Les Progressistes, Avatars du Progrés et de Y'becca

Les Progressistes
Actualités
Filtrer par région
22 mars 2017
Infographie : Les femmes dans l’ingénierie

Aujourd’hui, en France, seules 28% des étudiants en école d’ingénieur et 21% des ingénieurs professionnels sont des femmes. D’où viennent ces disparités ? Pourquoi les filles ne s’orientent-elles que très peu vers des études d’ingénieur, alors que l’inégalité des genres n’est presque pas marquée au lycée, dans les filières techniques et scientifique (45% de filles pour 55% de garçons) ?

Spontanément, beaucoup penseront au milieu encore très macho : peu de femmes sont ingénieures, donc peu de femmes veulent devenir ingénieures. C’est un cercle vicieux qui dure depuis plus de 70 ans, et qu’il est grand temps de briser.

Encore aujourd’hui, d’ailleurs, “femme” et “ingénieure” sont des mots que l’on associe plus souvent à de sombres affaires de harcèlement qu’à des histoires de success story. En attestent les derniers scandales qui viennent d’éclater au sein de Uber, supposément laxiste vis-à-vis de la question du harcèlement sexuel.

Alors où en sont exactement les femmes ingénieures ? Quand les a-t-on perdues ? Comment faire pour venir à bout de ces inégalités qui persistent ?

L’infographie ci-après s’est penchée sur ces questions et a tenté d’apporter des pistes de réflexion.
http://www.femmes-economie.com/national/infographie-les-femmes-dans-lingenierie/?utm_content=buffer036d4&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer

------------------------------------------------------------------


How men and women approach starting a business differently
Pamela Webber
by Pamela Webber

11 days ago 4 min read

Business Inside 99designs

At 99designs, we help entrepreneurs from all over the world get a logo for their newly-launched consulting practice, or a book cover design for that novel they’ve slaved over for years, or a t-shirt design to commemorate the opening of their new gym. In order to help them get their ventures off the ground, we first have to get to know them. We do this through one-on-one conversations, focus groups and surveys.

Recently, we completed a survey of over 500 US-based entrepreneurs. And I have to say this one has some of the most intriguing results I’ve encountered in my marketing career. Specifically, it highlighted several fascinating differences in how men and women approach entrepreneurship. Even more interesting is that this was not the original intent of our research. Our original intent was to better understand how entrepreneurs apply do-it-yourself tactics to get their ventures off the ground. While the “DIY Entrepreneur” path did yield some great insights, they weren’t as compelling as the findings that resulted when we broke the data down along gender lines.

Having worked with founders of both genders and founded an ecommerce startup myself, I thought it’d be worth weighing in on the meaning behind a few of the findings.
differences between men women entrepreneurs infographic
Finding #1: Men are 2x more likely to have raised $100K+ in funding.
—
blue and pink piggy banks

Among our US respondents, we found 12% of men said they raised more than $100,000 compared to just 5% of female entrepreneurs. $100K is a good amount of money. This is likely not coming from friends and family, but financial institutions that have large amounts of capital to invest. According to TechCrunch, only seven percent of venture capital investment partners are female. And, while this statistic alone does not mean women can’t get funded, it seems likely to me that there are inherent gender biases in these institutions that don’t favor a female entrepreneur.

My theory is supported by a recent conversation I had with Dan Perkins and Don Mazella on The Recalculating Radio Show. Dan, an investment professional with many years of experience, said he consistently saw businesses run by females suffer from under-capitalization. From personal experience, I, too, see women are not keen on asking for financing unless they are confident they can generate the expected returns, which would cause them to shy away from raising large sums of money.
Finding #2: Men are more likely to start their entrepreneurial ventures at a younger age (under 35).
—

40% of men started their first entrepreneurial venture before the end of their 35th year, while only 33% of women fell into this category. This may not seem like that big of a difference. But, I purport that it is. This is because most entrepreneurs fail. As anyone in Silicon Valley well tell you, it’s OK to fail. BUT, you need to fail fast so that you can try again. By starting their entrepreneurial ventures earlier in life, men have more time to fail, to learn from failure and to start again. This cycle improves the chances of success as the entrepreneur, giving men an edge.

We did not ask the women in our survey why they started their ventures later. But, I would venture to guess that more women start their own business once their children have gone to school. This is when women typically have more time—outside of their obligations to corporate America or full-time motherhood—to dedicate to a passion or a money-making pursuit.
Finding #3: More men think patience is the most important trait of an entrepreneur, whereas more women say it’s networking
—
priorities of men vs women entrepreneurs

19% of men said patience was a more valued trait whereas only 12% of women said the same thing. Networking was closer, but 22% of female respondents favored networking versus only 19% of men.

Research says that women are more patient than men. Research also shows that women tend to have smaller professional networks than men (according to LeanIn.org and McKinsey & Co via the Huffington Post). I think the the reason for the disparity between the genders is that each is seeking to improve one of their perceived areas of weakness. It seems both sexes are attuned to their “weaknesses” and cite “most important traits” they strive to improve upon.

The good news in these findings is the knowledge with which we—and now, you, are now armed. We can use this data to help us identify and understand the gender biases that might affect women starting businesses, and the men and women who support them.
The author
Pamela Webber
Pamela Webber

Pamela Webber is Chief Marketing Officer at 99designs. She is passionate about using data to derive customer insights and to find “aha moments” that impact strategic direction. In addition to her background as a marketer, Pamela brings a host of first-hand experience as an ecommerce entrepreneur. Prior to joining 99designs, she founded weeDECOR, an ecommerce company selling custom wall decals for babies' and kids' rooms, and also worked as an executive marketing consultant for True&Co, a wildly successful ecommerce startup specializing in custom-fitted women’s lingerie. You can follow her on Twitter @pamwebber.
Tags
entrepreneur
startups
https://en.99designs.fr/blog/business/men-vs-women-entrepreneurs/

Y'becca est le premier mouvement progressiste Spatial, terrestre et maritimes inspiré du secourisme.
La première égalité de droit est la santé, le travail et la communication
sous le service de bien, de service et de pensée entre l'uniforme
et le civil, les membres actifs de la population globale qui comprends
donc les Actifs, Les Mineurs et les retraités sous tous les aspects de droits
quel que soit la forme juridique de la personne. Oui, je parle de personne,
car si tous les citoyens sont des personnes toutes les personnes ne sont pas
des citoyens... D'ou la lutte contre l'esclavage, les viols et les tortures
qu'elles ou qu'ils soient morales et physiques...

http://orkhidion-velamen.forumactif.com/t15-election-mexicaine-de-2018-ou-la-chute-du-hollandisme-francais-et-macronique#69

Ecrit de
TAY
La chouette effraie

Le Docteur Jivago (en russe Доктор Живаго) est un roman de l'écrivain soviétique Boris Pasternak.
http://orkhidion-velamen.forumactif.com/t15-election-mexicaine-de-2018-ou-la-chute-du-hollandisme-francais-et-macronique#69
Sommaire

1 Présentation
2 Intrigue
3 Personnages
4 Citations
5 Cinéma
6 Notes et références
7 Édition française

Présentation

Publiée pour la première fois en russe en Italie en 1957 aux éditions Feltrinelli, cette œuvre a paru en pleine guerre froide. La première traduction française date de 19581. En 1958, son auteur a obtenu le prix Nobel de littérature, qu'il dut refuser sous la contrainte du pouvoir politique. Le roman est autorisé à paraître en URSS vers novembre 1985 : premier signe d'ouverture de Mikhaïl Gorbatchev.

Le livre brosse un tableau du passage de l'Empire russe à l'Union des républiques socialistes soviétiques et décrit la terrible guerre civile russe qui martyrisa sa population, ceux qui y croyaient comme ceux qui n'y croyaient pas. La Sibérie, où se déroule une partie de l'action dans les années 1920 et 1930, est décrite d'une manière particulièrement attachante.
Intrigue

Première partie : Le rapide de 5 heures

Deuxième partie : La petite fille d'un autre milieu

Troisième partie : L'arbre de Noël chez les Sventisky

Quatrième partie : Les échéances approchent

Cinquième partie : L'adieu au passé

Sixième partie : La halte de Moscou

Septième partie : Le voyage

Huitième partie : L'arrivée

Neuvième partie : Varykino

Dixième partie: Sur la grand-route

Onzième partie : La milice des bois

Douzième partie : Le sorbier givré

Treizième partie : En face de la maison aux statues

Quatorzième partie : Retour à Varykino

Quinzième partie : La fin

Seizième partie : Épilogue

Dix-septième partie : Vers de Iouri Jivago
Personnages

Personnages principaux

Iouri Andréievitch Jivago : Le docteur Jivago. Fils d'un riche industriel sibérien et de Maria Nikolaïvna, née Védéniapine; mari d'Antonina Alexandrovna (née Groméko), dont il a deux enfants, Sacha et Macha.

Larissa Fiodorovna Antipova (née Guichard) : Lara. Mariée à Pavel Pavlovitch Antipov. Ils ont une fille, Katia.

Pavel Pavlovitch Antipov : Pacha, Pachka. Fils du cheminot Pavel Féraponvitch Antipov et de Daria Filimonovna. Professeur, puis général de l'armée révolutionnaire sous le pseudonyme de Strelnikov.

Viktor Ippolitovitch Komarovski : Avocat, puis homme politique pendant la Révolution. Protecteur d'Amélie Karlovna Guichard. Amant de Larissa Fiodorovna.


Familles de Larissa et du docteur Jivago

Evgraf Andréievitch Jivago : Demi-frère du docteur Jivago.

Nikolaï Nikolaïévitch Védéniapine : Écrivain et philosophe. Oncle du docteur Jivago.

Antonia Alexandrovna Jivago: Tonia. Fille et d'Anna Ivanovna et d'Alexandre Aexandrovitch Groméko, mariée au docteur Jivago, ils ont deux enfants, Sacha et Macha.

Alexandre Alexandrovitch Groméko: Professeur d'agronomie. Mari d'Anna Ivanovna, née Krüger, fille d'un maître de forge de l'Oural, Ivan Enestovitch Krüger. Ils ont une fille, Antonia.


Amis et liaisons du docteur Jivago

Mikhaïl Gordon : Micha. Fils de l'avocat Grigori Ossipovitch Gordon. Ami du docteur Jivago.

Innokenti Doudorov : Nika. Fils de l'anarchiste Démenti Doudorov et de la princesse géorgienne Nina Galaktionovna. Ami du docteur Jivago.

Vasia Brykine: Evadé de l'armée du travail. Compagnon de voyage du docteur Jivago, il devient son protégé.

Marina Chtchapov: Fille du portier Markel Chtapov et d'Agafia Tikhonovna. Dernière liaison du docteur Jivago dont elle a deux filles: Kapitolina et Klavdia.

Les enfants

Sacha (Sachenka, Sanetchka, Choura, Chourotchk; diminutifs d'Alexandre) : Fils d'Antonia Alexandrovna et du docteur Jivago.

Macha (diminutif de Maria): Fille d'Antonia Alexandrovna et du docteur Jivago.

Katia (diminutif d'Ekatérina): Fille de Larissa Fiodorovna et de Pavel Pavlovitch Antipov.

Tania Bezotcheredeva: Fille de Larissa Fiodorovna et du docteur Jivago.

Citations

« Un jour, Larissa Fiodorovna sortit et ne revint plus. Sans doute fut-elle arrêtée dans la rue. Elle dut mourir ou disparaître on ne sait où, oubliée sous le numéro anonyme d'une liste perdue, dans un des innombrables camps de concentration du Nord. »

— Boris Pasternak, Le Docteur Jivago, « La Fin », XVII2.

« Ma charmante, mon inoubliable ! Tant que le creux de mes bras se souviendront de toi, tant que tu seras encore sur mon épaule et sur mes lèvres, je serai avec toi. Je mettrai toutes mes larmes dans quelque chose qui soit digne de toi, et qui reste. J'inscrirai ton souvenir dans des images tendres, tristes à vous fendre le cœur. Je resterai ici jusqu’à ce que ce soit fait. Et ensuite je partirai moi aussi. »

— Boris Pasternak, Le Docteur Jivago.
Cinéma

Le film Le Docteur Jivago (1965)

Notes et références

↑ Le Docteur Jivago, p. 700, Bibliothèque de la Pléiade.
↑ Boris Pasternak, Le Docteur Jivago, « La Fin », Chapitre XVII, p. 1263.

Édition française

Le Docteur Jivago, Bibliothèque de la Pléiade, Gallimard, Paris, 1990

IBM Big Data‏Compte certifié @IBMBigData 14 hil y a 14 heures
How to Decide: #ML and the Science of Choosing, from @dineshnirmalIBM. http://ibm.co/IML_HTDecide #IBMML
À l'origine en anglais, traduit par Bing
Comment décider : #ML et la Science des choix, de @dineshnirmalIBM. http://ibm.co/IML_HTDecide #IBMML
http://orkhidion-velamen.forumactif.com/t15-election-mexicaine-de-2018-ou-la-chute-du-hollandisme-francais-et-macronique#72
Dinesh Nirmal
Vice President — Analytics Development, Site Executive IBM Silicon Valley Lab. The opinions expressed are my own and don’t necessarily represent those of IBM.
Mar 20
How to Decide: Machine Learning and the Science of Choosing

“If you choose not to decide, you’ve still made a choice.” - Neil Peart

Decisions can be fatiguing and prone to bias, not just for individuals but for whole organizations. The bigger the decision and the more complex the inputs, the greater the consequences of failure. Consider the vetting of millions of tax returns. Consider an airline that needs to decide when and where to perform maintenance between flights. Or consider an emergency response agency that needs to decide where to distribute disaster services. Examples range across manufacturing, healthcare, finance, and beyond — and in each case, the decision starts with data and ends with action. But what are the steps, and how can machine learning play a role to help decision makers reduce fatigue and bias — and raise confidence?

In a previous post, I talked about the emotional, political, and personal biases that creep into decisions — and offered some thoughts about a decision optimization offering from IBM that helps organizations make more informed decisions by setting constraints, finding bottlenecks, evaluating what-if scenarios, and offering choices. I gave a sense of the flow of inputs and outputs at a high level, but let’s go deeper.

We can think of machine learning as focused on insights — for example, insights that help enable better forecasts. By contrast, decision optimization focuses on actions such as creating specific plans or schedules based on those forecasts.
Predictive vs. Prescriptive

We know that machine learning can offer help for complex, next-best action decisions, whether the decision is about choosing a career, choosing a business strategy, or choosing whether to turn left or right at a point in a journey. But we also know that many difficult choices are really a combination of more than one decision — decisions that involve complex, interdependent trade-offs. For those choices, it’s important to consider how the decisions might affect each other, how they affect the larger goals, and how various rules or constraints limit the range of good decisions.

For example, the airline mentioned above will have access to public data for weather patterns, airport closures, and air traffic activity — in addition to their own private data of engine types, instrumented data, mechanical expertise for maintenance tasks, and staffing.

With good predictive algorithms and enough data, they can anticipate the likelihood of failure of each engine for each plane. That helps them create a preventive maintenance plan for each plane. But what if two planes need to be maintained at a time when only one technician is available? What if two planes are triggered for maintenance on the same critical route? The maintenance planner ends up having to solve the conflict manually — but extrapolate that conflict to a large, international airline with thousands of planes and the manual approach becomes untenable — or at least massively inefficient.

This is where decision optimization can play a role. The airline’s failure predictions become the data input to a decision optimization model that can not only consider multiple predictions simultaneously, but can also factor in customer service, costs, and other trade-offs, as well as availability and skill of maintenance engineers, demand on the airline routes, availability of maintenance facilities — all within a single model. The output is a maintenance schedule for the entire fleet, which can potentially minimize customer disruption and costs, and eliminate manual intervention by the maintenance planner.

A quick aside: I spend most of my time focused on clients whose data lives behind the firewall. These are often industry giants with masses of accumulated data that they’re eager to feed into machine learning algorithms to generate deep knowledge about the organization. Whether it’s transaction records, logs of customer behavior online, healthcare archives, or other proprietary information, taking advantage of that data can be like wielding a secret weapon.

But as the airline example makes clear, tapping that data for predictions isn’t enough. To get to more informed decisions requires prescriptive analytics.
Goals + Predictions + Rules + Data = Decisions

To generate decisions such as plans and schedules, optimization models and optimizer engines consider business goals, and how those goals can be affected by various decisions. For this, the models also take as input predictions, business rules, and other business data required to describe the goals and rules.

Another good example of how predictive and prescriptive technology complement each other is the global tire manufacturer that wanted to gain competitive advantage by eliminating inefficiencies in its production across 10,000 different products. Using predictive technology, the company could anticipate the demand of these 10,000 products across its supply network. This was then used as an input to IBM Decision Optimization, which simultaneously considered up to ten million constraints across all plants and products — and automatically generated a production plan for all products across all locations, highlighting where bottlenecks might occur.

In this example, the decision optimization model also considered the many business goals and rules (also called constraints), such as demand, available resources, costs, yields, production recipes, operational constraints, and customer preferences.

In other words, the optimization engine generates decisions by using one or more mathematical models to combine a machine-learning analysis of the situation at hand and the possible future states (data and predictions) with a set of goals and choice of possible decisions affecting those goals. Optimization can consider millions of choices simultaneously to provide plans and schedules much faster than traditional planning approaches — typically with significant improvements in Key Performance Indicators (KPIs).

Configuring business rules and constraints doesn’t happen automatically and normally requires human intervention, but advances in natural language processing can enable non-experts to build, test, and visualize rules involving, for example, revenue, inventory capacity, schedules, labor limits, or any number of additional business impacts. With machine learning, optimization, and rules engines combined, decision models could get more sophisticated over time by suggesting additional rules or adapting existing rules.

As the figure below suggests, the inputs of an optimization process are a combination of forecasts generated by machine learning technology (such as demand forecasts), other data (such as resource availability, costs, yields, and recipes), and a description of the rules or constraints limiting the decisions (such as capacities or customer preferences), as well as the business goals to optimize (such as costs, revenue, or customer service).

All these factors are input into one or more optimization models, which are analyzed by the optimizer engines. The output from the process is usually a recommended set of actions, plans, or schedules designed to optimize the defined goals.

The optimization process typically happens continuously in an organization, and often in the form of what-if analysis. What if the demand forecast is 10% higher? What if the demand forecast is 10% lower? To go a step further, we advance to technology for optimization under uncertainty, which could answer the what-if questions within a single model. (But that’s the topic of another post.)

This post just scratches the surface of where we think decision optimization is headed over the next months and years. Check back for more posts as we go deeper, and in the meantime, find out more about IBM’s Decision Optimization Center.

Machine LearningBig DataDecision MakingIBM

Go to the profile of Dinesh Nirmal
Dinesh Nirmal

Vice President — Analytics Development, Site Executive IBM Silicon Valley Lab. The opinions expressed are my own and don’t necessarily represent those of IBM.
Inside Machine learning
Inside Machine learning

Deep-dive articles about machine learning and data. Curated by IBM Analytics.
More from Inside Machine learning
IoT and the Autonomous Vehicle in the Clouds: SLAM with Kafka™ and Spark™ Streaming
Go to the profile of J. WHITE BEAR
J. WHITE BEAR
Related reads
Baidu Deep Voice explained: Part 1 — the Inference Pipeline
Go to the profile of Dhruv Parthasarathy
Dhruv Parthasarathy
More from Inside Machine learning
Extend structured streaming for Spark ML
To learn more about Spark’s Machine Learning APIs, check out Holden Karau’s and Seth Hendrickson’s session Extending Spark ML at Spark…
Go to the profile of holden karau
holden karau

AustriainBG‏ @AustriainBG 15 mars
Very pleasant visit from graduates of @MFABulgaria Diplomatic Institute at @AustriainBG including waltz dancing course.
À l'origine en anglais, traduit par Bing
Très agréable visite de diplômés de @MFABulgaria Institut diplomatique à @AustriainBG y compris valse danse cours.

Guvernul României‏Compte certifié @guv_ro 24 mars

Alături de alte 70 de instituţii din ţară, ne alăturăm pentru al 4-lea an consecutiv campaniei @earthhour organizată de @WWF_Romania
À l'origine en roumain, traduit par Bing

Avec d’autres institutions dans 70 pays, nous nous associons pour la 4ème année consécutive @earthhour campagne organisée par @WWF_Romania

http://orkhidion-velamen.forumactif.com/t15-election-mexicaine-de-2018-ou-la-chute-du-hollandisme-francais-et-macronique#73


SouthSanFranciscoPD‏ @SSFPolice
Badge and Swearing in Ceremony at the South San Francisco Police Department: bit.ly 2nYY52Q
À l'origine en anglais, traduit par Bing
Badge et assermentation dans le département de Police de South San Francisco : bit.ly 2nYY52Q
A historic day in the South San Francisco Police Department as we honored the promotion of Police Service Technician Nelson Primo and also welcomed Officer Sean Evans, Officer Brendan Hart, Officer Anthony Pappas, Parking Enforcement Officer Payal Ram, Parking Enforcement Officer Troy Patea, and Records Specialist David Hardley! We thank all those who attended the event.
Une journée historique dans le département de la police du sud de San Francisco, comme nous avons honoré la promotion du technicien de service de la police Nelson Primo et de l'officier Sean Evans, officier Brendan Hart, agent Anthony Pappas, agent de police Payal Ram, agent de police, Troy Patea, et Spécialiste David Hardley ! Nous remercions tous ceux qui ont assisté à l'événement.

NASA JPL‏Compte certifié @NASAJPL
Merger-mania: supermassive #blackhole in a tiny galaxy is shifting ideas about what happens when 2 galaxies become 1 https://go.nasa.gov/2n9JRaR
À l'origine en anglais, traduit par Bing
Fusion-mania : supermassive #blackhole dans une petite galaxie se déplace des idées sur ce qui se passe quand les 2 galaxies become 1 https://go.nasa.gov/2n9JRaR

A supermassive black hole inside a tiny galaxy is challenging scientists' ideas about what happens when two galaxies become one.

Was 49 is the name of a system consisting of a large disk galaxy, referred to as Was 49a, merging with a much smaller "dwarf" galaxy called Was 49b. The dwarf galaxy rotates within the larger galaxy's disk, about 26,000 light-years from its center. Thanks to NASA's Nuclear Spectroscopic Telescope Array (NuSTAR) mission, scientists have discovered that the dwarf galaxy is so luminous in high-energy X-rays, it must host a supermassive black hole much larger and more powerful than expected.

"This is a completely unique system and runs contrary to what we understand of galaxy mergers," said Nathan Secrest, lead author of the study and postdoctoral fellow at the U.S. Naval Research Laboratory in Washington.

Data from NuSTAR and the Sloan Digital Sky Survey suggest that the mass of the dwarf galaxy's black hole is huge, compared to similarly sized galaxies, at more than 2 percent of the galaxy's own mass.

"We didn't think that dwarf galaxies hosted supermassive black holes this big," Secrest said. "This black hole could be hundreds of times more massive than what we would expect for a galaxy of this size, depending on how the galaxy evolved in relation to other galaxies."

The dwarf galaxy's black hole is the engine of an active galactic nucleus (AGN), a cosmic phenomenon in which extremely high-energy radiation bursts forth as a black hole devours gas and dust. This particular AGN appears to be covered by a donut-shaped structure made of gas and dust. NASA's Chandra and Swift missions were used to further characterize the X-ray emission.

Normally, when two galaxies start to merge, the larger galaxy's central black hole becomes active, voraciously gobbling gas and dust, and spewing out high-energy X-rays as matter gets converted into energy. That is because, as galaxies approach each other, their gravitational interactions create a torque that funnels gas into the larger galaxy's central black hole. But in this case, the smaller galaxy hosts a more luminous AGN with a more active supermassive black hole, and the larger galaxy's central black hole is relatively quiet.

An optical image of the Was 49 system, compiled using observations from the Discovery Channel Telescope in Happy Jack, Arizona, uses the same color filters as the Sloan Digital Sky Survey. Since Was 49 is so far away, these colors are optimized to separate highly-ionized gas emission, such as the pink-colored region around the feeding supermassive black hole, from normal starlight, shown in green. This allowed astronomers to more accurately determine the size of the dwarf galaxy that hosts the supermassive black hole.

The pink-colored emission stands out in a new image because of the intense ionizing radiation emanating from the powerful AGN. Buried within this region of intense ionization is a faint collection of stars, believed to be part of the galaxy surrounding the enormous black hole. These striking features lie on the outskirts of the much larger spiral galaxy Was 49a, which appears greenish in the image due to the distance to the galaxy and the optical filters used.

Scientists are still trying to figure out why the supermassive black hole of dwarf galaxy Was 49b is so big. It may have already been large before the merger began, or it may have grown during the very early phase of the merger.

"This study is important because it may give new insight into how supermassive black holes form and grow in such systems," Secrest said. "By examining systems like this, we may find clues as to how our own galaxy's supermassive black hole formed."

In several hundred million years, the black holes of the large and small galaxies will merge into one enormous beast.

NuSTAR is a Small Explorer mission led by Caltech and managed by JPL for NASA's Science Mission Directorate in Washington. NuSTAR was developed in partnership with the Danish Technical University and the Italian Space Agency (ASI). The spacecraft was built by Orbital Sciences Corp., Dulles, Virginia. NuSTAR's mission operations center is at UC Berkeley, and the official data archive is at NASA's High Energy Astrophysics Science Archive Research Center. ASI provides the mission's ground station and a mirror archive. JPL is managed by Caltech for NASA.

For more information on NuSTAR, visit:

http://www.nasa.gov/nustar

http://www.nustar.caltech.edu

News Media Contact
Elizabeth Landau
Jet Propulsion Laboratory, Pasadena, Calif.
818-354-6425
elizabeth.landau@jpl.nasa.gov

2017-088

http://orkhidion-velamen.forumactif.com/t15-election-mexicaine-de-2018-ou-la-chute-du-hollandisme-francais-et-macronique#73

Les Bateliers de la Volga (chanson)
Page d'aide sur l'homonymie Pour les articles homonymes, voir Les Bateliers de la Volga.
Les Bateliers de la Volga d'Ilia Répine montre un attelage de "bourlaques" (бурлаки) tirant une bolozane.

Les Bateliers de la Volga est une célèbre chanson traditionnelle russe dépeignant la souffrance des basses classes de la Russie impériale. Elle ne concerne pas seulement la Volga (le nom "de la Volga", qui change selon les fleuves, n'est qu'une variante) mais tous les "bourlaques" (russe бурлаки : tireurs d'amarres, exploités comme des bêtes par les patrons-bateliers). Le titre russe est Эй, ухнем ! (Hé, ho hisse) et c'est depuis que Mili Balakirev l'a répertoriée dans sa variante "volguienne" et publiée en 1866 dans son livre de chansons folkloriques, qu'elle a pris ce nom. Ilia Répine s'en est inspiré pour peindre son fameux tableau Les Bateliers de la Volga. Vassili Verechtchaguine a aussi peint l'un d'entre eux dont on ne voit qu'une partie du harnais. Malgré son sort pathétique il nous salue.
Reprises
Fichier audio
Les Bateliers de la Volga
Menu
0:00
Эй, ухнем ! interprétée par Fédor Chaliapine
Des difficultés à utiliser ces médias ?
Des difficultés à utiliser ces médias ?
modifier Consultez la documentation du modèle

La chanson a été popularisée par Fédor Chaliapine et est devenue un titre apprécié du répertoire des basses et des chœurs russes.

Igor Stravinski en a fait une orchestration pour vents et batterie en 1917.

Le compositeur espagnol Manuel de Falla en a écrit un arrangement publié en 1922 sous le titre Canto de los remeros del Volga.

En 1941, une interprétation de Glenn Miller a été numéro un aux États-Unis sur la Billboard Best Sellers chart sous le titre Song of the Volga Boatmen.

En 1968, Ivan Rebroff en a fait l'un de ses succès, connu en Allemagne sous le nom de Lied der Wolgaschlepper.

Elle fait partie du répertoire des Chœurs de l'Armée rouge et du Chœur des Cosaques de l'Oural.
Paroles
Russe Translittération (Selon la norme

ISO 9)
Traduction française

Эй, ухнем!
Эй, ухнем!
Ещё разик, ещё да раз!
Эй, ухнем!
Эй, ухнем!
Ещё разик, ещё да раз!

Разовьём мы берёзу,
Разовьём мы кудряву!
Ай-да, да ай-да,
Aй-да, да ай-да,
Разовьём мы кудряву.

Мы по бережку идём,
Песню солнышку поём.
Ай-да, да ай-да,
Aй-да, да ай-да,
Песню солнышку поём.

Эй, эй, тяни канат сильней!
Песню солнышку поём.
Эй, ухнем!
Эй, ухнем!
Ещё разик, ещё да раз!

Эх ты, Волга, мать-река,
Широка и глубока,
Ай-да, да ай-да,
Aй-да, да ай-да,
Волга, Волга, мать-река

Эй, ухнем!
Эй, ухнем!
Ещё разик, ещё да раз!
Эй, ухнем!
Эй, ухнем!



Èj, uhnem!
Èj, uhnem!
Eŝë razik, eŝë da raz!
Èj, uhnem!
Èj, uhnem!
Eŝë razik, eŝë da raz!

Razov'ëm my berëzu,
Razov'ëm my kudrâvu!
Aj-da, da aj-da,
Aj-da, da aj-da,
Razov'ëm my kudrâvu.

My po berežku idëm,
Pesnû solnyšku poëm.
Aj-da, da aj-da,
Aj-da, da aj-da,
Pesnû solnyšku poëm.

Èj, èj, tâni kanat sil'nej!
Pesnû solnyšku poëm.
Èj, uhnem!
Èj, uhnem!
Eŝë razik, eŝë da raz!

Èh ty, Volga, mat'-reka,
Široka i gluboka,
Aj-da, da aj-da,
Aj-da, da aj-da,
Volga, Volga, mat'-reka,

Èj, uhnem!
Èj, uhnem!
Eŝë razik, eŝë da raz!
Èj, uhnem!
Èj, uhnem!



Hé, ho hisse !
Hé, ho hisse !
Encore une fois, oui encore une fois.
Hé, ho hisse !
Hé, ho hisse !
Encore une fois, oui encore une fois.

Nous trainons de gros bouleaux,
Nous tirons péniblement.
Ah oui, oui, ah oui !
Ah oui, oui, ah oui !
Nous trainons de gros bouleaux.

Nous marchons à côté des barges,
Entonnant notre chanson au soleil.
Ah oui, oui, ah oui !
Ah oui, oui, ah oui !
Entonnant notre chanson au soleil.

Hé, hé, nous halons dur
En chantant notre chanson au soleil
Hé, ho hisse !
Hé, ho hisse !
Encore une fois, oui encore une fois.

Eh toi, Volga, rivière maternelle,
Immense et profonde.
Ah oui, oui, ah oui !
Ah oui, oui, ah oui !
Volga, Volga, rivière maternelle.

Hé, ho hisse !
Hé, ho hisse !
Encore une fois, oui encore une fois
Hé, ho hisse!
Hé, ho hisse!

Benjamin Netanyahu‏Compte certifié @netanyahu 21 hil y a 21 heures
I will be speaking shortly via satellite to AIPAC Policy Conference 2017 in Washington, DC. Watch live:
Je parlerai peu de temps par satellite à l’AIPAC 2017 de conférence politique à Washington, DC. Watch live : https://youtu.be/0_Z1I9bDUGc

and

Benjamin Netanyahu‏Compte certifié @netanyahu 26 mars

במהלך ביקורי בסין: 25 חברות ישראליות חתמו על עסקאות בהיקף של כ-2 מיליארד דולר. הנה דברים שאמרתי היום בפתח ישיבת הממשלה >>
À l'origine en hébreu, traduit par Bing
Au cours de visites de Chine : 25 entreprises ont signé des contrats d’une valeur d’environ 2 milliards de dollars. Voici ce que j’ai dit aujourd'hui à l’ouverture de la réunion du gouvernement > >

Le Monde du Silence, Le phare de Y'becca et Police la Coatie

L'Homme arrête sa réflexion; il ouvre sa fenêtre
pour laisser l'air pénétrer la pièce...
Il laisse ses ides et idées, s'envoler et
s'évaporer devant un pot de fleur:
Il s’étend sur le parquet... L'homme
fixe le plafond et replonge dans le calme.

Une femme traverse son esprit
et puis un désir de reconquête enflamme
le cœur du déchu... Et puis alors le masculin
du désir s'éveille dans le ventre de cet homme,
qui devient "cette homme"

Le Clans des mouettes se prononce différemment
du Clan des mouettes... L'Homme pousse un profond
soupir et fixe l'Horloge... Un rendez vous est prévu
sur ce sens de l'aiguille entre le masculin et le féminin;
entre le pluriel et le singulier ainsi Tel le décrit Platon
dans la caverne; l'orthographe assimile l'hermaphrodisme
par le son et l’ambiguïté du temps...

Il lui reste dix minutes à se reposer... Puis deux ou même
trois minutes après, il décide de quitter son appartement...
Car, l'avance est une source de tranquillité... Il se reflete
dans un miroir qu'il appelle photographie; son ombre se mélange
à la substance créative de nuages. Fier d'avoir déjouer
pour un instant, la prophétie du cabinet noir et de l'Homme
pressé. Oui, il savoure d'avoir traversé les rives du Jourdain;

Un nouveau baptême enflamme son cœur. Il prie pour les ombres
et les vivants qui accompagne ces ombres. il décrit l'adversité
à venir mais celle ci n'est que soulagement devant le triomphe
de l'espérance Libérée... Le Testament n'est qu'un aspect
de son héritage; il laisse l'empreinte d'un art sur l'obscurantisme.
Dans le tréfonds d'un puit, il est l’âne qui est remonté de la
poussière qu'on lui jetait.

Une femme traverse son esprit
et puis un désir de reconquête enflamme
le cœur du déchu... Et puis alors le masculin
du désir s'éveille dans le ventre de cet homme,
qui devient "cette homme".

Souviens toi d'elle, cette douce vierge apeuré par le sang et la douleur
mais ivre de marcher et de courir, défiant l'Horizon de son arrogance.
elle est loin d'être morte dans le fait de grandir, devenue femme qu'elle
est une douleur qui ne s'estompe pas: celui du Siège. Oui, Marcher.
Souviens toi de toi, ce jeune libertaire qui voulait devenir
archéologue des pierres et qui devient comme
L’Anticonstitutionnellement. L'Inconstitutionnellement se mue en jalousie
et en prophétie antique sur le progrès et la persécution...

Moi, j'ai évolué dans une forme de sympathie ayant une forme de compassion;
ces paraphrases de discours sont les premières étapes qui conduisent les
hommes physiques vers l’exéma et qui les éloigne du sens de morale,
puis de pardon. La Constitution morale est tout comme une goutte d'eau.
Elle s’avère selon le caractère être une source d'océan et pour d'autres,
un chuchotement conduisant à la folie... Construite est ma conscience...

Ecrit de
Monsieur Tignard Yanis

_________________
Kounak le chat....