Le Capital Intellectuel gagne une importance dans l'économie du savoir d'aujourd'hui et joue un rôle essentiel dans l'innovation, la croissance de la productivité ainsi que dans le rendement et la compétitivité des organisations. Le Capital Intellectuel peut englober les domaines suivants : ressources humaines, structure et processus organisationnels, recherche et développement, technologie et droits liés à la propriété intellectuelle,... La gestion du capital intellectuel est un domaine qui fait appel à la créativité et à l'intelligence des personnes, à de nouvelles méthodes de gestion, à de nouvelles technologies de l'information, et à de nouvelles façons de concevoir l'organisation postindustrielle dans la nouvelle économie du savoir. Le travail de cet ouvrage s'inscrit dans le domaine de la mesure du capital intellectuel de n'importe quel type d'entreprise. Le but de cet ouvrage est la mesure de ce capital dans trois systèmes de production différents en utilisant la boite à outils de mesure de la richesse « WWTK ».Toutefois, le capital intellectuel donne de réelles perspectives d'évolution de l'avantage concurrentiel de certaines organisations.
This course is intended for computing sophomores and aims at presenting basic principles of relational DBMS and the practice of these fundamentals. The course content is mainly the following: Chapter 1: Introduction to databases Chapter 2: Relational Model Chapter 3: Relational Algebra Chapter 4: Standardization Chapter 5: SQL Language Chapter 6: Practical work A set of exercises are included at the end of the document. We added a tutorial section and directed to allow students to apply the concepts learned in the five chapters.
Les processus complexes industriels présentent des dynamiques hautement non linéaires et possèdent un grand nombre de variables, pour lesquels il est parfois difficile d'obtenir un modèle mathématique précis qui permet de détecter les états anormaux. En effet, les techniques de l'IA, ont prouvé leur efficacité dans le contrôle et la surveillance des systèmes industriels. L'objectif, est de les appliquer dans un système de fabrication du ciment à des fins de supervision. Ceci permet d'éviter les arrêts inutiles, réduire la consommation d'énergie et évoluer la production. Plusieurs outils peuvent permettre de réaliser un tel travail. Parmi eux, la plateforme PCS, la bibliothèque CEMAT et FuzzyControl++.
In this book, we propose several modules of diagnosis for complex and dynamic systems. These modules are based on the three algorithms colony of ants, which are AntTreeStoch, Lumer & Faieta and Binary ant colony. These algorithms have been chosen for their simplicity and their vast field of application. However, these algorithms cannot be used under their basal form for the development of diagnostic modules since they have several limitations. We have also proposed several adaptations in order that these algorithms can be used in diagnostic modules. We have proposed a parallel version of the algorithm AntTreeStoch based on a reactive multi-agents system. This version allows minimizing the influence of initial sort on the outcome of classification. We have also introduced a new parameter called Sid, which allows several ants to connect to the same position, and we have modified the movements of ants by promoting the path of the ant the most similar. For the algorithm Lumer & Faieta, we have accelerated the speed of construction of classes by adding a speed setting different for each Ant. To reduce the number of movements, we have proposed a new variable that allows saving the identifiers of objects displaced by the same Ant. To improve the quality of classification, we have also added to the algorithm of the indices to report the classes trunks constructed. For the algorithm Binary ant colony, we have proposed a variant called "Hybrid wrapper/filter-based ACO-SVM". This algorithm allows the selection of parameters. It combines the techniques of filters and enveloping methods in taking advantage of the rapidity of the Fisher report and the adaptation of selected settings to the classifier SVM. It improves the quality of classification according to the data nature in the database for learning and the type of the kernel function used. It also allows adjusting the hyperparameters of the kernel function. We tested these algorithms based on data from two industrial systems, which are the sintering system and the pasteurization system, as well on a few databases of UCI (University of California, Irvine).