La data science pour modéliser les systèmes complexes : optimiser la prédiction, l'estimation et l'interprétation

Auteur(s) :

Chautard, Alain Découvrir l'auteur

Résumé

Présentation des enjeux de la data science, qui permet d'utiliser les données à des fins de prévision, de pronostic ou d'aide à la décision. En s'appuyant sur trois cas concrets représentatifs que sont le phénomène naturel, la gestion de projet et la biologie, l'auteur décrit comment exploiter les données de systèmes complexes afin de construire des modèles prédictifs performants et exploitables.

Éditeur(s)
- Dunod
Date
- DL 2022
Langues
- Français
Description matérielle
- 1 vol. (IX-210 p.) : ill., tabl., graph. ; 24 cm
Collections
- Technique et ingénierie
Sujet(s)
ISBN
- 978-2-10-083087-9
Indice
- 681.7 Intelligence artificielle, systèmes experts
Quatrième de couverture
- La data science pour modéliser les systèmes complexes
  Optimiser la prédiction, l'estimation et l'interprétation
  La data science est devenue un outil de prévision et d'aide à la décision indispensable aux ingénieurs, aux chercheurs et aux responsables en charge de la gestion des projets et des processus. Toutefois, son application à des systèmes complexes exige de dépasser les méthodes linéaires de modélisation généralement appliquées. En effet, si ces méthodes fonctionnent dans la plupart des environnements, elles présentent d'importants biais dès lors que l'on a affaire à des systèmes complexes (météorologie, physique non linéaire, économétrie, finance, etc.).
  En s'appuyant sur trois cas concrets représentatifs (environnement physique, marchés financiers, gestion de projet), cet ouvrage illustre comment exploiter les données de systèmes complexes pour construire des modèles maîtrisables, exploitables et performants en termes de prédiction, d'estimation et d'interprétation. Il offre une réflexion globale sur les spécificités des systèmes complexes ainsi que des outils concrets pour mieux les interpréter.
  Points forts
  
  Un ouvrage s'attachant aux systèmes complexes et non linéaires, plus difficiles à modéliser
  
  Des méthodes de modélisation permettant une réduction des coûts et une augmentation de la robustesse des résultat :
  
  Une approche transverse de la data science (physique, ingénierie, économie, sciences sociales...)
  
  Contenu de l'ouvrage
  
  Complexité et système complexe
  
  Méthode d'approche systémique
  
  Modélisation d'environnement physique
  
  Modèle comportemental des marchés financiers
  
  Modèle statistique de la réponse à appel d'offres et de la gestion de projets
Tables des matières
- - La data science pour modéliser les systèmes complexes
  - Optimiser la prédiction, l'estimation et l'interprétation
  - Alain Chautard
  - Dunod
  - Introduction 1
  - I.1 Ingénierie des systèmes et gestion de la complexité1
  - I.1.1 Une culture de la complexité3
  - I.1.2 Une approche systémique de la complexité3
  - I.1.3 La modélisation5
  - I.1.4 L'algorithmie5
  - I.1.5 La data visualisation et l'ergonomie6
  - I.1.6 L'intelligence artificielle6
  - I.2 Présentation de l'ouvrage6
  - 1 Data science : histoire et méthodes
  - 1 La data science 11
  - 1.1 Définition11
  - 1.2 Principaux algorithmes utilisés13
  - 1.3 Application des méthodes d'apprentissage aux cas retenus15
  - 1.3.1 Estimateurs de Davidoff16
  - 1.3.2 Estimation par les moments de la loi du Logarithme17
  - 2 Complexité et système complexe 21
  - 2.1 Complexité et systèmes complexes21
  - 2.2 Brève histoire de la complexité23
  - 2.3 Mesurer la complexité25
  - 2.3.1 Complexité et science26
  - 2.3.2 Complexité et industrie26
  - 3 Méthode d'approche systémique 27
  - 3.1 Exposé de la méthode27
  - 3.2 Savoirs associés30
  - 3.3 Exemple d'application de la méthode d'approche systémique31
  - 3.3.1 Cadrage31
  - 3.3.2 Veille technologique et raisonnement analogique31
  - 3.3.3 Analyse expérimentale32
  - 3.3.4 Modèle de contamination dans un réseau de degré moyen Z [13]32
  - 3.3.5 Modèle d'Ising sur réseau aléatoire de degré z33
  - 3.3.6 Modèle systémique de conduite du changement34
  - 3.3.7 Exploitation34
  - 3.4 Conclusion35
  - 4 Modéliser un système 37
  - 4.1 Ingénierie des systèmes et modélisation37
  - 4.1.1 Qu'est-ce que la modélisation ?38
  - 4.1.2 Types de modélisations38
  - 4.2 Objectifs d'un modèle39
  - 4.3 Modèles systémiques et modèles empiriques40
  - 4.4 Étapes de construction d'un modèle41
  - 4.5 Niveaux de complexité d'un modèle42
  - 4.6 La simulation numérique42
  - 5 Introduction aux cas d'études décrits 45
  - 5.1 Domaines d'application possibles45
  - 5.2 Modélisation d'environnements de systèmes46
  - 5.3 Modélisation d'une série temporelle49
  - 5.4 Contrôle statistique de processus en entreprise49
  - 5.4.1 Définition et application49
  - 5.4.2 Utilisation du contrôle statistique50
  - 5.4.3 Méthode d'implémentation51
  - 5.4.4 Généralisation à l'ensemble des processus52
  - 5.4.5 Un contrôle statistique est un processus de commande53
  - 5.4.6 La commande « optimale » est la commande adaptative54
  - 5.5 Choix des applications57
  - 2 Cas d'études
  - 6 Modélisation d'environnement physique : système radar 63
  - 6.1 Poser le problème63
  - 6.1.1 Des enjeux scientifiques majeurs63
  - 6.1.2 Méthodes linéaires et non linéaires64
  - 6.1.3 Application au radar naval65
  - 6.2 Méthode de travail69
  - 6.3 Modèle physique de la surface de la mer70
  - 6.4 État de surface de la mer73
  - 6.5 Rétrodiffusion à faible incidence75
  - 6.6 Calcul du coefficient de rétrodiffusion78
  - 6.6.1 Forme du coefficient de rétrodiffusion78
  - 6.6.2 Relations entre spectre, loi des pentes et densité du signal78
  - 6.6.3 Validation du coefficient de rétrodiffusion80
  - 6.6.4 Correspondances entre les lois de probabilité usuelles pour le fouillis de mer87
  - 6.6.5 Relation entre la haute et la basse résolution radar89
  - 6.7 Application90
  - 6.7.1 Fusion de données91
  - 6.7.2 Outils93
  - 6.7.3 Domaines d'applications93
  - 6.7.4 Fusion de données et surveillance de la terre93
  - 6.7.5 Autres applications95
  - 7 Modèle comportemental des marchés financiers 99
  - 7.1 Principes99
  - 7.2 Mesures sur l'historique des krachs financiers101
  - 7.2.1 Instationnarité des indicateurs101
  - 7.2.2 Loi des pentes102
  - 7.2.3 Construction de l'analogie103
  - 7.2.4 Étude des krachs du XX^e siècle103
  - 7.2.5 Justification théorique105
  - 7.3 Résultats de la batterie d'outils multidisciplinaires106
  - 7.4 Justifications théoriques107
  - 7.5 Proposition d'un modèle statistique108
  - 7.6 Conclusion - application110
  - 8 Pilotage du projet : généralités 111
  - 8.1 Pilotage de projet111
  - 8.2 Méthode112
  - 8.3 Cycle de vie113
  - 8.4 Performances du pilotage des projets114
  - 8.5 Maturité des entreprises en pilotage de projet114
  - 8.6 Modèle dynamique de projet117
  - 8.7 Processus projet120
  - 9 Modèle statistique de la réponse à appel d'offres 125
  - 9.1 Principe125
  - 9.2 Probabilité de captation de marché127
  - 9.2.1 Modèle127
  - 9.2.2 Mesures expérimentales129
  - 9.2.3 Estimation d'un intervalle de confiance sur ce type de loi130
  - 9.3 Demande ou Income de l'entreprise131
  - 9.3.1 Modèle131
  - 9.3.2 Mesures et validation133
  - 9.4 Application137
  - 9.4.1 Contrôle statistique de processus des offres137
  - 10 Modèle financier de structuration de projet 141
  - 10.1 Principes141
  - 10.2 Rappel de vocabulaire143
  - 10.3 Répartition des affaires144
  - 10.4 Répartition des lots145
  - 10.5 Fonction de corrélation146
  - 10.6 Loi de cascade148
  - 10.7 Loi de corrélation ou des métiers152
  - 10.8 Justification de la loi des métiers154
  - 10.8 Fluctuation statistique de la loi des métiers157
  - 10.9 Applications158
  - 11 Modèle de planification de projet 161
  - 11.1 Principe et méthode161
  - 11.2 Modèle de courbe de projet163
  - 11.3 Justification du modèle168
  - 11.4 Estimation des paramètres du modèle171
  - 11.4.1 Relation entre EAC et durée de réalisation171
  - 11.5 Applications178
  - 11.5.1 Amélioration du calcul des indicateurs d'EVM179
  - 11.5.2 Prédiction du comportement du projet dans le temps180
  - 11.5.3 Support aux offres et avancement projet180
  - 12 Modèle d'avancement de projet 183
  - 12.1 Principes183
  - 12.2 Choix d'un indicateur de dérives185
  - 12.3 Mesure de H indicateur de dérive186
  - 12.4 Hypothèse de maturité188
  - 12.5 Modèle « balistique » du projet189
  - 12.6 Modèle de maturité191
  - 12.7 Application : contrôle statistique de processus192
  - Conclusion 197
  - Bibliographie 203
  - Index 209
Origine de la notice:
- BPI