Your SlideShare is downloading. ×
Description de la technologie CFAR-m
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Description de la technologie CFAR-m

1,430

Published on

Description de la technologie CFAR-m

Description de la technologie CFAR-m

Published in: Business
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
1,430
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
10
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Présentation de la technologie CFAR-m La profusion d’informations que nous connaissons aujourd’hui dans tous les secteurs peut mener à des erreurs d’interprétations et des résultats erronés. D'où un besoin permanent d’outils mathématiques et statistiques avancés en vue d’extraire l’information pertinente. Ainsi, nous trouvons dans tous les secteurs des phénomènes complexes qui ne peuvent être décrit que par une multitude de variables, chacune ne mesurant qu’une caractéristique . Or c'est seulement l'ensemble de ces variables qui peut expliquer le phénomène en question. En outre, très souvent ces variables rétroagissent entre elles de façon spécifique à chaque cas. Pour une meilleure compréhension, appréciation, décision ou arbitrage et réflexion, les analystes ont un grand besoin de classification et d’ordonnancement de leurs données à l’aide de la construction d’une variable agrégée synthétique allouant un score a chaque individu (Entreprise, Bank, Actifs financiers, État, Lieu, Patient, Site, etc.) sans perte d’information. Les méthodes traditionnelles d’analyses de données employées dans ce secteur (ACP, ACF, AMF, etc.) atteignent leurs limites et laissent derrière elles de nombreuses insuffisances. D’où l’intérêt de notre méthode qui est basée sur une approche neuronale et qui fournit d’immenses avantages comparées aux méthodes actuelles. A l’aide de cartes auto-organisées nous avons réussi à développer une nouvelle technique permettant la construction d'un indicateur composite à partir d’une base de données à plusieurs variables. Notre méthode se déroule en trois étapes. Premièrement, CFAR-m réalise une auto-organisation des items en sous-ensembles homogènes (clustering ou encore classification) et ce à l’aide d’un processus qui prend en compte les rétroactions positives et négatives. Deuxièmement, un vecteur de pondération approprié est attribué à chaque item. Finalement, les vecteurs de pondérations sont appliqués aux données originales afin de calculer l’indicateur composite et d'effectuer le classement global. Le système de pondération peut être qualifié d’objectif en ce qu’il résulte du contenu informationnel des variables elles mêmes et de leur dynamique interne. Cette dernière caractéristique de la méthode CFAR représente une réelle avancée de tout ce qui a été fait jusqu’à présent en termes de classification. En effet il n’y a pas de perte d’information lors de l'agrégation contrairement aux méthodes traditionnelles qui fournissent une estimation en lissant les variables. De plus, elle peut être adaptée à de très grosses bases de données de nature qualitative et/ou quantitative. La méthode CFAR résout un problème majeur des problèmes d’agrégation dans lesquels la question de l’importance de chaque variable ressort souvent. Elle rompt avec les procédures d’agrégation usuelles basées sur des hypothèses trop simplifiée considérant pour chaque variable, une pondération identique pour tous les individus de l'échantillon. Par conséquent, les pondérations effectuées par CFAR-m émanent du contenu informationnel des variables elles-mêmes et de leur propre dynamique interne. Ce qui évite ainsi l’adoption d’une équipondération ou bien d’une pondération établie sur des critères exogènes (dispersion des variables d’entrée par exemple) ou bien d’estimations subjectives (qui résultent de l’opinion d’un certain nombre d’experts du secteur concerné). Il y a de très nombreux champs d’applications ou CFAR-m peut être utilisé tels que: L’économie, le social, la finance, le médical, le secteur pharmaceutique, la géostratégie, l’aérospatiale, l’écologie, la recherché marketing, etc. www.cfar-m.com R&D et partenariats: remi@cfar-m.com

×