+++ /dev/null
-\input{startdoc.tex}
-
-\usepackage{tikz}
-\usepackage{array}
-
-\usepackage[utf8]{inputenc}
-\usepackage{amsmath, amsfonts}
-%\usepackage[francais]{babel}
-\usepackage{hyperref, url, caption, tikz}
-\usepackage{xwrapfig}
-%\usepackage{graphicx}
-%\hypersetup{colorlinks,linkcolor=black,urlcolor=violet}
-
-\mode<presentation>{
- \setbeamertemplate{sections/subsections in toc}[square]
- \beamertemplatenavigationsymbolsempty
-}
-
-%\newcommand{\N}{\mathbb{N}} % naturals
-\newcommand{\set}[1]{\lbrace#1\rbrace} % set
-%\newcommand{\R}{\mathbb{R}} % real
-
-\colorlet{darkred}{red!80!black}
-\colorlet{darkblue}{blue!80!black}
-\colorlet{darkgreen}{green!60!black}
-
-\usetikzlibrary{calc,decorations.pathmorphing,patterns}
-\pgfdeclaredecoration{penciline}{initial}{
- \state{initial}[width=+\pgfdecoratedinputsegmentremainingdistance,
- auto corner on length=1mm,]{
- \pgfpathcurveto%
- {% From
- \pgfqpoint{\pgfdecoratedinputsegmentremainingdistance}
- {\pgfdecorationsegmentamplitude}
- }
- {% Control 1
- \pgfmathrand
- \pgfpointadd{\pgfqpoint{\pgfdecoratedinputsegmentremainingdistance}{0pt}}
- {\pgfqpoint{-\pgfdecorationsegmentaspect
- \pgfdecoratedinputsegmentremainingdistance}%
- {\pgfmathresult\pgfdecorationsegmentamplitude}
- }
- }
- {%TO
- \pgfpointadd{\pgfpointdecoratedinputsegmentlast}{\pgfpoint{1pt}{1pt}}
- }
- }
- \state{final}{}
-}
-%
-\tikzstyle{block} = [draw,rectangle,thick,minimum height=2em,minimum width=2em]
-
-%~ \usetikzlibrary{calc,decorations.pathmorphing,patterns}
-%~ \pgfdeclaredecoration{penciline}{initial}{
- %~ \state{initial}[width=+\pgfdecoratedinputsegmentremainingdistance,
- %~ auto corner on length=1mm,]{
- %~ \pgfpathcurveto%
- %~ {% From
- %~ \pgfqpoint{\pgfdecoratedinputsegmentremainingdistance}
- %~ {\pgfdecorationsegmentamplitude}
- %~ }
- %~ {% Control 1
- %~ \pgfmathrand
- %~ \pgfpointadd{\pgfqpoint{\pgfdecoratedinputsegmentremainingdistance}{0pt}}
- %~ {\pgfqpoint{-\pgfdecorationsegmentaspect
- %~ \pgfdecoratedinputsegmentremainingdistance}%
- %~ {\pgfmathresult\pgfdecorationsegmentamplitude}
- %~ }
- %~ }
- %~ {%TO
- %~ \pgfpointadd{\pgfpointdecoratedinputsegmentlast}{\pgfpoint{1pt}{1pt}}
- %~ }
- %~ }
- %~ \state{final}{}
-%~ }
-%~ %
-%~ \tikzstyle{block} = [draw,rectangle,thick,minimum height=2em,minimum width=2em]
-%~ \colorlet{darkred}{red!80!black}
-%~ \colorlet{darkblue}{blue!80!black}
-%~ \colorlet{darkgreen}{green!60!black}
-
-%\newcommand*\mystrut[1]{\vrule width0pt height0pt depth#1\relax}
-%http://tex.stackexchange.com/questions/13843/vertical-spacing-with-underbrace-command
-
-\title[Clustering de courbes de charge EDF]
-{Clustering de courbes de charge EDF%\\
-%Application à la prévision de la qualité de l'air
-\vspace*{0.5cm}}
-\author[Benjamin Auder, Jairo Cugliari]
-{Benjamin Auder \inst{1}\\[0.2cm]Jairo Cugliari \inst{2}\hspace*{0.6cm}\vspace*{1cm}}
-\date[]{}
-\institute[]{\inst{1} CNRS Orsay / Université Paris-Sud\hspace*{1.3cm} \and
-\inst{2} Laboratoire ERIC / Université Lumière Lyon 2}
-%~ \titlegraphic{
- %~ \includegraphics[width=2cm]{logo_eric.png}\hspace*{4.75cm}~%
- %~ \includegraphics[width=2cm]{logo_lyon2.jpg}
-%~ }
-
-\begin{document}
-
-\begin{frame}
-\vspace*{0.5cm}
-\titlepage
-\end{frame}
-
-\begin{frame}{Contexte industriel}
-
-\begin{columns}
-
-\column{0.5\textwidth}
-Smartgrid \& Smart meters : 35M compteurs individuels donnant de l'information en temps réel.\\[0.7cm]
-$\Rightarrow$ \textbf{Beaucoup} de données.\\[1cm]
-%\textcolor{white}{$\Rightarrow$} problèmes informatiques : protocoles de transfert, sécurité, \dots
-Comment les traiter ?
-
-\column{0.5\textwidth}
-\includegraphics[width = \textwidth]{smartgrid.jpg}\\
-\includegraphics[width = \textwidth]{linky.jpg}
-
-\end{columns}
-
-\end{frame}
-
-\begin{frame}{Des données variées, à différentes échelles}
-
-\begin{figure}[!ht] \centering
- \begin{minipage}[c]{0.48\textwidth}
- \includegraphics[width=\textwidth,height=3.45cm]{longtermload.png}
- \vspace*{-0.35cm}
-% \vspace*{-0.85cm}
- \caption{Tendance à long terme} %\label{fig:gull}
- \end{minipage}%
- ~ %spacing between images
- \begin{minipage}[c]{0.48\textwidth}
- \includegraphics[width=\textwidth,height=3.45cm]{twoyearsload.png}
- \vspace*{-0.35cm}
-% \vspace*{-0.85cm}
- \caption{Cyclicité semaine} % \label{fig:tiger}
- \end{minipage}
- ~\\[-0.05cm]
- \begin{minipage}[c]{0.48\textwidth}
- \includegraphics[width=\textwidth,height=3.45cm]{dailyloads.png}
- \vspace*{-0.35cm}
-% \vspace*{-0.85cm}
- \caption{Moyenne journalière} % \label{fig:mouse}
- \end{minipage}
- ~ %spacing between images
- \begin{minipage}[c]{0.48\textwidth}
- \includegraphics[width=\textwidth,height=3.45cm]{consotemp.png}
- \vspace*{-0.35cm}
-% \vspace*{-0.85cm}
- \caption{Conso. vs. température}
- \end{minipage}
-\end{figure}
-
-\end{frame}
-
-\begin{frame}{Découpage en tranches non stationnaires}
-
-Si $\exists \delta \ll D$, tel que les séries $\delta-$agrégées soient stationnaires,\\
-on les agrège et les traite comme des processus stationnaires.\\[0.3cm]
-
-\begin{columns}
- \column{6cm}
- \input{tikz/axis2}
- ~
- \column{5cm}
- \vspace*{-1cm}
- \[ Z_k(t) = X(t + (k-1)\delta) \]
- \[ k\in\N \;\;\; \forall t \in [0,\delta) \]
-\end{columns}
-
-\textbf{\emph{Mais...}}
-Une série temporelle représentant un phénomène complexe
-\textcolor{white}{\textbf{\emph{Mais...}} }est en général clairement non stationnaire.\\[0.5cm]
-
-$\Rightarrow$ On décide de tenir compte de chaque point de discrétisation.
-
-%Par exemple, la consommation électrique moyenne sur une semaine varie
-
-%~ \vfill
- %~ If $X$ contents a $\delta-$seasonal component,
- %~ $Z$ is particularly fruitful.
-
-%~ C'est pas vraiment notre cas : saisonnier à plusieurs echelles
-%~ ==> objectif : tout prendre en compte
-
-\end{frame}
-
-\begin{frame}{Réduction de dimension}
-
-Données enregistrées toutes les 30 minutes pendant un an :\\
-$48 \times 365 =$ \textbf{17520 points de discrétisation}.\\[0.3cm]
-
-\vspace*{-0.4cm}
-\begin{figure}[!ht]
-\centering
-\includegraphics[width=\textwidth,height=5.5cm]{3centers.png}
-\vspace*{-0.35cm}
-%\vspace*{-0.95cm}
-\caption{Trois types de courbes de charge \emph{(données irlandaises)}}% présentant différents régimes}%{[Spoiler] Cinq centres de clusters}
-\end{figure}
-
-\vspace*{-0.3cm}
-$\Rightarrow$ Il faut déterminer une représentation parcimonieuse, capturant\\
-\textcolor{white}{$\Rightarrow$ }bien les variations localisées. On choisit une base d'ondelettes.\\[0.5cm]
-%TODO: placer l'equation puis sa version discrète.
-
-\end{frame}
-
-\begin{frame}{Wavelets to cope with \textsc{fd}}
-
-\begin{columns}
- \column{.6\textwidth}
- %\begin{figure}
- \centering
- \includegraphics[width = \textwidth]{./pics/weekly-5.png}
- % * * * * * * * * * * * * * * * * * * *
- \column{.4\textwidth}
-\begin{footnotesize}
-\begin{itemize}
- \item domain-transform technique for hierarchical decomposing finite energy signals
- \item description in terms of a broad trend (\textcolor{PineGreen}{approximation part}), plus a set of localized changes kept in the \textcolor{red}{details parts}.
-\end{itemize}
-\end{footnotesize}
-\end{columns}
-
-\vspace*{-0.1cm}
-\begin{block}{Discrete Wavelet Transform }
-\begin{footnotesize}
- If $z \in L_2([0, 1])$ we can write it as
- \vspace*{-0.4cm}
- \begin{equation*}\label{eq:zeta}
- z(t) = \sum_{k=0}^{2^{j_0}-1} \textcolor{PineGreen}{c_{j_0, k}} \phi_{j_0,k} (t) +
- \sum_{j={j_0}}^{\infty}
- \sum_{k=0}^{2^j-1} \textcolor{red}{d_{j,k}} \psi_{j,k} (t) ,
- \end{equation*}
-%
-~\\[-0.6cm]
-where $ c_{j,k} = <g, \phi_{j,k} > $, $ d_{j,k} = <g, \varphi_{j,k}>$ are the
-\textcolor{PineGreen}{scale coefficients} and \textcolor{red}{wavelet coefficients} respectively, and the functions $\phi$ et $\varphi$ are associated to a orthogonal \textsc{mra} of $L_2([0, 1])$.
-\end{footnotesize}
-\end{block}
-\end{frame}
-
-%---------------------------------------- SLIDE ---------------------
-
-\begin{frame}{Energy decomposition of the DWT}
-
-\begin{block}{ }
- \begin{itemize}
- \item Energy conservation of the signal
-\vspace*{-0.15cm}
- \begin{equation*}\label{eq:energy}
- \| z \|_H^2 \approx \| \widetilde{z_J} \|_2^2
- = c_{0,0}^2 + \sum_{j=0}^{J-1} \sum_{k=0}^{2^j-1} d_{j,k} ^2 =
- c_{0,0}^2 + \sum_{j=0}^{J-1} \| \mathbf{d}_{j} \|_2^2.
- \end{equation*}
-% \item characterization by the set of channel variances estimated at the output of the corresponding filter bank
- \item For each $j=0,1,\ldots,J-1$, we compute the absolute and
- relative contribution representations by
-\vspace*{-0.15cm}
- \[ \underbrace{\hbox{cont}_j = ||\mathbf{d_j}||^2}_{\fbox{AC}}
- \qquad \text{and} \qquad
- \underbrace{\hbox{rel}_j =
- \frac{||\mathbf{d_j}||^2}
- {\sum_j ||\mathbf{d_j}||^2 }}_{\fbox{RC}} .\]
- \item They quantify the relative importance of the scales to the global dynamic.
-% \item Only the wavelet coefficients $\set{d_{j,k}}$ are used.
- \item RC normalizes the energy of each signal to 1.
-\end{itemize}
-\end{block}
-\end{frame}
-
-%===========================================================================================
-% fin de l'intro...
-%===========================================================================================
-
-\begin{frame}{Objectif}
-
-\begin{figure}[!ht]\centering
- \includegraphics[width = \textwidth]{pics/schema.png}
-%\caption{Hierarchical structure of $N$ individual clients among $K$ groups.}\label{fig:schema-hier}
-\end{figure}
-
-Regroupement par tarifs, zones géographiques, types de clients \dots\\[0.3cm]
-
-$\Rightarrow$ \textbf{Idée} : clustering pour déterminer ces groupes.\\[0.3cm]
-
-\textcolor{white}{$\Rightarrow$ }\textbf{Méthode} : paralléliser un algorithme classique.
-
-%~ functional clustering
-%~ wavelets to reduce dimension
-%~ open MPI to cluster a bounded number of vectors at a time
-
-\end{frame}
-
-\begin{frame}{Fonction objectif}
-
-On cherche à minimiser la distorsion
-$$\Delta = \sum_{i=1}^{n} \min_{k=1..K} \| x_i - c_k \|_2^{}$$
-avec pour variables les $\{c_1,\dots,c_K\} \subset \{x_1,\dots,x_n\}, c_i \neq c_j \, \forall i \neq j$.\\[0.3cm]
-
-C'est un problème NP-dur {\footnotesize (O. Kariv \& S. L. Hakimi, \emph{An Algorithmic Approach to Network Location Problems. II: The p-Medians})}.\\[0.1cm]
-%SIAM J. Appl. Math., 37(3), 539–560. (22 pages)
-%~ C'est-à-dire :
-%~ \begin{itemize}
-%~ \item Soit $P$ le problème de décision associé : $P(c_1,\dots,c_k) = 1$ si $(c_1,\dots,c_k)$ est optimal, 0 sinon.
-%~ \item Soit $C$ un problème de décision bien connu comme étant NP-complet
-%~ \item Il existe un algorithme ...
-%~ \end{itemize}
-
-Pire : garantir un facteur $(1+\varepsilon)$ de l'optimum est NP-dur
-{\footnotesize (J-H. Lin \& J. S. Vitter $\varepsilon$-Approximations with Minimum Packing Constraint Violation)}.\\[0.2cm]%(Extended Abstract)
-
-\begin{block}{NP : ``Non-deterministic Polynomial-time algorithms''}
-{\footnotesize Exécution en temps polynomial sur une machine de Turing non déterministe.}
-\end{block}
-
-\begin{block}{NP-dur}
-``Au moins aussi dur que le plus complexe des problèmes NP''
-\end{block}
-
-%~ Tous les algorithmes existants déterminant les $c_k$ sont donc des heuristiques d'approximation
-%~ ...et parler de la parallélisation ??! donc 16 slides au total.
-%NP-complet : c'est à dire... expliquer.
-%Algos existants = heuristiques pr s'approcher de l'optimum (d'un...)
-
-\end{frame}
-
-\begin{frame}{Algorithme PAM}
-
-%PAM : montrer algo, dire comment on parallélise naïvement
-
-\begin{enumerate}
-\setcounter{enumi}{-1}
-\item Initialize: randomly select (without replacement) $K$ of the $n$ data points as the medoids.
-\item Associate each data point to the closest medoid. (``closest'' here is defined using any valid distance metric, most commonly Euclidean distance, Manhattan distance or Minkowski distance).
-\item For each medoid $m$\\
-\quad For each non-medoid data point $o$ \emph{in the same cluster}\\
-\quad\quad Swap $m$ and $o$ and compute the total cost.
-\item Select the configuration with the lowest cost.\\
-If any change occurred in the medoids, go to step 1.
-\end{enumerate}
-
-\begin{block}{Réduire le coût des étapes 2 et 3 ?}
-\begin{itemize}
-\item Dans R, pam(do.swap=FALSE) supprime les étapes 2 et 3.
-\item A. P. Reynolds et al. (2006) : quelques astuces algorithmiques.
-\end{itemize}
-\end{block}
-
-\end{frame}
-
-\begin{frame}{Parallélisation}
-
-\begin{block}{Deux approches (entre autres)}
-\begin{itemize}
-\item Découpage de l'espace en $Z < K$ zones, et recherche de $K/Z$ clusters dans chaque zone.
-\item Partition des données $P_1,\dots,P_Z$ puis clustering à $K$ groupes dans chaque $P_k$.
-(Puis ``fusion'' des médoïdes).
-\end{itemize}
-\end{block}
-
-~\\[-0.1cm]
-{\footnotesize
-Choix de la seconde alternative et implémentation avec OpenMPI :
-\begin{enumerate}
-\setcounter{enumi}{-1}
-\item Le processus ``maître'' a pour numéro 0. Il divise les données en sous-ensembles de cardinal au plus
-$C$ ($C = 5000$ par exemple). Il envoie ensuite une tâche de clustering par sous-ensemble, et attend les résultats.
-\item Chaque processus ``esclave'' (numérotés de 1 à $p-1$) reçoit une liste de (références de) courbes, qu'il récupère
-et classe via l'algorithme PAM. Il retourne les centres au processus 0.
-\item Si on obtient plus de $C$ médoïdes, on recommence depuis l'étape 1. Sinon, on applique une dernière
-fois l'algorithme PAM (sur les médoïdes).
-\end{enumerate}
-}
-
-\end{frame}
-
-\begin{frame}{Exécution du programme}
-
-\vspace*{-0.5cm}
-\begin{figure}
-\includegraphics[width=\linewidth,height=8cm]{pics/screen_demo.png}
- %~ \vspace*{-0.35cm}
- %~ \caption{Groupe 1}
-\end{figure}
-
-\end{frame}
-
-\begin{frame}{Application I: Electricity Smart Meter CBT}
-
-%\footnotetext[1]{\textit{Irish Social Science Data Archive}, }
-
-\begin{itemize}
- \item 4621 Irish households smart meter data
- (\href{http://www.ucd.ie/issda/data/}{ISSDA})
- % eséries de consommation électrique de foyers irlandais
- \item About 25K discretization points
- \item We test with $K=$ 3 or 5 classes
- \item We compare sequential and parallel versions
-\end{itemize}
-
-\begin{table}[H]
-\centering
-\begin{tabular}{lcc} \hline
-% & & \\
- & Distortion & (Internal) adequacy \\ \hline
-3 clusters sequential & 1.90e7 & 0.90 \\
-3 clusters parallel & 2.15e7 & 0.90 \\
-5 clusters sequential & 1.61e7 & 0.89 \\
-5 clusters parallel & 1.84e7 & 0.89 \\ \hline
-\end{tabular}
-% \caption{Distorsions et indices d'adéquation des partitions}
-\end{table}
-
-\textbf{Adequacy :} given $P_1 = (i_1,\dots,i_n)$ and $P_2 = (j_1,\dots,j_n)$,\\
-\textcolor{white}{\textbf{Adequacy :}} find a matching which maximize $S = \sum_{k=1}^{n} \mathbb{1}_{i_k = j_k}$\\
-\textcolor{white}{\textbf{Adequacy :}} (hungarian algorithm), and then return $S/n$.
-
-\end{frame}
-
-\begin{frame}{Application II: Starlight curves}
-
-\begin{itemize}
- \item Data from \href{http://www.cs.ucr.edu/~eamonn/time_series_data/}{UCR Time Series Classification/Clustering}
- %\url{http://www.cs.ucr.edu/~eamonn/time_series_data/}}
- \item 1000 curves learning set + 8236 validation set ($d = 1024$)% discretization points
-\end{itemize}
-
-\begin{figure}[H]
-\begin{minipage}[c]{.32\linewidth}
- \includegraphics[width=\linewidth,height=3.5cm]{pics/slgr1.png}
- \vspace*{-0.35cm}
- \caption{Groupe 1}
-\end{minipage}
-\begin{minipage}[c]{.32\linewidth}
- \includegraphics[width=\linewidth,height=3.5cm]{pics/slgr2.png}
- \vspace*{-0.35cm}
- \caption{Groupe 2}
-\end{minipage}
-\begin{minipage}[c]{.32\linewidth}
- \includegraphics[width=\linewidth,height=3.5cm]{pics/slgr3.png}
- \vspace*{-0.35cm}
- \caption{Groupe 3}
-\end{minipage}
-\end{figure}
-
-\begin{footnotesize}
-\vspace*{-0.3cm}
-\begin{table}[H]
-\centering
-\begin{tabular}{lccc} \hline
- & & \multicolumn{2}{c}{Adequacy} \\
- & Distortion & Internal & External \\ \hline
-Training (sequential) & 1.31e4 & 0.79 & 0.77 \\
-Training (parallel) & 1.40e4 & 0.79 & 0.68 \\
-Test (sequential) & 1.09e5 & 0.78 & 0.76 \\
-Test (parallel) & 1.15e5 & 0.78 & 0.69 \\ \hline
-\end{tabular}
-%\caption{Distorsions et indices d'adéquation des partitions}
-\end{table}
-\end{footnotesize}
-
-\end{frame}
-
-\begin{frame}{Conclusion}
-
-%~ On peut clusteriser
-%~ Faudrait etre moins naif
-%~ Faudrait aussi étendre/généraliser le code...
-
-\begin{block}{Résumé}
-\begin{itemize}
-\itemsep0.1em
-\item Les smartmètres mesurent la charge électrique pour chaque client, en temps réel $\Rightarrow$ données fonctionnelles.
-\item Les ondelettes fournissent des représentations parcimonieuses tout en préservant la nature fonctionnelle des données.
-\item L'analyse de ces représentations à l'aide de l'algorithme PAM permet d'identifier des groupes de clients.
-\item L'algorithme PAM est appliqué en parallèle sur des jeux de données de tailles raisonnables.
-\end{itemize}
-\end{block}
-
-% \item \textit{Divide-and-Conquer} approach thanks to MPI library %pour l'algorithme des $k$-médoïdes : d'abord sur des groupes de données courbes, puis des groupes de médoïdes jusqu'à obtenir un seul ensemble traité sur un processseur.
- %\item %Les résultats obtenus sur les deux jeux de données présentés sont assez encourageants, et permettent d'envisager une utilisation à plus grande échelle.
-%\end{itemize}
-
-\begin{exampleblock}{Perspectives}
-\begin{itemize}
-\itemsep0.1em
-\item L'étude des groupes de clients peut donner lieu à l'élaboration de $K$ modèles prédictifs spécialisés.
-\item La méthode de clustering parallèle proposée peut être adaptée pour traiter les 35M séries (sur un supercalculateur ?).
-%\item Apply the algorithm over many hundreds of processors
-\end{itemize}
-\end{exampleblock}
-
-\end{frame}
-
-\begin{frame}{Références}
-
-\begin{thebibliography}{4}
-\bibitem{1} \textcolor{black}{A. Antoniadis, X. Brossat, J. Cugliari, J.-M. Poggi} (2013), Clustering Functional Data Using Wavelets, \textcolor{black}{{\it Wavelets, Multiresolution and Information Processing}, 11(1), 35--64}
-
-\bibitem{2} \textcolor{black}{A. Arbelaez, L. Quesada} (2013), Parallelising the k-Medoids Clustering Problem Using Space-Partitioning, \textcolor{black}{{\it Symposium on Combinatorial Search}, AAAI Publications}
-
-\bibitem{3} \textcolor{black}{R. Bekkerman, M. Bilenko, J. Langford - éditeurs} (2011),
-Scaling up Machine Learning: Parallel and Distributed Approaches, \textcolor{black}{Cambridge University Press}
-
-\bibitem{4} \textcolor{black}{A. P. Reynolds, G. Richards, B. de la Iglesia, V. J. Rayward-Smith} (2006), Clustering Rules: A Comparison of Partitioning and Hierarchical Clustering Algorithms, \textcolor{black}{{\it Mathematical Modelling and Algorithms}, 5(4), 475--504}
-
-%\bibitem{3} P. Berkhin (2006), A Survey of Clustering Data Mining Techniques, {\it Grouping Multidimensional Data, éditeurs : J. Kogan, C. Nicholas, M. Teboulle}.
-
-%\bibitem{6} J. Dean et S. Ghemawat (2004), MapReduce: Simplified Data Processing on Large Clusters, {\it Sixth Symposium on Operating System Design and Implementation}.
-
-%\bibitem{7} G. De Francisci Morales et A. Bifet (2013), G. De Francisci Morales SAMOA: A Platform for Mining Big Data Streams Keynote Talk at RAMSS ’13: 2nd International Workshop on Real-Time Analysis and Mining of Social Streams WWW, Rio De Janeiro
-
-%\bibitem{10} L. Kaufman et P.J. Rousseeuw (1987), Clustering by means of Medoids, {\it Statistical Data Analysis Based on the L\_1-Norm and Related Methods, éditeur : Y. Dodge}.
-\end{thebibliography}
-
-%[2013] A. Antoniadis, X. Brossat, J. Cugliari & J.-M. Poggi. Clustering functional data using Wavelets Inter. J. of Wavelets, Multiresolution and Information Procesing. doi:10.1142/S0219691313500033
-
-%~ Scaling up Machine Learning: Parallel and Distributed Approaches [Anglais] [Relié]
-%~ Ron Bekkerman (Sous la direction de), Mikhail Bilenko (Sous la direction de), John Langford
-
-\end{frame}
-
-\begin{frame}
-
-\centering
-\includegraphics[width=7cm,height=7cm]{Questions.jpg}
-
-\end{frame}
-
-\end{document}
projects / ppam-mpi.git / blobdiff