Page bloquée

Cette page est actuellement bloquée pour modification par un autre utilisateur. Vous devez attendre que cet utilisateur ait terminé ou que le blocage de la page expire.

Actuellement bloqué par : 3.129.209.135
Le blocage expire à : 2025/04/20 14:00 (4 min)

Cette page est en lecture seule. Vous pouvez afficher le texte source, mais ne pourrez pas le modifier. Contactez votre administrateur si vous pensez qu'il s'agit d'une erreur.

{{ :apprentissage:llabrosse89290.jpg?direct&600 |}}

<WRAP tabs>
*[[page1]]
*[[page2]]
<WRAP>

====== Coucou ======
===== Bienvenue sur le web LILI =====

====== Surprise ! Une nouveauté ! ======
 

Je vais vous faire découvrir(()) la page[[apprentissage:emilie| d'Emilie]] mais avant celle de l'[[http://www.terresdelyonne.com/|EPL]] où nous enseignons : 
  - la microbiologie
    *   -   recherche de pathogènes
    *   -   expériences
  -  l'éducation socioculturelle
    *   - les techniques de communication
    *   - les projets artistiques
    *   - l'environnement social

^ ^Nom^Prénom^
^elève1|Girard(())|Aurélie|
^elève1|  GirardAurélie  ||
| | |

{{vimeo>322744912?medium}}

{{youtube>wmiIUN-7qhE?medium}}


<WRAP center round tip 60%>
| C'est une super idée ! |
</WRAP>


<WRAP group>
<WRAP 60% column justify>
'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou selon le domaine d'application la transformation de Karhunen–Loève (KLT)1, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales », ou axes principaux. Elle permet au praticien de réduire le nombre de variables et de rendre l'information moins redondante.

Il s'agit d'une approche à la fois géométrique2 (les variables étant représentées dans un nouvel espace, selon des directions d'inertie maximale) et statistique (la recherche portant sur des axes indépendants expliquant au mieux la variabilité — la variance — des données). Lorsqu'on veut compresser un ensemble de N {\displaystyle N} N variables aléatoires, les n {\displaystyle n} n premiers axes de l'analyse en composantes principales sont un meilleur choix, du point de vue de l'inertie ou de la variance.

L'outil mathématique est appliqué dans d'autres domaines que les statistiques et est parfois appelée décomposition orthogonale aux valeurs propres ou POD (anglais : proper orthogonal decomposition). 
</WRAP>

<html>
<iframe width="560" height="315" src="https://www.youtube.com/embed/wmiIUN-7qhE?start=27" frameborder="0" allow="accelerometer; autoplay; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>
</html>

<WRAP 30% column justify>
analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou selon le domaine d'application la transformation de Karhunen–Loève (KLT)1, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales », ou axes principaux. Elle permet au praticien de réduire le nombre de variables et de rendre l'information moins redondante.
</WRAP>
Il s'agit d'une approche à la fois <wrap hi>géométrique</wrap>2 (les variables étant représentées dans un nouvel espace, selon des directions d'inertie maximale) et statistique (la recherche portant sur des axes indépendants expliquant au mieux la variabilité — la variance — des données). Lorsqu'on veut compresser un ensemble de N {\displaystyle N} N variables aléatoires, les n {\displaystyle n} n premiers axes de l'analyse en composantes principales sont un meilleur choix, du point de vue de l'inertie ou de la variance.

L'outil mathématique est appliqué dans d'autres domaines que les statistiques et est parfois appelée décomposition orthogonale aux valeurs propres ou POD (anglais : proper orthogonal decomposition). 
</WRAP>