1 / 98

Complexité, compromis, et flou

Mu00e9thodes pour gu00e9rer la complexiteu0301 et le flou

thorwhalen1
Télécharger la présentation

Complexité, compromis, et flou

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Complexité, Compromis, et flou Thor Whalen Methodic Solutions, Inc.

  2. Les maths?

  3. math science technology business Les maths facilitent la science... … laquelle facilite la technologie qui facilite le business

  4. math science technology business ! ! ! Les maths facilitent la science... … laquelle facilite la technologie qui facilite le business Il faut du temps pour que les mathématiques nouvelles impactent le business

  5. math science technology business Les maths facilitent la science... … laquelle facilite la technologie qui facilite le business Il faut du temps pour que les mathématiques nouvelles impactent le business

  6. Mathematics is a tool to express and exploit anywhere where there is: or • logic or • structure • quantity

  7. Introduction

  8. Un schéma de pensée Partievisible L’environnement Partie surveillée Caractéristiques Partie sur laquelle on prend action Action Partie qu’on désire contrôler Réponse

  9. Un schéma de pensée L’environnement Comment gérer la diversité, le flou, l’erreur, etc. des caractéristiques? Caractéristiques Comment prédire la réponse qu’on obtiendrait pour une action? ? Action Comment mesurer combien la réponse est désirable par rapport a nos objectifs? Réponse

  10. Modélisation de l’Environnement L’environnement

  11. Modélisation de l’Environnement L’environnement Caractéristiques Action Réponse

  12. Le déterministique L’environnement

  13. Modèles déterministiques versus Modèles « Flous »

  14. Modèles déterministiques versus Modèles « Flous » Déterministe Oui ou Non

  15. Modèles déterministiques versus Modèles « Flous » Déterministe Oui ou Non Incertain Peut être Oui, peut être Non Flou Imprécision

  16. Modèles déterministiques versus Modèles « Flous » Déterministe Oui ou Non Incertain Peut être Oui, peut être Non Flou Imprécision Ni Oui, ni Non… … mais entre les deux

  17. Modèles déterministiques versus Modèles « Flous » "God does not play dice". -Einstein Consideration of black holes suggests, not only that God does play dice, but that He sometimes confuses us by throwing them where they can't be seen. - Stephen Hawking sorite  paradox (“soros” = “tas” en grec)

  18. A O O E

  19. A O O E B E Q B R B U Q Q Q É L

  20. Modèles déterministiques versus Modèles « Flous »

  21. Considère Prix Considère Prix Pauvre Pauvre Considère Qualité Considère Qualité Riche Riche Considère Prix Considère Prix Pauvre Pauvre Considère Qualité Considère Qualité Riche Riche Modèles déterministiques versus Modèles « Flous »

  22. Considère Prix Considère Prix Pauvre Pauvre Considère Qualité Considère Qualité Riche Riche Considère Prix Considère Prix Pauvre Pauvre Considère Qualité Considère Qualité Riche Riche Modèles déterministiques versus Modèles « Flous »

  23. Pauvre Riche Homme Femme

  24. Pauvre Riche Homme Femme

  25. Pauvre Riche Homme Femme

  26. Pauvre Riche Homme Femme

  27. Noir Blanc Autre

  28. Noir Blanc Autre

  29. Produits Clients

  30. Produits Relations (Clients, Produit) Connues • La relation définit des événements observés : • un client a acheté un produit • un internaute a cliqué sur une bannière, sur un lien • Client potentiel a demandé plus d’info • Etc. Clients

  31. Relations (Clients, Produit) Connues • Relations définis des événements observés. Par exemple: • Client a acheté produit • Internaute a cliqué sur bannière • Client potentiel a demandé plus d’info • Etc. • Ou : • actions marketing • pages web visitées • etc. Produits Les relations Client  Produit impliquent des relations Produit  Produit et Client  Client Produits Produits Produits Clients • Ou : • internaute, • client potentiel, • etc. Clients Clients Clients

  32. Produits Les relations Client  Produit impliquent des relations Produit  Produit et Client  Client Clients

  33. Total: 32 Jean Diana

  34. Total: 32 16 Jean Diana

  35. Total: 32 16 13 Jean Diana

  36. Total: 32 4 16 13 4 Jean Diana

  37. Jean Diana Total: 32 4 16 13 4 50% Jean Diana

  38. Jean Diana Total: 32 4 16 13 4 50% 41% Jean Diana

  39. Jean Diana Total: 32 4 16 13 4 50% 25% 41% Jean 25% Diana

  40. Jean Diana Total: 32 4 16 13 4 50% 25% 31% 41% Jean 25% 31% Diana

  41. Jean Diana Total: 32 16 4 16 13 4 50% 25% 31% 41% Jean 25% 31% Diana

  42. Jean Diana Total: 32 16 4 16 13 4 19 50% 25% 31% 41% Jean 25% 31% Diana

  43. Jean Diana Total: 32 16 7 4 16 13 4 7 19 50% 25% 31% 41% Jean 25% 31% Diana

  44. Jean Jean Diana Diana Total: 32 16 7 4 16 13 4 7 19 50% 25% 31% 41% Jean 44% 25% 37% 31% Diana

  45. Marie Marie Jean Jean Pierre Diana Pierre Diana Marie Jean Pierre Diana Similarité sur réponses positives Similarité sur réponses négatives 13% 95% 23% 91% 25% 92% 9% 19% 7% 85% 15% 86% 14% 88% 16% 96% 22% 92% 4% 99% 7% 89% 11% 91%

More Related