En savoir plus

A propos des cookies

Qu’est-ce qu’un « cookie » ?

Un "cookie" est une suite d'informations, généralement de petite taille et identifié par un nom, qui peut être transmis à votre navigateur par un site web sur lequel vous vous connectez. Votre navigateur web le conservera pendant une certaine durée, et le renverra au serveur web chaque fois que vous vous y re-connecterez.

Différents types de cookies sont déposés sur les sites :

  • Cookies strictement nécessaires au bon fonctionnement du site
  • Cookies déposés par des sites tiers pour améliorer l’interactivité du site, pour collecter des statistiques

> En savoir plus sur les cookies et leur fonctionnement

Les différents types de cookies déposés sur ce site

Cookies strictement nécessaires au site pour fonctionner

Ces cookies permettent aux services principaux du site de fonctionner de manière optimale. Vous pouvez techniquement les bloquer en utilisant les paramètres de votre navigateur mais votre expérience sur le site risque d’être dégradée.

Par ailleurs, vous avez la possibilité de vous opposer à l’utilisation des traceurs de mesure d’audience strictement nécessaires au fonctionnement et aux opérations d’administration courante du site web dans la fenêtre de gestion des cookies accessible via le lien situé dans le pied de page du site.

Cookies techniques

Nom du cookie

Finalité

Durée de conservation

Cookies de sessions CAS et PHP

Identifiants de connexion, sécurisation de session

Session

Tarteaucitron

Sauvegarde vos choix en matière de consentement des cookies

12 mois

Cookies de mesure d’audience (AT Internet)

Nom du cookie

Finalité

Durée de conservation

atid

Tracer le parcours du visiteur afin d’établir les statistiques de visites.

13 mois

atuserid

Stocker l'ID anonyme du visiteur qui se lance dès la première visite du site

13 mois

atidvisitor

Recenser les numsites (identifiants unique d'un site) vus par le visiteur et stockage des identifiants du visiteur.

13 mois

À propos de l’outil de mesure d’audience AT Internet :

L’outil de mesure d’audience Analytics d’AT Internet est déployé sur ce site afin d’obtenir des informations sur la navigation des visiteurs et d’en améliorer l’usage.

L‘autorité française de protection des données (CNIL) a accordé une exemption au cookie Web Analytics d’AT Internet. Cet outil est ainsi dispensé du recueil du consentement de l’internaute en ce qui concerne le dépôt des cookies analytics. Cependant vous pouvez refuser le dépôt de ces cookies via le panneau de gestion des cookies.

À savoir :

  • Les données collectées ne sont pas recoupées avec d’autres traitements
  • Le cookie déposé sert uniquement à la production de statistiques anonymes
  • Le cookie ne permet pas de suivre la navigation de l’internaute sur d’autres sites.

Cookies tiers destinés à améliorer l’interactivité du site

Ce site s’appuie sur certains services fournis par des tiers qui permettent :

  • de proposer des contenus interactifs ;
  • d’améliorer la convivialité et de faciliter le partage de contenu sur les réseaux sociaux ;
  • de visionner directement sur notre site des vidéos et présentations animées ;
  • de protéger les entrées des formulaires contre les robots ;
  • de surveiller les performances du site.

Ces tiers collecteront et utiliseront vos données de navigation pour des finalités qui leur sont propres.

Accepter ou refuser les cookies : comment faire ?

Lorsque vous débutez votre navigation sur un site eZpublish, l’apparition du bandeau « cookies » vous permet d’accepter ou de refuser tous les cookies que nous utilisons. Ce bandeau s’affichera tant que vous n’aurez pas effectué de choix même si vous naviguez sur une autre page du site.

Vous pouvez modifier vos choix à tout moment en cliquant sur le lien « Gestion des cookies ».

Vous pouvez gérer ces cookies au niveau de votre navigateur. Voici les procédures à suivre :

Firefox ; Chrome ; Explorer ; Safari ; Opera

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de INRAE par email à cil-dpo@inrae.fr ou par courrier à :

INRAE
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2021

Menu Logo Principal AgroParisTech Université Paris Saclay

MIA Paris

Séminaire MIA Paris-Saclay

Le jeudi à 11h à Agro Campus Paris-Saclay. Contactez Pierre Gloaguen (pierre.gloaguen@agroparistech.fr) ou Joon Kwon (joon.kwon@inrae.fr) si vous souhaitez venir présenter vos travaux, suggérer des invités, ou être ajouté/retiré de la liste de diffusion.

16/02/2023

Marie-Pierre Etienne  (IRMAR, Agrocampus Ouest) 

Amphi C2.0.37

Une approche par segmentation pour la détection de l'effet bélier

Résumé : Dans des pratiques de condute d'élevage biologique, la synchronization des chaleurs chez les brebis ne peut etre obtenue en utilsant des hormones. La présence d'un bélier provoque les chaleurs et l'UMR SELMET (INRAE-Institut Agro-CIRAD, Montpellier) propose d'utiliser un dispositif permettant de détecter des contacts avec le belier non géniteur présent avec les brebis pour détecter le survenue des chaleurs (des contacts plus fréquents et plus longs sont des incateurs des chaleurs).  Les données obtenues par le dispositif utilisé par l'UMR Selmet sont des séries temporelles de durée de contact entre les brebis et le bélier. En collaboration avec Bertrand Cloez, nous proposons une approche reposant sur la détection de rupture dans des processus de poisson marqués pour identifier la période favorable à l'insémination.

16/02/2023

Rim Essifi  (MODAL, INRIA, Lille) 

Amphi C2.0.37

The patient pathway in a hospital environment

Résumé : European healthcare systems are faced with multiple challenges, including an aging population, an increase in chronic diseases and patients with multi-morbidity, and limited financial and human resources. The response to these challenges is based in particular on the organisation of care into care pathways. Namely, Once the data necessary for the construction of a care pathway are acquired and processed, one has to model the patient pathway mathematically in a generic way. After that, using clustering algorithms, one can identify patients subgroups, then, mine for common treatments, predict the future of patient pathways and answer clinicians’ questions. All these steps would lead to an automated processes which has to be evaluated by medical experts. Available statistical methods remain limited and inefficient to construct care pathways. Indeed, data obtained from health care providers and insurance companies are all time-dependent, highly heterogeneous, qualitative in part, with several thousand possible modalities and mainly made up of missing data. We propose an approach based on functional data analysis combined with longitudinal data analysis in order to construct care pathways.

16/03/2023

Amélie Rosier  (MODAL'X, Université Paris Nanterre) 

Amphi C2.0.37

Complétion de séries temporelles multi-variées en grande dimension

Résumé : Soit le modèle de complétion : $Y_i =\langle U_i,M_{k,\tau}\rangle +\langle U_i,\epsilon\rangle +\xi_i$, où $Y_1,\dots,Y_n$ désignent $n$ entrées de la matrice $X = M_{k,\tau} +\epsilon$ dont les lignes sont des séries temporelles, $\epsilon$ est une matrice aléatoire centrée dont les lignes sont indépendantes, $(U_1,\xi_1),\dots,(U_n,\xi_n)$ sont $n$ variables aléatoires i.i.d à valeurs dans $M_{d,T}(\mathbb R)\times\mathbb R$ et indépendantes de $\epsilon$, et $U_i$ est indépendante de $\xi_i$ pour tout $i\in\{1,\dots,n\}$. Le paramètre $k$ est le rang de $M_{k,\tau}$ et $\tau$ est un paramètre caractérisant une propriété spécifique à la tendance d’une série temporelle comme la $\tau$-périodicité. Enfin, notons que les $\xi_i$ sont les erreurs d’observation liées à l’instrument de mesure, tandis que $\epsilon$ est la composante stochastique de $X$. Sous l’hypothèse que les lignes de $\epsilon$ sont issues d’un processus $\phi$-mélangeant, nous établirons un contrôle en $O(k(d +\tau)\log(n)/n)$ du risque quadratique de l’estimateur des moindres carrés $\hat M_k$ de $M_{k,\tau}$. La structure de série temporelle permet d’améliorer le contrôle en $O(k(d + T)\log(n)/n)$ établi dans Koltchinskii et al. (2011). Nous démontrerons alors une inégalité d’oracle pour l’estimateur adaptatif $\hat M_{\hat k}$, où $\hat k$ est sélectionné en pénalisant la fonction de perte quadratique par un terme en $O(k(d +\tau)\log(n)/n)$. Des expériences numériques seront présentées en fin d’exposé. Il s’agit d’un travail en collaboration avec Pierre Alquier et Nicolas Marie.

Séances passées du séminaire

Cette section contient les résumés des séances passées du séminaire MIA Paris-Saclay 2022-2023.
Lire la suite

Année 2020-2021

Lire la suite

Année 2019-2020

>>
Lire la suite

Année 2018-2019

---
Lire la suite

Année 2017-2018

---
Lire la suite

Année 2016-2017

---
Lire la suite

Année 2015-2016

---
Lire la suite

Année 2014-2015

...
Lire la suite

Année 2013-2014

...
Lire la suite

Année 2012-2013

...
Lire la suite