- Page 1: Algorithme de Kohonen :classificati
- Page 5 and 6: Extraction d’individus types :Qua
- Page 7 and 8: Algorithme Probabiliste associé (S
- Page 9 and 10: Analyse de données : introductionA
- Page 11: L'algorithme Il s’agit d’un alg
- Page 14 and 15: Structure hexagonale
- Page 16 and 17: Notations (Kohonen, ou SOM) Espace
- Page 18 and 19: iFonctions de voisinage σi 0
- Page 20 and 21: AvantExemple : une étapeObservatio
- Page 22 and 23: Exemples de simulations (Kohonen)
- Page 24 and 25: Adaptatif (Ritter et Schulten)
- Page 26 and 27: Compléments diversExemples et illu
- Page 28 and 29: Fonction voisinage (Letremy)
- Page 30 and 31: Cortex sensoriel
- Page 32 and 33: Tête d’homonculus (Anderson, Pen
- Page 34 and 35: En 3 D (Kohonen)
- Page 36 and 37: Sélection de dimension (Kohonen)
- Page 38 and 39: Problème de papillon
- Page 40 and 41: Somme des carrés intra (rappel) L
- Page 42 and 43: Mosaïque de Voronoï Dans l ’esp
- Page 44 and 45: Points fixes de l’ODE Si l’algo
- Page 46 and 47: L’algorithme batch Si N →∞, s
- Page 48 and 49: Comparaison sur données simulées
- Page 50 and 51: lgorithme on-line SOM pour des donn
- Page 52 and 53:
lgorithme on-line SOM pour des donn
- Page 54 and 55:
Cartes de Kohonen : Classification
- Page 56 and 57:
Classes et distances Comme le nombr
- Page 58 and 59:
Un exemple : recensements de 1783co
- Page 60 and 61:
ACP sur les communes(88% sur les ax
- Page 62 and 63:
ACP(Données corrigées par le Chi-
- Page 64 and 65:
1783 communes classées en 64 class
- Page 66 and 67:
Contenus des super-classes Classe 1
- Page 68 and 69:
Les quatre premiers recensements
- Page 70 and 71:
Autre représentation
- Page 72 and 73:
Qualités de la classificationDL PO
- Page 74 and 75:
Ficelle à 5 classes
- Page 76 and 77:
Par département
- Page 78 and 79:
Un exemple : 96 pays en 1996ANCRX C
- Page 80 and 81:
Analyse en Composantes Principales
- Page 82 and 83:
Exemple : Carte de Kohonen
- Page 84 and 85:
Vecteurs-codes, contenus des classe
- Page 86 and 87:
Croisement avec la variable qualita
- Page 88 and 89:
Inflation le long de la grille
- Page 90 and 91:
Classement des observations avecdon
- Page 92 and 93:
Données corrigées (logarithmes)
- Page 94 and 95:
Classification, données corrigées
- Page 96 and 97:
Exemple : la consommation des foyer
- Page 98 and 99:
Croisement avec une variable qualit
- Page 100 and 101:
Croisement avec une variable qualit
- Page 102 and 103:
Analyse des relations entre modalit
- Page 104 and 105:
Un exemple Tiré de « Statistique
- Page 106 and 107:
ACM modalités, deux axes
- Page 108 and 109:
Super classes pour les modalités
- Page 110 and 111:
Modalité famille 1 et 2
- Page 112 and 113:
Tableau disjonctif completQ1_1 Q1_2
- Page 114 and 115:
Analyse du tableau disjonctif compl
- Page 116 and 117:
ACM (Modalités et individus)
- Page 118 and 119:
KACM1
- Page 120 and 121:
KACM2
- Page 122 and 123:
Valeurs tests pour KACM2SEXE C1 C2
- Page 124 and 125:
Tableau corrigé On utilise la dist
- Page 126 and 127:
KDISJ (suite) Quand on tire une mod
- Page 128 and 129:
KDISJ
- Page 130 and 131:
Autre exemple : ANPE Demandeurs d
- Page 132 and 133:
KACM : les modalités
- Page 134 and 135:
KACM1 : individus + modalités
- Page 136 and 137:
Analyse de données : introductionA
- Page 138 and 139:
Conclusion Facilité de travail ave
- Page 140 and 141:
Kohonen et Classification Les algor
- Page 142 and 143:
Les données : SAVING Source : Bels
- Page 144 and 145:
SAVING 5-5 500000000KACFASACPACPACP
- Page 146 and 147:
Fonction epsilon (Letremy)1-ε(t)
- Page 148 and 149:
Cortex sensoriel (Kohonen)
- Page 150 and 151:
Homonculus (Anderson, Penfield andB
- Page 152 and 153:
Résumé des choix à faire Nb de c
- Page 154 and 155:
Les sorties obtenues(KFAST, KACP, K
- Page 156:
Traitement des données manquantes