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 XXe 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