliogr. p. 903. Index
Langues : Français (fre)
Catégories : Informatique Mots-clés : Informatique : Manuels d'enseignement supérieur
Informatique : Questions d'examens
Informatique : Problèmes et exercicesIndex. décimale : 004 - Informatique Résumé :
Ce livre traite le programme d’informatique pour tous de classes préparatoires aux grandes écoles, première et seconde années, mais convient également à tout étudiant ou enseignant désireux de se former aux bases de la programmation en Python ou SQL (voire Scilab), ainsi qu’aux bases de l’ingénierie numérique (résolution approchée d’équations algébriques ou différentielles, calcul approché d’intégrales, etc.), Il propose un cours complet (incluant trois chapitres proposés comme thèmes d’étude dans le programme, dont les connaissances ne sont pas exigibles, mais peuvent aussi être utiles pour les travaux d’initiative personnelle encadrés (TIPE) et portant sur la programmation orientée objet, le traitement des images et la cryptographie), de très nombreux exercices corrigés, ainsi que les annales corrigées et commentées des épreuves écrites d’informatique de l’année 2015, y compris les parties d’informatique des sujets de mathématiques, physique ou sciences de l’ingénieur.
Plusieurs documents annexes sont proposés au téléchargement (codes Python pour certains exercices, images, base de données à installer pour réaliser des tests, etc.) ; tous les sujets d’annales, à l’exception de quelques questions, sont accessibles dès la première année ; enfin un index complet permet de retrouver rapidement les réponses que l’on cherche.Note de contenu :
Sommaire
MACHINES ET INFORMATIONS
ALGORITHMIQUE ET PROGRAMMATION
CALCUL SCIENTIFIQUE
BASES DE DONNEES
ALGORITHMIQUE ET PROGRAMMATION AVANCES
Côte titre : Fs/23415-23416 Exemplaires (2)
Code-barres Cote Support Localisation Section Disponibilité Fs/23415 Fs/23415-23416 livre Bibliothéque des sciences Français Disponible
DisponibleFs/23416 Fs/23415-23416 livre Bibliothéque des sciences Français Disponible
Disponible
Titre : Traçage des Connaissances Profond Deep Knowledge Tracing (DKT) Type de document : texte imprimé Auteurs : Dahoua, Nesrine, Auteur ; Harbouche,Khadidja, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (59 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseau de neurones
Deep learning
Fouille de données
Fouille de données éducative
Traçage des connaissancesttraçage des connaissances profond (DKT)
prédiction des performances des élèvesIndex. décimale : 004 - Informatique Résumé : Résumé
Au cours des deux dernières décennies, il y a eu une grande variété d'approches pour la modélisation des connaissances des apprenants dans des systèmes de tutorat intelligents. En raison de la croissance de l'apprentissage en profondeur et des réseaux neuronaux artificiels à grande échelle, un certain nombre d'applications d'apprentissage automatique et de fouille de données ont connu des succès empiriques, y compris la modélisation des connaissances des étudiants. Dans ce mémoire, Nous avons étudié et appliqué un modèle de data mining éducative connu sous le nom de traçage des connaissances profond (DKT). Ce modèle a été utilisé pour évaluer et prédire les performances de l’apprenant. Le DKT est une nouvelle génération de réseau de neurones et des problèmes de prédiction de séquence, qui est composé de plusieurs couches récurrentes. Techniquement ce réseau est baptisé LSTM. Ce dernier a été réalisé sur un dataset (Assistments 2009-2010) afin de favoriser la prédiction des performances des étudiants.Note de contenu : Sommaire
Problématique................................................................................................................... 1
1.2 Organisation du mémoire ................................................................................................. 2
Chapitre 01: Le Deep Learning
1. Introduction ........................................................................................................................... 3
2. Les réseaux de neurones artificiels....................................................................................... 3
2.1 Rosenblatts Perceptron ..................................................................................................... 4
2.2 Architectures des réseaux neuronaux ............................................................................... 6
2.2.1 Réseaux Feed forward............................................................................................... 6
2.2.2 Réseaux récurrents .................................................................................................... 7
2.3 Sur apprentissage, sous-apprentissage et régularisation .................................................. 9
3. Deep Learning ...................................................................................................................... 10
3.1 Définition ....................................................................................................................... 11
 Définition 1 : .................................................................................................................. 11
 Définition 2 : .................................................................................................................. 11
 Définition 3 : .................................................................................................................. 11
3.2 Les classes de Deep Learning ........................................................................................ 11
 Réseaux profonds pour l'apprentissage supervisé .......................................................... 11
 Réseaux profonds pour l'apprentissage non supervisé ou génératif ............................... 12
 Réseaux profonds hybrides ............................................................................................ 12
3.3 Architectures de réseau profondes ................................................................................. 12
3.3.1 Machine Boltzmann ................................................................................................ 12
3.3.2 Autoencodeurs (AE) ............................................................................................... 13
 Autoencodeurs de base ................................................................................................... 13
 Denoising Autoencodeurs(DAE) ................................................................................... 14
 Contractive Autoencodeurs(CAE) ................................................................................. 15
3.3.3 Deep belief network ................................................................................................ 15
3.3.4 Réseaux de neurones convolutionnels(CNN) ......................................................... 15
 Convolutional layer ........................................................................................................ 16
 Relu layer (Rectified Linear Units) ................................................................................ 16
 Pooling layer .................................................................................................................. 16
 Batch normalisation........................................................................................................ 17
 Dropout Layer ................................................................................................................ 17
 Dense Layer (Fully connected feed-forward neural network) ....................................... 18
4. Conclusion ............................................................................................................................ 18
Chapitre 02: Data Mining éducative
1. Introduction ......................................................................................................................... 19
2. Data mining ......................................................................................................................... 19
2.1 Définition ....................................................................................................................... 19
2.2 Les techniques ................................................................................................................ 20
 Classification .............................................................................................................. 20
 Clustering.................................................................................................................... 20
 Prédication .................................................................................................................. 20
 Règle d’association ..................................................................................................... 21
 Réseaux de neurone .................................................................................................... 21
 Arbres de décision ...................................................................................................... 21
3. Les systèmes tutoriels intelligents (STI) ............................................................................ 22
3.1 Définition ....................................................................................................................... 22
3.2 L’architecture d’un STI .................................................................................................. 22
4. Data mining Educatifs ........................................................................................................ 23
4.1 Domaine de data Mining éducatives .............................................................................. 24
4.2 Méthodes de data Mining éducatifs (EDM) ................................................................... 25
 Prediction .................................................................................................................... 26
 Clustering.................................................................................................................... 27
 Relationship mining .................................................................................................... 27
 Découverte avec des modèles ..................................................................................... 28
 Distillation des données pour le jugement humain. .................................................... 28
5. Modélisation de l'apprentissage des élèves ....................................................................... 28
6. Prédiction des performances ................................................................................................. 29
6.1 Définition ....................................................................................................................... 29
6.2 Les méthodes de prédiction utilisées pour la performance des élèves ........................... 29
 Arbre de décision ........................................................................................................ 30
 Réseau neural .............................................................................................................. 30
 Naive Bayes ................................................................................................................ 30
 K-Plus proche voisin .................................................................................................. 31
 Support Vector Machine ............................................................................................. 31
7. Traçage des connaissances ................................................................................................. 32
8. Conclusion ........................................................................................................................... 33
Chapitre 03: Conception d’un Système de traçage des connaissances
1. Introduction ......................................................................................................................... 34
2. Traçage des connaissances profond ................................................................................... 34
3. Préparation du jeu de donnée............................................................................................. 36
3.1 Assistments skill builder ................................................................................................ 36
3.1 Visualisation exploratoire .............................................................................................. 38
3.2 Pré traitement du dataset ................................................................................................ 40
4. Conclusion ............................................................................................................................ 42
Chapitre 04: Implémentation et Evaluation du Modèle
1. Introduction ......................................................................................................................... 43
2. Architecture du réseau LSTM ............................................................................................ 43
2.1 Modèle ............................................................................................................................ 43
2.2 Séries temporelles d'entrée et de sortie .......................................................................... 44
2.3 Optimisation ................................................................................................................... 45
3. L'implémentation du Framework LTSM.......................................................................... 46
3.1 Deep Learning et GPU Training .................................................................................... 46
3.2 Les framworks de deep Learning ................................................................................... 46
3.2.1 Tensorflow .............................................................................................................. 46
3.2.2 Theano..................................................................................................................... 48
3.2.3 Keras ....................................................................................................................... 48
3.3 Pourquoi Keras? Bibliothèque Deep Learning pour Theano et TensorFlow ................. 48
4. Environnement de travail ...................................................................................................... 49
4.1 Python............................................................................................................................. 49
 Caractéristiques du langage :.......................................................................................... 49
 Jupyter notebook ............................................................................................................ 50
5. Implémentation ................................................................................................................... 50
5.1 L'architecture du modèle Keras ...................................................................................... 51
5.2 Métriques d'évaluation ................................................................................................... 52
5.3 Modèle de Keras compilant............................................................................................ 52
5.4 Entrainement du modèle keras ....................................................................................... 53
 Raffinement .......................................................................... 53
6. Résultat ............................................................................................................. 54
6.1 Résultats de l'apprentissage ............................................................................................ 55
6.2 Résultats de testes........................................................................................................... 56
6.3 Meilleur réseau profond ................................................................................................. 57
7. ConclusionCôte titre : MAI/0248 En ligne : https://drive.google.com/file/d/1jKBBmY3gIuJxfrqXbr-wEN3JbzMyX564/view?usp=shari [...] Format de la ressource électronique : Traçage des Connaissances Profond Deep Knowledge Tracing (DKT) [texte imprimé] / Dahoua, Nesrine, Auteur ; Harbouche,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (59 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseau de neurones
Deep learning
Fouille de données
Fouille de données éducative
Traçage des connaissancesttraçage des connaissances profond (DKT)
prédiction des performances des élèvesIndex. décimale : 004 - Informatique Résumé : Résumé
Au cours des deux dernières décennies, il y a eu une grande variété d'approches pour la modélisation des connaissances des apprenants dans des systèmes de tutorat intelligents. En raison de la croissance de l'apprentissage en profondeur et des réseaux neuronaux artificiels à grande échelle, un certain nombre d'applications d'apprentissage automatique et de fouille de données ont connu des succès empiriques, y compris la modélisation des connaissances des étudiants. Dans ce mémoire, Nous avons étudié et appliqué un modèle de data mining éducative connu sous le nom de traçage des connaissances profond (DKT). Ce modèle a été utilisé pour évaluer et prédire les performances de l’apprenant. Le DKT est une nouvelle génération de réseau de neurones et des problèmes de prédiction de séquence, qui est composé de plusieurs couches récurrentes. Techniquement ce réseau est baptisé LSTM. Ce dernier a été réalisé sur un dataset (Assistments 2009-2010) afin de favoriser la prédiction des performances des étudiants.Note de contenu : Sommaire
Problématique................................................................................................................... 1
1.2 Organisation du mémoire ................................................................................................. 2
Chapitre 01: Le Deep Learning
1. Introduction ........................................................................................................................... 3
2. Les réseaux de neurones artificiels....................................................................................... 3
2.1 Rosenblatts Perceptron ..................................................................................................... 4
2.2 Architectures des réseaux neuronaux ............................................................................... 6
2.2.1 Réseaux Feed forward............................................................................................... 6
2.2.2 Réseaux récurrents .................................................................................................... 7
2.3 Sur apprentissage, sous-apprentissage et régularisation .................................................. 9
3. Deep Learning ...................................................................................................................... 10
3.1 Définition ....................................................................................................................... 11
 Définition 1 : .................................................................................................................. 11
 Définition 2 : .................................................................................................................. 11
 Définition 3 : .................................................................................................................. 11
3.2 Les classes de Deep Learning ........................................................................................ 11
 Réseaux profonds pour l'apprentissage supervisé .......................................................... 11
 Réseaux profonds pour l'apprentissage non supervisé ou génératif ............................... 12
 Réseaux profonds hybrides ............................................................................................ 12
3.3 Architectures de réseau profondes ................................................................................. 12
3.3.1 Machine Boltzmann ................................................................................................ 12
3.3.2 Autoencodeurs (AE) ............................................................................................... 13
 Autoencodeurs de base ................................................................................................... 13
 Denoising Autoencodeurs(DAE) ................................................................................... 14
 Contractive Autoencodeurs(CAE) ................................................................................. 15
3.3.3 Deep belief network ................................................................................................ 15
3.3.4 Réseaux de neurones convolutionnels(CNN) ......................................................... 15
 Convolutional layer ........................................................................................................ 16
 Relu layer (Rectified Linear Units) ................................................................................ 16
 Pooling layer .................................................................................................................. 16
 Batch normalisation........................................................................................................ 17
 Dropout Layer ................................................................................................................ 17
 Dense Layer (Fully connected feed-forward neural network) ....................................... 18
4. Conclusion ............................................................................................................................ 18
Chapitre 02: Data Mining éducative
1. Introduction ......................................................................................................................... 19
2. Data mining ......................................................................................................................... 19
2.1 Définition ....................................................................................................................... 19
2.2 Les techniques ................................................................................................................ 20
 Classification .............................................................................................................. 20
 Clustering.................................................................................................................... 20
 Prédication .................................................................................................................. 20
 Règle d’association ..................................................................................................... 21
 Réseaux de neurone .................................................................................................... 21
 Arbres de décision ...................................................................................................... 21
3. Les systèmes tutoriels intelligents (STI) ............................................................................ 22
3.1 Définition ....................................................................................................................... 22
3.2 L’architecture d’un STI .................................................................................................. 22
4. Data mining Educatifs ........................................................................................................ 23
4.1 Domaine de data Mining éducatives .............................................................................. 24
4.2 Méthodes de data Mining éducatifs (EDM) ................................................................... 25
 Prediction .................................................................................................................... 26
 Clustering.................................................................................................................... 27
 Relationship mining .................................................................................................... 27
 Découverte avec des modèles ..................................................................................... 28
 Distillation des données pour le jugement humain. .................................................... 28
5. Modélisation de l'apprentissage des élèves ....................................................................... 28
6. Prédiction des performances ................................................................................................. 29
6.1 Définition ....................................................................................................................... 29
6.2 Les méthodes de prédiction utilisées pour la performance des élèves ........................... 29
 Arbre de décision ........................................................................................................ 30
 Réseau neural .............................................................................................................. 30
 Naive Bayes ................................................................................................................ 30
 K-Plus proche voisin .................................................................................................. 31
 Support Vector Machine ............................................................................................. 31
7. Traçage des connaissances ................................................................................................. 32
8. Conclusion ........................................................................................................................... 33
Chapitre 03: Conception d’un Système de traçage des connaissances
1. Introduction ......................................................................................................................... 34
2. Traçage des connaissances profond ................................................................................... 34
3. Préparation du jeu de donnée............................................................................................. 36
3.1 Assistments skill builder ................................................................................................ 36
3.1 Visualisation exploratoire .............................................................................................. 38
3.2 Pré traitement du dataset ................................................................................................ 40
4. Conclusion ............................................................................................................................ 42
Chapitre 04: Implémentation et Evaluation du Modèle
1. Introduction ......................................................................................................................... 43
2. Architecture du réseau LSTM ............................................................................................ 43
2.1 Modèle ............................................................................................................................ 43
2.2 Séries temporelles d'entrée et de sortie .......................................................................... 44
2.3 Optimisation ................................................................................................................... 45
3. L'implémentation du Framework LTSM.......................................................................... 46
3.1 Deep Learning et GPU Training .................................................................................... 46
3.2 Les framworks de deep Learning ................................................................................... 46
3.2.1 Tensorflow .............................................................................................................. 46
3.2.2 Theano..................................................................................................................... 48
3.2.3 Keras ....................................................................................................................... 48
3.3 Pourquoi Keras? Bibliothèque Deep Learning pour Theano et TensorFlow ................. 48
4. Environnement de travail ...................................................................................................... 49
4.1 Python............................................................................................................................. 49
 Caractéristiques du langage :.......................................................................................... 49
 Jupyter notebook ............................................................................................................ 50
5. Implémentation ................................................................................................................... 50
5.1 L'architecture du modèle Keras ...................................................................................... 51
5.2 Métriques d'évaluation ................................................................................................... 52
5.3 Modèle de Keras compilant............................................................................................ 52
5.4 Entrainement du modèle keras ....................................................................................... 53
 Raffinement .......................................................................... 53
6. Résultat ............................................................................................................. 54
6.1 Résultats de l'apprentissage ............................................................................................ 55
6.2 Résultats de testes........................................................................................................... 56
6.3 Meilleur réseau profond ................................................................................................. 57
7. ConclusionCôte titre : MAI/0248 En ligne : https://drive.google.com/file/d/1jKBBmY3gIuJxfrqXbr-wEN3JbzMyX564/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0248 MAI/0248 Mémoire Bibliothéque des sciences Français Disponible
DisponibleTraçage des performances d’un apprenant en utilisant les réseaux de neurones / Cherif,FAbderrahim Yahia
Titre : Traçage des performances d’un apprenant en utilisant les réseaux de neurones Type de document : texte imprimé Auteurs : Cherif,FAbderrahim Yahia, Auteur ; Khentout , Chabane, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (66 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux de neurones Index. décimale : 004 - Informatique Résumé : Résumé
Notre travail s’intitule « Traçage des performances d’un apprenant en utilisant les réseaux
de neurones », ce mémoire va montrer comment faire une étude complète sur
l’apprentissage collaboratif, de la collecte des données lors des séances de collaboration,
chacune concernant un module, à l’étude des profils jusqu’à la réalisation d’un
apprentissage automatique sur les apprenants avec les réseaux de neurones et enfin, faire
des prédictions sur les profils des ces apprenants pour les orienter dans leurs choix. Le
mémoire se compose de quatre chapitres. Le premier définira l’apprentissage collaboratif
et le modèle de l’apprenant, le deuxième présentera les réseaux de neurones, le troisième
expliquera les données et le modèle utilisé, quant au quatrième, il décrira l’implémentation
et les résultats obtenus.Note de contenu : Sommaire
Table des matières
Introduction générale ........................................................................................................................ 1
Introduction au premier chapitre ...................................................................................................... 3
1. La collaboration .......................................................................................................................... 3
1.1. Définition ............................................................................................................................ 3
1.2. La différence avec la coopération ...................................................................................... 3
1.3. Les outils de collaboration ................................................................................................. 4
1.4. Le travail collaboratif .......................................................................................................... 4
2. L’apprentissage collaboratif ....................................................................................................... 4
2.1. Les fondements de l’apprentissage collaboratif ................................................................ 4
2.2. Qu’est-ce que l’apprentissage collaboratif ? ..................................................................... 6
2.3. Les principales caractéristiques de l’apprentissage collaboratif ........................................ 7
2.4. L’appellation computer supported collaborative learning (CSCL) ..................................... 8
2.5. Les avantages de l’apprentissage collaboratif ................................................................... 8
ï‚· Selon Walckiers et De Praetere .......................................................................... 8
 D’un point de vue pédagogique ......................................................................... 9
 D’un point de vue social ..................................................................................... 9
 D’un point de vue psychologique ..................................................................... 10
3. Le modèle de l’apprenant ........................................................................................................ 10
3.1. Pourquoi on utilise le modèle de l’apprenant ? ............................................................... 11
3.2. Les problèmes du modèle de l’apprenant ....................................................................... 11
3.3. Différents types de modélisation de l’apprenant ............................................................ 11
3.3.1. Le modèle de recouvrement (ovcrlay model) (VallLehll, 1988) ....................... 11
3.3.2. Le modèle par perturbations (buggy model) ................................................... 12
3.4. Elaboration du modèle de l'apprenant ............................................................................ 14
3.5. L’acquisition des connaissances ....................................................................................... 14
3.6. Les problèmes d'acquisition ............................................................................................. 15
Conclusion ......................................................................................................... 15
Introduction au deuxième chapitre ................................................................................................. 16
1. L’apparition des réseaux de neurones ..................................................................................... 16
2. La physiologie des neurones .................................................................................................... 17
3. Historique de la formalisation des réseaux de neurones ........................................................ 17
4. Les réseaux de neurones artificiels .......................................................................................... 18
4.1. Structure d’un neurone artificiel ...................................................................................... 19
4.2. Comportement d’un neurone artificiel ............................................................................ 20
4.3. Comparaison avec le neurone biologique ........................................................................ 20
5. Les fonctions d’activation......................................................................................................... 20
6. Les variantes des réseaux de neurones ................................................................................... 21
7. Topologie des réseaux de neurones ........................................................................................ 21
7.1. Réseau multicouche ( Feedforward ) ............................................................................... 22
 L’architecture des réseaux multi-couches ....................................................... 22
7.2. Réseau à connexions locales ............................................................................................ 23
7.3. Réseaux récurrents ou bouclés ( feedback network ) ...................................................... 23
ï‚· Long short-term memory (LSTM) ......................................................................................... 24
7.4. Réseau à connexions complètes ...................................................................................... 25
8. Apprentissage des réseaux de neurones ................................................................................. 25
8.1. Apprentissage non-supervisé ........................................................................................... 25
8.2. Apprentissage par renforcement ..................................................................................... 25
8.3. Apprentissage supervisé (Back Propagation) ................................................................... 26
9. Le Perceptron ........................................................................................................................... 26
9.1. Algorithme du Perceptron................................................................................................ 27
9.2. Limite du Perceptron et passage aux réseaux multicouches ........................................... 27
10. L’ajustement des poids ........................................................................................................ 27
10.1. La loi de Hebb ............................................................................................................... 27
10.2. La loi de Widrow-Hoff (delta rule)................................................................................ 28
11. Domaines d’application des réseaux de neurones artificiels et exemples .......................... 28
11.1. Système de mise en correspondance (domaine médical) ........................................... 29
11.2. Prédiction météorologique .......................................................................................... 29
11.3. Traitement d’images (exemple de l’évaluation de la qualité des plantes) .................. 30
11.4. La reconnaissance ........................................................................................................ 30
11.5. Les prévisions ............................................................................................................... 30
11.6. Approximation de fonctions ......................................................................................... 30
11.7. La robotique ................................................................................................................. 31
11.8. Optimisation de trajectoires ........................................................................................ 31
12. Avantages et inconvénients des réseaux de neurones ........................................................ 31
12.1. Les avantages ............................................................................................................... 31
12.2. Les inconvénients ......................................................................................................... 31
Conclusion .....................................................................................................................
Introduction au troisième chapitre .................................................................................................. 32
1. L’analyse du comportement d’un apprenant lors d’une session de collaboration pour la
collection de données ...................................................................................................................... 32
1.1. L’utilité d’un apprentissage collaboratif selon la nature des personnes ......................... 32
1.2. Le système d'analyse du processus d'interaction de Bales ............................................. 33
1.3. Le système d’analyse de Pléty .......................................................................................... 35
1.4. Combinaison des deux grilles « la grille hybride » ........................................................... 36
ï‚· Comportemental .............................................................................................. 37
ï‚· Relationnel ....................................................................................................... 38
2. La génération de données ........................................................................................................ 38
2.1. Problème d’absence de données ..................................................................................... 38
2.2. Génération des données en s’inspirant de la grille hybride ............................................ 39
2.3. Les variables utilisées ....................................................................................................... 41
2.4. Comment remplir nos variables ? .................................................................................... 42
2.5. La base de données .......................................................................................................... 43
3. Le travail à faire ........................................................................................................................ 45
3.1. L’étude .............................................................................................................................. 45
3.2. La prédiction avec les réseaux de neurones .................................................................... 45
3.3. Pourquoi donc faire cette prédiction ? ............................................................................ 46
Conclusion ................................................................................................................ 46
Introduction au quatrième chapitre ................................................................................................ 47
1. Le langage de programmation utilisé R .................................................................................... 47
1.1. Historique ......................................................................................................................... 47
1.2. Description sommaire de R .............................................................................................. 48
1.3. Avantages et faiblesses du langage R ............................................................................... 48
ï‚· Avantages ......................................................................................................... 48
ï‚· Faiblesses ......................................................................................................... 49
1.4. Pourquoi avoir choisi R comme langage de programmation ? ........................................ 49
2. Environnement de développement ......................................................................................... 49
2.1. Moyen matériel ................................................................................................................ 49
2.2. Moyen logiciel « RStudio » ............................................................................................... 49
3. Implémentation du modèle et résultats .................................................................................. 50
3.1. La création des données .................................................................................................. 50
3.2. Implémentation du modèle avec le package « neuralnet »............................................. 50
3.2.1. Présentation du package .................................................................................. 50
3.2.2. Division de la base de données en train et test ............................................... 50
3.2.3. La fonction d’entrainement « neuralnet » ....................................................... 50
3.2.4. La fonction de test « compute » ...................................................................... 51
3.3. Discussion des résultats obtenus avec le package « neuralnet » .................................... 51
3.3.1. Résultats de l’entrainement avec une seule couche cachée ........................... 51
3.3.2. Résultats de l’entrainement avec plusieurs couches cachée ........................... 53
3.3.3. Résultats de l’entrainement avec plusieurs couches et un algorithme différent55
3.3.4. Comparaison entre les trois modèle ................................................................ 57
3.4. Implémentation du modèle avec le package « nnet » ..................................................... 58
3.4.1. Présentation du package .................................................................................. 58
3.4.2. Division des données en train et test ............................................................... 58
3.4.3. La fonction d’entrainement « nnet » ............................................................... 58
3.4.4. La fonction de prédiction « predict » ............................................................... 59
3.5. Discussion des résultats obtenus avec le package « nnet » ............................................. 59
3.5.1. Résultats de l’entrainement avec un neurone dans la couche cachée ............ 59
3.5.2. Résultats de l’entrainement avec 5 neurones dans la couche cachée ............ 61
3.5.3. Résultats de l’entrainement avec 10 neurones dans la couche cachée .......... 62
3.5.4. Résumé des résultats obtenus ......................................................................... 63
4. Résultat qui n’a pas abouti ....................................................................................................... 63
Conclusion ............................................................................................................... 64
Conclusion générale ......................................................................................................................... 65
Références ............................................................................................................. 66Côte titre : MAI/0231 En ligne : https://drive.google.com/file/d/13GrFbqf9kQujgX7ql_Svx-UaccIjDrFr/view?usp=shari [...] Format de la ressource électronique : Traçage des performances d’un apprenant en utilisant les réseaux de neurones [texte imprimé] / Cherif,FAbderrahim Yahia, Auteur ; Khentout , Chabane, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (66 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux de neurones Index. décimale : 004 - Informatique Résumé : Résumé
Notre travail s’intitule « Traçage des performances d’un apprenant en utilisant les réseaux
de neurones », ce mémoire va montrer comment faire une étude complète sur
l’apprentissage collaboratif, de la collecte des données lors des séances de collaboration,
chacune concernant un module, à l’étude des profils jusqu’à la réalisation d’un
apprentissage automatique sur les apprenants avec les réseaux de neurones et enfin, faire
des prédictions sur les profils des ces apprenants pour les orienter dans leurs choix. Le
mémoire se compose de quatre chapitres. Le premier définira l’apprentissage collaboratif
et le modèle de l’apprenant, le deuxième présentera les réseaux de neurones, le troisième
expliquera les données et le modèle utilisé, quant au quatrième, il décrira l’implémentation
et les résultats obtenus.Note de contenu : Sommaire
Table des matières
Introduction générale ........................................................................................................................ 1
Introduction au premier chapitre ...................................................................................................... 3
1. La collaboration .......................................................................................................................... 3
1.1. Définition ............................................................................................................................ 3
1.2. La différence avec la coopération ...................................................................................... 3
1.3. Les outils de collaboration ................................................................................................. 4
1.4. Le travail collaboratif .......................................................................................................... 4
2. L’apprentissage collaboratif ....................................................................................................... 4
2.1. Les fondements de l’apprentissage collaboratif ................................................................ 4
2.2. Qu’est-ce que l’apprentissage collaboratif ? ..................................................................... 6
2.3. Les principales caractéristiques de l’apprentissage collaboratif ........................................ 7
2.4. L’appellation computer supported collaborative learning (CSCL) ..................................... 8
2.5. Les avantages de l’apprentissage collaboratif ................................................................... 8
ï‚· Selon Walckiers et De Praetere .......................................................................... 8
 D’un point de vue pédagogique ......................................................................... 9
 D’un point de vue social ..................................................................................... 9
 D’un point de vue psychologique ..................................................................... 10
3. Le modèle de l’apprenant ........................................................................................................ 10
3.1. Pourquoi on utilise le modèle de l’apprenant ? ............................................................... 11
3.2. Les problèmes du modèle de l’apprenant ....................................................................... 11
3.3. Différents types de modélisation de l’apprenant ............................................................ 11
3.3.1. Le modèle de recouvrement (ovcrlay model) (VallLehll, 1988) ....................... 11
3.3.2. Le modèle par perturbations (buggy model) ................................................... 12
3.4. Elaboration du modèle de l'apprenant ............................................................................ 14
3.5. L’acquisition des connaissances ....................................................................................... 14
3.6. Les problèmes d'acquisition ............................................................................................. 15
Conclusion ......................................................................................................... 15
Introduction au deuxième chapitre ................................................................................................. 16
1. L’apparition des réseaux de neurones ..................................................................................... 16
2. La physiologie des neurones .................................................................................................... 17
3. Historique de la formalisation des réseaux de neurones ........................................................ 17
4. Les réseaux de neurones artificiels .......................................................................................... 18
4.1. Structure d’un neurone artificiel ...................................................................................... 19
4.2. Comportement d’un neurone artificiel ............................................................................ 20
4.3. Comparaison avec le neurone biologique ........................................................................ 20
5. Les fonctions d’activation......................................................................................................... 20
6. Les variantes des réseaux de neurones ................................................................................... 21
7. Topologie des réseaux de neurones ........................................................................................ 21
7.1. Réseau multicouche ( Feedforward ) ............................................................................... 22
 L’architecture des réseaux multi-couches ....................................................... 22
7.2. Réseau à connexions locales ............................................................................................ 23
7.3. Réseaux récurrents ou bouclés ( feedback network ) ...................................................... 23
ï‚· Long short-term memory (LSTM) ......................................................................................... 24
7.4. Réseau à connexions complètes ...................................................................................... 25
8. Apprentissage des réseaux de neurones ................................................................................. 25
8.1. Apprentissage non-supervisé ........................................................................................... 25
8.2. Apprentissage par renforcement ..................................................................................... 25
8.3. Apprentissage supervisé (Back Propagation) ................................................................... 26
9. Le Perceptron ........................................................................................................................... 26
9.1. Algorithme du Perceptron................................................................................................ 27
9.2. Limite du Perceptron et passage aux réseaux multicouches ........................................... 27
10. L’ajustement des poids ........................................................................................................ 27
10.1. La loi de Hebb ............................................................................................................... 27
10.2. La loi de Widrow-Hoff (delta rule)................................................................................ 28
11. Domaines d’application des réseaux de neurones artificiels et exemples .......................... 28
11.1. Système de mise en correspondance (domaine médical) ........................................... 29
11.2. Prédiction météorologique .......................................................................................... 29
11.3. Traitement d’images (exemple de l’évaluation de la qualité des plantes) .................. 30
11.4. La reconnaissance ........................................................................................................ 30
11.5. Les prévisions ............................................................................................................... 30
11.6. Approximation de fonctions ......................................................................................... 30
11.7. La robotique ................................................................................................................. 31
11.8. Optimisation de trajectoires ........................................................................................ 31
12. Avantages et inconvénients des réseaux de neurones ........................................................ 31
12.1. Les avantages ............................................................................................................... 31
12.2. Les inconvénients ......................................................................................................... 31
Conclusion .....................................................................................................................
Introduction au troisième chapitre .................................................................................................. 32
1. L’analyse du comportement d’un apprenant lors d’une session de collaboration pour la
collection de données ...................................................................................................................... 32
1.1. L’utilité d’un apprentissage collaboratif selon la nature des personnes ......................... 32
1.2. Le système d'analyse du processus d'interaction de Bales ............................................. 33
1.3. Le système d’analyse de Pléty .......................................................................................... 35
1.4. Combinaison des deux grilles « la grille hybride » ........................................................... 36
ï‚· Comportemental .............................................................................................. 37
ï‚· Relationnel ....................................................................................................... 38
2. La génération de données ........................................................................................................ 38
2.1. Problème d’absence de données ..................................................................................... 38
2.2. Génération des données en s’inspirant de la grille hybride ............................................ 39
2.3. Les variables utilisées ....................................................................................................... 41
2.4. Comment remplir nos variables ? .................................................................................... 42
2.5. La base de données .......................................................................................................... 43
3. Le travail à faire ........................................................................................................................ 45
3.1. L’étude .............................................................................................................................. 45
3.2. La prédiction avec les réseaux de neurones .................................................................... 45
3.3. Pourquoi donc faire cette prédiction ? ............................................................................ 46
Conclusion ................................................................................................................ 46
Introduction au quatrième chapitre ................................................................................................ 47
1. Le langage de programmation utilisé R .................................................................................... 47
1.1. Historique ......................................................................................................................... 47
1.2. Description sommaire de R .............................................................................................. 48
1.3. Avantages et faiblesses du langage R ............................................................................... 48
ï‚· Avantages ......................................................................................................... 48
ï‚· Faiblesses ......................................................................................................... 49
1.4. Pourquoi avoir choisi R comme langage de programmation ? ........................................ 49
2. Environnement de développement ......................................................................................... 49
2.1. Moyen matériel ................................................................................................................ 49
2.2. Moyen logiciel « RStudio » ............................................................................................... 49
3. Implémentation du modèle et résultats .................................................................................. 50
3.1. La création des données .................................................................................................. 50
3.2. Implémentation du modèle avec le package « neuralnet »............................................. 50
3.2.1. Présentation du package .................................................................................. 50
3.2.2. Division de la base de données en train et test ............................................... 50
3.2.3. La fonction d’entrainement « neuralnet » ....................................................... 50
3.2.4. La fonction de test « compute » ...................................................................... 51
3.3. Discussion des résultats obtenus avec le package « neuralnet » .................................... 51
3.3.1. Résultats de l’entrainement avec une seule couche cachée ........................... 51
3.3.2. Résultats de l’entrainement avec plusieurs couches cachée ........................... 53
3.3.3. Résultats de l’entrainement avec plusieurs couches et un algorithme différent55
3.3.4. Comparaison entre les trois modèle ................................................................ 57
3.4. Implémentation du modèle avec le package « nnet » ..................................................... 58
3.4.1. Présentation du package .................................................................................. 58
3.4.2. Division des données en train et test ............................................................... 58
3.4.3. La fonction d’entrainement « nnet » ............................................................... 58
3.4.4. La fonction de prédiction « predict » ............................................................... 59
3.5. Discussion des résultats obtenus avec le package « nnet » ............................................. 59
3.5.1. Résultats de l’entrainement avec un neurone dans la couche cachée ............ 59
3.5.2. Résultats de l’entrainement avec 5 neurones dans la couche cachée ............ 61
3.5.3. Résultats de l’entrainement avec 10 neurones dans la couche cachée .......... 62
3.5.4. Résumé des résultats obtenus ......................................................................... 63
4. Résultat qui n’a pas abouti ....................................................................................................... 63
Conclusion ............................................................................................................... 64
Conclusion générale ......................................................................................................................... 65
Références ............................................................................................................. 66Côte titre : MAI/0231 En ligne : https://drive.google.com/file/d/13GrFbqf9kQujgX7ql_Svx-UaccIjDrFr/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0231 MAI/0231 Mémoire Bibliothéque des sciences Français Disponible
DisponibleTrafic et performances des réseaux multi-services :Ingénierie de la QoS / Michel Priem
Titre : Trafic et performances des réseaux multi-services :Ingénierie de la QoS Type de document : texte imprimé Auteurs : Michel Priem ; Jean-Michel Drouffe Editeur : Paris : Lavoisier Année de publication : 2004 Importance : 1 vol. (237 p.) Présentation : ill. Format : 24 cm ISBN/ISSN/EAN : 978-2-7462-0903-9 Langues : Français (fre) Catégories : Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
La complexité des tâches de conception d'architecture, de dimensionnement et d'optimisation de réseaux est, en grande partie, due à l'aspect dynamique du trafic. Les technologies dites à QoS (Quality of Service) étudiées dans cet ouvrage permettent de gérer les différents types de trafic en fonction de leurs exigences respectives et de construire des réseaux tout en optimisant l'utilisation des tuyaux et des équipements.
Ce livre dresse un catalogue des outils issus de la théorie des files d'attentes utilisables concrètement par l'ingénieur, et analyse une dizaine de cas d'applications typiques au moyen du logiciel de simulation Tempus.
Cet ouvrage permet enfin d'appréhender les aspects dynamiques des réseaux, de comprendre les interdépendances entre trafic, dimensionnement et performances du réseau, d'acquérir les démarches de modélisation et de simulation de réseaux et de mieux appréhender les mécanismes élémentaires de la QoS et ses stratégies applicables.Note de contenu :
Sommaire
Introduction
Problématique, démarche et outils
La modélisation
Simulation par événements discrets
Contrôle de trafic et contrôle de congestion
Présentation de l'outil de simulation par événements discrets Tempus
Études de cas
Conclusion
AnnexesCôte titre : Fs/9517-9520 Trafic et performances des réseaux multi-services :Ingénierie de la QoS [texte imprimé] / Michel Priem ; Jean-Michel Drouffe . - Paris : Lavoisier, 2004 . - 1 vol. (237 p.) : ill. ; 24 cm.
ISBN : 978-2-7462-0903-9
Langues : Français (fre)
Catégories : Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
La complexité des tâches de conception d'architecture, de dimensionnement et d'optimisation de réseaux est, en grande partie, due à l'aspect dynamique du trafic. Les technologies dites à QoS (Quality of Service) étudiées dans cet ouvrage permettent de gérer les différents types de trafic en fonction de leurs exigences respectives et de construire des réseaux tout en optimisant l'utilisation des tuyaux et des équipements.
Ce livre dresse un catalogue des outils issus de la théorie des files d'attentes utilisables concrètement par l'ingénieur, et analyse une dizaine de cas d'applications typiques au moyen du logiciel de simulation Tempus.
Cet ouvrage permet enfin d'appréhender les aspects dynamiques des réseaux, de comprendre les interdépendances entre trafic, dimensionnement et performances du réseau, d'acquérir les démarches de modélisation et de simulation de réseaux et de mieux appréhender les mécanismes élémentaires de la QoS et ses stratégies applicables.Note de contenu :
Sommaire
Introduction
Problématique, démarche et outils
La modélisation
Simulation par événements discrets
Contrôle de trafic et contrôle de congestion
Présentation de l'outil de simulation par événements discrets Tempus
Études de cas
Conclusion
AnnexesCôte titre : Fs/9517-9520 Exemplaires (4)
Code-barres Cote Support Localisation Section Disponibilité Fs/9517 Fs/9517-9520 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9518 Fs/9517-9520 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9519 Fs/9517-9520 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9520 Fs/9517-9520 livre Bibliothéque des sciences Français Disponible
DisponibleTraitement et analyse des images numériques / Stéphane Bres
Titre : Traitement et analyse des images numériques Type de document : texte imprimé Auteurs : Stéphane Bres ; J. Anthony Seibert ; Frank Lebourgeois Editeur : Paris : Lavoisier Année de publication : 2003 Importance : 1 vol. (210p.) Présentation : ill. Format : 24 cm ISBN/ISSN/EAN : 978-2-7462-0741-7 Langues : Français (fre) Catégories : Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
L'image est devenue le support principal de l'information. Le traitement des images fixes ou animées est par conséquent un domaine de recherche en pleine expansion et aux applications toujours plus nombreuses.
Cet ouvrage présente ce qu'est le traitement d'images de façon théorique et pratique, à travers les approches signal, statistiques, fonctionnelle, géométrique et ensembliste. On y retrouve les modèles les plus couramment utilisés pour décrire ce qu'est une image, ainsi que les méthodes de traitement et d'analyse qui découlent de ces modèles : amélioration d'images, restauration, seuillage, détection de contours et recherche de régions. Le cas particulier des images binaires est traité, et plus particulièrement les aspects codage et morphologie mathématique, ainsi que le problème de la comparaison d'images. De nombreux exemples, images et diagrammes, étayent le propos.Note de contenu :
Sommaire
Introduction générale
Les grands domaines
Un peu d'histoire
De l'image à la décision
Et la méthodologie
D'autres lectures
Modélisation
L'approche fréquentielle
Le modèle statistique
La multirésolution
Le modèle différentiel
Le modèle ensembliste : la morphologie mathématique
Traitement
Amélioration
Restauration
Analyse : de l'image aux primitives
Segmentation : principes et notions d'indices visuels
Seuillage
Étiquetage contextuel : la relaxation
Détection de contours
Détection de frontières et d'éléments particuliers
Recherche de régions
Analyse de texture
L'approche de la classification
Les images binaires
Construction d'une image binaire
Géométrie des images binaires
Codage des images binaires
La morphologie mathématique appliquée aux images binaires
La comparaison d'images
De l'image à la similarité
Des primitives à la similarité
Similarité entre deux ensembles de points
Similarité entre histogrammes
Fusion de similarité
Amélioration de similarité
ConclusionCôte titre : Fs/9567-9568 Traitement et analyse des images numériques [texte imprimé] / Stéphane Bres ; J. Anthony Seibert ; Frank Lebourgeois . - Paris : Lavoisier, 2003 . - 1 vol. (210p.) : ill. ; 24 cm.
ISBN : 978-2-7462-0741-7
Langues : Français (fre)
Catégories : Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
L'image est devenue le support principal de l'information. Le traitement des images fixes ou animées est par conséquent un domaine de recherche en pleine expansion et aux applications toujours plus nombreuses.
Cet ouvrage présente ce qu'est le traitement d'images de façon théorique et pratique, à travers les approches signal, statistiques, fonctionnelle, géométrique et ensembliste. On y retrouve les modèles les plus couramment utilisés pour décrire ce qu'est une image, ainsi que les méthodes de traitement et d'analyse qui découlent de ces modèles : amélioration d'images, restauration, seuillage, détection de contours et recherche de régions. Le cas particulier des images binaires est traité, et plus particulièrement les aspects codage et morphologie mathématique, ainsi que le problème de la comparaison d'images. De nombreux exemples, images et diagrammes, étayent le propos.Note de contenu :
Sommaire
Introduction générale
Les grands domaines
Un peu d'histoire
De l'image à la décision
Et la méthodologie
D'autres lectures
Modélisation
L'approche fréquentielle
Le modèle statistique
La multirésolution
Le modèle différentiel
Le modèle ensembliste : la morphologie mathématique
Traitement
Amélioration
Restauration
Analyse : de l'image aux primitives
Segmentation : principes et notions d'indices visuels
Seuillage
Étiquetage contextuel : la relaxation
Détection de contours
Détection de frontières et d'éléments particuliers
Recherche de régions
Analyse de texture
L'approche de la classification
Les images binaires
Construction d'une image binaire
Géométrie des images binaires
Codage des images binaires
La morphologie mathématique appliquée aux images binaires
La comparaison d'images
De l'image à la similarité
Des primitives à la similarité
Similarité entre deux ensembles de points
Similarité entre histogrammes
Fusion de similarité
Amélioration de similarité
ConclusionCôte titre : Fs/9567-9568 Exemplaires (2)
Code-barres Cote Support Localisation Section Disponibilité Fs/9567 Fs/9567-9568 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9568 Fs/9567-9568 livre Bibliothéque des sciences Français Disponible
DisponibleLe Traitement des images / Henri Maitre
PermalinkPermalinkTraitement de l’information:Cours et problèmes / Martin M Lipschutz
PermalinkTurbo pascal pour Windows / Michael Tichael
PermalinkUbuntu Linux : création, configuration et gestion d'un réseau local d'entreprise (BTS, DUT informatique) / Sébastien Bobillier
PermalinkDe UML Ã Java / Debrauwer, Laurent.
PermalinkUML / LAI,Michel
PermalinkUML / Michel Lai
PermalinkUML / Rémy Fannader
PermalinkUML :Principes de modélisation / Rémy Fannader
PermalinkUnix / Dave Taylor
PermalinkUnix / Evi Nemeth
PermalinkUnix / Harald Hahn
PermalinkUnix initiation et utilisation / Jean Paul Armspach
PermalinkUnix et les systèmes d’exploitation / Michel Divay
PermalinkPermalinkPermalinkPermalinkUtilisation des approches heuristiques pour l'optimisation et la séléction des paramétres d'un réseau ad-hoc / Harrag, Nassir
PermalinkUtilisation des automates cellulaire pour le traitement d’images à niveaux de gris / Hadjadj ,Sacia
PermalinkPermalinkVB Script / Keith Brophy
PermalinkVBA Access 2010:Maîtrisez la programmation sous Access : cours, exercices et corrigés / Michèle Amelot
PermalinkVBA Access 2013 : créez des applications professionnelles / Amelot, Michèle
PermalinkVBA pour Excel 2003 / John Walkenbac
PermalinkLes Virus informatiques / Dominique Laloux
PermalinkLes Virus informatiques :Théorie, pratique et applications / Éric Filiol
PermalinkPermalinkVisual basic 2005 / Nilles,Gilles
PermalinkVisual basic 2005 VB.Net / Thierry Grossaard
PermalinkVisual basic 4 / Michael Regelski
PermalinkVisual Basic 6 / Gérard Frantz
PermalinkVisual Basic .net:En 21 jours / Duncan Mackenzle
PermalinkVisual Basic .NET / Mansfied,Richard
PermalinkVisual C++6 / Ivor Horton
PermalinkVMware vSphere 4 :Mise en place d'une infrastructure virtuelle / MAILLE,Eric
PermalinkVolume 1. Panorama de l'intelligence artificielle : ses bases méthodologiques, ses développements Volume 1, Représentation des connaissances et formalisation des raisonnements / Pierre Marquis
PermalinkVolume 2. Panorama de l'intelligence artificielle : ses bases méthodologiques, ses développements Volume 2, Algorithmes pour l'intelligence artificielle / Pierre Marquis
PermalinkVolume 3. Panorama de l'intelligence artificielle : ses bases méthodologiques, ses développements Volume 3, L'intelligence artificielle : frontières et applications / Pierre Marquis
PermalinkVotre Gestion avec Basic / Guy Ladevie
PermalinkLes VPN / Rafael Corvalan
PermalinkWeb-based clinical decision support systems using artificial intelligent methods for medical diagnosis / Maroua Oum El Kheir Berzig
PermalinkWindows server 2008 v2 / Russe,Charlie
PermalinkWord 97 / Ulrich Matthey
PermalinkWord pour Windows 95 / PERSON,Ron
Permalink