Faire émerger les théma.ques et les opinions : applica.on à l'analyse des médias sociaux
|
|
- Émilie Ducharme
- il y a 8 ans
- Total affichages :
Transcription
1 Faire émerger les théma.ques et les opinions : applica.on à l'analyse des médias sociaux Julien Velcin Laboratoire ERIC hup://mediamining.univ- lyon2.fr/velcin 3 ème Séminaire recherche informa.que/ informa.on médicale Big Data à l'hôpital : retour d'expériences et perspec.ves Vendredi 3 Juillet Hôpital Saint Louis, Paris
2 Ecosystème du laboratoire ERIC Axe Carrés 2 ter Académiques Licence, Master, Doctorat 2 équipes : SID & DMD BI, math appli, data mining Entreprises 2
3 Plan de l exposé Par.e I : Web et Science des données Par.e II : Analyse de l opinion Par.e III : Quels ou.ls pour la fouille? 3
4 PARTIE I : WEB ET SCIENCE DES DONNÉES
5 Un déluge de données 36M de pages 20 milliards de photos partagées jusqu à aujourd hui 1,28 milliards u.lisateurs ac.fs + de 50M pages 255M u.lisateurs ac.fs 500M tweets (par jour) 50 milliards de pages indexées 60M ar.cles 61M commen- taires (par mois) 125 s prof. envoyés / reçus (par jour) in 187M u.lisateurs ac.fs 44k candidatures (par jour) +1 milliards d u.lisateurs 100h de vidéo ajoutées (par minute) 40M u.lisateurs ac.fs 5
6 Et ce n est pas fini De plus en plus de données numériques : Source IDC, cité dans The Economist en zeuabyte = byte 6
7 Science des données A la convergence de nombreux domaines : Informa.que Mathéma.ques, sta.s.ques Intelligence ar.ficielle Informa.on et communica.on, linguis.que Comment valoriser toutes ces données? extraire, stocker, maintenir explorer, analyser, visualiser valider et acquérir des connaissances u.liser ces connaissances 7
8 Fouille des données complexes Adapter les approches existantes car : Volume important de données Variété des données (texte, structure, image, etc.) Vélocité des données etc. Pour les données textuelles : saut séman.que entre la forme et le fond la langue est variée et vivante malédic.on de la dimension 8
9 Représenter et comparer des textes Mul.ples façons de représenter des textes : Bag- Of- Words (BOW), Vector Space Model (VSM) Représenta.ons enrichies avec des méta- données (ex. : catégories gramma.cales, en.tés nommées) Représenta.on par des arbres syntaxiques Représenta.on plus complexe (graphes ) Comparer deux textes : Comparer des vecteurs (cf. travaux récents de «plongement de mots» = word embedding) Comparer des arbres, des graphes 9
10 Vector Space Model (VSM) (Salton, 1989) Représenta.on la plus u.lisée aujourd hui Approche de type BOW Texte = vecteur dans un espace à n dimensions n = nombre de termes Les termes sont en général pondérés 10
11 PARTIE II : ANALYSE DE L OPINION
12 Du rôle des médias (Lippmann,1922) 12
13 Et à l ère d Internet? 13
14 Quelle image au sujet de? Eurobaromètre Spécial 303 / Vague 70.1 TNS Opinion & Social Produits : livre, film, imprimante Entreprises : Google, EDF, MacDonald Personnes : célébrité, homme poli.que Evénements : tremblement de terre, guerre Idée, ques.on de société, sens de la vie 14
15 Influence des réseaux sociaux sur la primaire américaine de 2008 (Williams et Gula., 2008) 15
16 Les médias sociaux comme baromètres Volume prodigieux de données à moissonner : 1,23 milliards de comptes Facebook 241 millions d u.lisateurs de TwiUer, produisant un million de messages par heure en moyenne des milliers de sites Web d informa.on, de blogs Quelques exemples de tweet : «Geste fort du président #Hollande qui par.cipera ce jeudi à la journée des mémoires, de la traite, de l'esclavage et de leurs aboli.ons.», «Le discours de Hollande à Marseille? Incantatoire et incohérent selon Ciox», «Pour moi, il n'y a qu'un seul Président de l'ump face à qui personne n'ose se présenter: Nicolas #Sarkozy. AUendons le!» 16
17 Prédire avec TwiUer? Succès pour prédire les résultats au box office (Asur and Huberman, 2010), l évolu.on d une épidémie (McIver and Brownstein, 2014), mais aussi ceux des élec.ons de 2009 en Allemagne (Tumasjan et al., 2010) Mais d autres voix s élèvent pour contrarier les op.mistes, voir (O'Connor et al., 2010), (Metaxes et al., 2011), (Mejova et al., 2013) 17
18 Analyse de l opinion à travers les médias sociaux, oui mais hétérogènes Video/picture sharing Opinion sharing Blogs volumineux contenu textuel incomplets, imprécis, non fiables Microblogging Social Networks News websites MMO, Social gaming, virtual worlds Knowledge sharing interconnectés dynamiques 18
19 PARTIE III : OUTILS DE FOUILLE DES DONNEES COMPLEXES
20 Fouille des données Extraire des connaissances u.les (pépites) à par.r des données Probléma.ques : Extrac.on, stockage des données Représenta.on, indexa.on Analyse des données Evalua.on, visualisa.on Prise de décision 20
21 Pour les données textuelles Extrac.on, stockage des données : è Comment gérer l hétérogénéité des formats? è Quelle structure de stockage? Représenta.on, indexa.on : è Quelle est la meilleure représenta.on? è Comment indexer les données de manière efficace? Analyse des données : è Comment comparer des données textuelles? è Quels algorithmes choisir? 21
22 Approches en fouille de données Approches guidées par le haut : recherche d informa.on, classifica.on, régression Approches exploratoires : agréga.on, résumé, extrac.on de tendances Méthode phare : l appren.ssage automa.que apprendre à par.r d observa.ons et faire de l inférence ex. : détec.on de spam, filtrage parental, typologie des clients, ges.on de la réputa.on 22
23 Prédic.on des opinions Qu est- ce qu une opinion? «Cet acteur est décidément très fort!» «I would prefer a lighter camera» Appliquée aux données issues des médias sociaux : blogs, forums, tweets Récemment employée pour : résumer le sen.ment envers des produits prédire les résultats au box office prédire les résultats électoraux 23
24 Difficulté d analyser l opinion Messages courts (importance du contexte) Langue vivante : abrévia.ons, argot, néologismes, fautes de français Hétérogène : présence d urls, images, mots clefs et hashtags, etc. Circonlocu.ons, humour, ironie Opinion qui varie dans le temps 24
25 Classifier pour prédire les opinions Contribu.on : améliorer une classifica.on Naive Bayes avec des connaissances à priori Seed lists : adorer, avantage, abordable, u.le inconvénient, désarroi, gâcher, mécontent Par.cipa.on à Sem- Eval@NAACL /35 et 3/16 sur le jeu de données officiel (tweets) Quelques résultats : (Dermouche et al., 2013) 25
26 Merci!
27 Références (extrait) (Dermouche et al., 2013) AMI&ERIC: How to Learn with Naive Bayes and Prior knowledge: an Applica.on to Sen.ment Analysis, (Dermouche et al., 2014) A Joint Model for Topic- Sen.ment Evolu.on over Time, ICDM (McCombs and Shaw, 1972) The agenda- sexng func.on of mass media. Public opinion quarterly, 36 (2): , (McIver and Brownstein, 2014) Wikipedia Usage Es.mates Prevalence of Influenza- Like Illness in the United States in Near Real- Time, PLoS computa.onal biology, (Mejova et al., 2013) GOP primary season on twiuer: popular poli.cal sen.ment in social media, WSDM (Tumasjan et al., 2010) Predic.ng Elec.ons with TwiUer: What 140 Characters Reveal about Poli.cal Sen.ment, ICWSM (Velcin et al., 2014) Inves.ga.ng the Image of En..es in Social Media: Dataset Design and First Results, LREC (Williams and Gula., 2008) What is a social network worth? Facebook and vote share in the 2008 presiden.al primaries, Annual Mee.ng of the American Poli.cal Science Associa.on, vol. 54,
Data Mining, Data Scien-st, Data Analy-cs, CRM, Modélisa-on et ou-ls mathéma-ques Eclairages et principes
Data Mining, Data Scien-st, Data Analy-cs, CRM, Modélisa-on et ou-ls mathéma-ques Eclairages et principes Michel Béra Professeur du Cnam (Chaire de Modélisa-on sta-s-que du risque) Cours STA201 Comment
Plus en détailDevenez un virtuose de Google. Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com
Devenez un virtuose de Google Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com Google Google est une société fondée en 1998 en Californie par Larry Page et Sergey Brin.
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailConsultants, trouvez de nouveaux marchés grâce aux médias sociaux animé par Valérie March au Salon des micro- entreprises 2012
Consultants, trouvez de nouveaux marchés grâce aux médias sociaux animé par Valérie March au Salon des micro- entreprises 2012 Conseils pra,ques et ou,ls pour Prospecter plus efficacement Faire connaître
Plus en détailPrésenta6on Isatech. ERP, Décisionnel, Architecture Systèmes & Réseaux. Isatech Tous droits réservés Page 1
Présenta6on Isatech ERP, Décisionnel, Architecture Systèmes & Réseaux Isatech Tous droits réservés Page 1 L offre globale Couvrir l intégralité de la chaîne du SI Isatech Tous droits réservés Page 2 Isatech
Plus en détailCollabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants:
Collabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants: Tassadit BOUADI 22 Juin 2010, Saint Jacut 1 Plan Introduc
Plus en détailBaromètre Direct Assurance des cyberconsommateurs
Avril 2013 DIRECT ASSURANCE Baromètre Direct Assurance des cyberconsommateurs 3 ème vague Paris Toronto Shanghaï Buenos Aires Connection creates value Méthodologie Échan0llon Pour ce(e étude, un échan0llon
Plus en détailBig Data? Big responsabilités! Paul-Olivier Gibert Digital Ethics
Big Data? Big responsabilités! Paul-Olivier Gibert Digital Ethics Big data le Buzz Le Big Data? Tout le monde en parle sans trop savoir ce qu il signifie. Les médias high-tech en font la nouvelle panacée,
Plus en détailSpeed up your business
Speed up your business 1 Sommaire 1. Un concept innovant de communica3on cross media 2. Les Ou3ls UpMyCom a. Plateforme de Blog b. Plateforme de Quiz - Communica3on externe - Communica3on interne c. Jeux
Plus en détailLe réseau social des professionnels de la presse pro. Publiez vos articles auprès des professionnels de la presse pro
Le réseau social des professionnels de la presse pro Publiez vos articles auprès des professionnels de la presse pro QUI SOMMES NOUS? Presse-Connect est le réseau social destiné aux acteurs de la presse
Plus en détailOffre Azimut CONTENT MARKETING. A l a&en)on de : Date de remise : Version : 3.0
Offre Azimut CONTENT MARKETING A l a&en)on de : Date de remise : Version : 3.0 01 Marke3ng de Contenu Ecosytème Editorial Offre & Ou3ls Azimut Content Marke3ng Méthodologie Content management Qui sommes-
Plus en détailRéunion de rentrée Licence PER Programma3on en environnement répar3. Année universitaire 2014-2015
Réunion de rentrée Licence PER Programma3on en environnement répar3 Année universitaire 2014-2015 Intervenants de la présenta3on Responsables de la forma/on Bogdan Cau/s, bogdan.cau/s@u- psud.fr Jean-
Plus en détailDysplasie osseuse. Groupe hétérogène de maladies géné%ques 440 types individuellement très rares Manifesta%ons possibles :
Cura%on de contenu «La cura%on de contenu (de l'anglais content cura*on ou data cura*on) est une pra%que qui consiste à sélec%onner, éditorialiser et partager les contenus les plus per%nents du Web pour
Plus en détailIntégration de données complexes pour une vision 360 du client. Chloé Clavel EDF R&D Département ICAME
Intégration de données complexes pour une vision 360 du client Chloé Clavel EDF R&D Département ICAME Contexte : projet R&D sur l intégration de données complexes pour la connaissance client Objectif :
Plus en détailFORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis
FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités
Plus en détailMe#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on
Me#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on Thierry Badard, PhD, ing. jr Centre de Recherche en Géoma6que Conférence ITIS - Big Data et Open Data au coeur
Plus en détailVers un Système unique d informa4on na4onale de médicaments au Mexique, dans le cadre du suivi de l OMD 8.13
Vers un Système unique d informa4on na4onale de médicaments au Mexique, dans le cadre du suivi de l OMD 8.13 México Angélica Ivonne Cisneros- Luján Lisbonne, 11 septembre 2012 CONTEXTE et DÉSCRIPTION du
Plus en détailCQP 112 Introduc/on à la programma/on. Thème 2 : Architecture d un système informa/que. Département d informa/que
CQP 112 Introduc/on à la programma/on Thème 2 : Architecture d un système informa/que Département d informa/que CQP 112 : Introduc/on à la programma/on Plan 1. Historique des ordinateurs 2. Composants
Plus en détailEmergence du Big Data Exemple : Linked Open Data
1 CNRS - Misionpour l'interdisciplinarité Mokrane Bouzeghoub 1 Une approche interdisciplinaire des grandes masses de données (Défi Mastodons) Mokrane Bouzeghoub DAS INS2I / MI Ecole de L Innova.on Thérapeu.
Plus en détailAnticiper et prédire les sinistres avec une approche Big Data
Anticiper et prédire les sinistres avec une approche Big Data Julien Cabot Directeur Big Data Analytics OCTO jcabot@octo.com @julien_cabot OCTO 2013 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél
Plus en détailLes défis statistiques du Big Data
Les défis statistiques du Big Data Anne-Sophie Charest Professeure adjointe au département de mathématiques et statistique, Université Laval 29 avril 2014 Colloque ITIS - Big Data et Open Data au cœur
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailMapReduce. Nicolas Dugué nicolas.dugue@univ-orleans.fr. M2 MIAGE Systèmes d information répartis
MapReduce Nicolas Dugué nicolas.dugue@univ-orleans.fr M2 MIAGE Systèmes d information répartis Plan 1 Introduction Big Data 2 MapReduce et ses implémentations 3 MapReduce pour fouiller des tweets 4 MapReduce
Plus en détailLes datas = le fuel du 21ième sicècle
Les datas = le fuel du 21ième sicècle D énormes gisements de création de valeurs http://www.your networkmarketin g.com/facebooktwitter-youtubestats-in-realtime-simulation/ Xavier Dalloz Le Plan Définition
Plus en détailCommentWatcher. plateforme Web open-source pour analyser les discussions sur des forums en ligne. Marian-Andrei RIZOIU
CommentWatcher plateforme Web open-source pour analyser les discussions sur des forums en ligne Marian-Andrei RIZOIU 2ème octobre 2013 BLEND 2013 Lyon, France Contexte Laboratoire ERIC Université Lumière
Plus en détail#GoSocial. solutions de marketing communautaire & social crm
#GoSocial La révolution du Social Média Depuis quelques années, les médias sociaux ont métamorphosé le paysage du web et les modes de communication entre les individus et les marques. Hier encore spectateurs,
Plus en détailLes réseaux sociaux et le mobile au service de l industrie du tourisme digital
Les réseaux sociaux et le mobile au service de l industrie du tourisme digital eafortier@adknowledge.com fr.linkedin.com/in/eafortier @ericalexfortier Eric- Alexis For:er 5 Décembre 2013 Qui sommes- nous?
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailHervé Couturier EVP, SAP Technology Development
Hervé Couturier EVP, SAP Technology Development Hervé Biausser Directeur de l Ecole Centrale Paris Bernard Liautaud Fondateur de Business Objects Questions à: Hervé Couturier Hervé Biausser Bernard Liautaud
Plus en détailComment u)liser les réseaux sociaux?
Comment u)liser les réseaux sociaux? Améliorer sa notoriété/visibilité? Atelier Webmarketing 2014 Awex Eupen Yves Vandeuren Be Quiet Décembre 2014 Yves Vandeuren Services : Conseils en Marke-ng // Digital
Plus en détailLes Organisa+ons Non- Gouvernementales et les réseaux sociaux
Les Organisa+ons Non- Gouvernementales et les réseaux sociaux en partenariat avec : Pe1t- déjeuner du 13 janvier 2015 2014 Harris Interac1ve Inc. All rights reserved. SOMMAIRE > Méthodologie d enquête
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailEmergence du Big Data Exemple : Linked Open Data
16/05/2014 Une approche interdisciplinaire des grandes masses de données (Défi Mastodons) Mokrane Bouzeghoub DAS INS2I / MI 1 Emergence du Big Data Exemple : Linked Open Data Accès à plusieurs BD scientifiques
Plus en détailÉvolu>on et maintenance
IFT3912 Développement et maintenance de logiciels Évolu>on et maintenance Bruno Dufour Université de Montréal dufour@iro.umontreal.ca Modifica>on des logiciels Les modifica>ons sont inévitables Des nouveaux
Plus en détailSites Internet : les. tendances. Jeudi 30 janvier 2014 Bordeaux L AGENCE CONNECTÉE À L ENTREPRISE
Sites Internet : les tendances pour 2014 Jeudi 30 janvier 2014 Bordeaux L AGENCE CONNECTÉE À L ENTREPRISE Inaa$v, une agence de communica$on avec des spécificités CONSEiL EN COMMUNICATION FoRmatiOns WEBMARKETING
Plus en détailLes méthodes Agiles. Introduc)on aux méthodes Agiles Exemple : Scrum
Les méthodes Agiles Introduc)on aux méthodes Agiles Exemple : Scrum Défini)on de base Les méthodes Agiles sont des procédures de concep)on de logiciel qui se veulent plus pragma)ques que les méthodes tradi)onnelles
Plus en détailCATALOGUE DES OFFRES 2014
CATALOGUE DES OFFRES 2014 GM_Oct 2014 Sommaire P9 DIAGNOSTIQUER Etat des lieux de l entreprise P3 REPRESENTER La défense des entrepreneurs P7 Sécurisaon des impayés P7 Projet à l international P7 Assistantes
Plus en détailEntreprise et Big Data
Entreprise et Big Data Christophe Favart Chef Architecte, SAP Advanced Development, Business Information Technology Public Juin 2013 Agenda SAP Données d Entreprise Big Data en entreprise Solutions SAP
Plus en détailSpécialité IAD. Master de Sciences et technologie de l UPMC. Mention informatique. Partenaires : ENST, ENSTA. Responsables : T. Artières, C.
Master de Sciences et technologie de l UPMC Mention informatique Spécialité IAD Partenaires : ENST, ENSTA Responsables : T. Artières, C. Gonzales Secrétariat : N. Nardy LES THÉMATIQUES ABORDÉES Les thématiques
Plus en détailMTI820 Entrepôts de données et intelligence d affaires. Gouvernance des données et ges1on des données de référence
MTI820 Entrepôts de données et intelligence d affaires Gouvernance des données et ges1on des données de référence 1 La gouvernance des données Défini1on: «Processus de supervision et de décision qui permet
Plus en détailBig data et données géospatiales : Enjeux et défis pour la géomatique. Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique
Big data et données géospatiales : Enjeux et défis pour la géomatique Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique Événement 25e anniversaire du CRG Université Laval, Qc, Canada 08 mai
Plus en détailKnowledge Management D. Chauvel, 13 Novembre 2014. Journée Mondiale de la Qualité Université Aix Marseille
Knowledge Management D. Chauvel, 13 Novembre 2014 Journée Mondiale de la Qualité Université Aix Marseille ISO 9001 2015 7.1.6 GesGon des connaissances L'organisme doit déterminer les connaissances nécessaires
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailLes 10 étapes clés pour trouver des clients par internet
Les 10 étapes clés pour trouver des clients par internet Guide pour les entreprises de Home Staging 1 L auteur : Adrian Measures Adrian Measures est responsable du marke@ng sur internet et fondateur de
Plus en détailNewPoint IT Consulting BIG DATA WHITE PAPER. NewPoint Information Technology Consulting
NewPoint IT Consulting BIG DATA WHITE PAPER NewPoint Information Technology Consulting Contenu 1 Big Data: Défi et opportunité pour l'entreprise... 3 2 Les drivers techniques et d'entreprise de BIG DATA...
Plus en détailJuly 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15
Mastère Spécialisé Big Data Stéphan Clémençon Télécom ParisTech July 1, 2013 Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15 Agenda Contexte et Opportunité Les grandes lignes
Plus en détailLes bases du SEO (référencement naturel)
Les bases du SEO (référencement naturel) CCI Limoges Juin 2015 45 minutes LES BASES DU SEO 1 INTRODUCTION 2 MOTS CLES 3 OPTIMISATION IN SITE 4 NETLINKING LES BASES DU SEO 1 INTRODUCTION 1. INTRODUCTION
Plus en détailProgramme «INVESTISSEUR»
La plateforme de missions photos Laissez la communauté prendre ou trouver des photos juste pour vous Programme «INVESTISSEUR» Offrez- vous une startup dès 100 Version : 10 février 2015 Dossier confiden,el,
Plus en détailLes enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013
Les enjeux du Big Data Innovation et opportunités de l'internet industriel François Royer froyer@datasio.com Accompagnement des entreprises dans leurs stratégies quantitatives Valorisation de patrimoine
Plus en détailDive Center Manager. Outil de gestion clients pour Centre de plongée
Dive Center Manager Outil de gestion clients pour Centre de plongée Présentation de Plongée loisir.com Plongée Loisir.com c est Un annuaire de la plongée Un atlas de sites plongée Des fiches biologiques
Plus en détailBig$data,$le$Web$et$tout$ça $ De$quel$volume$parleDton$?$ Surcharge$d informa>on$ Introduction à la fouille de texte Master Informatique 1 ère année
Université*Lumière*Lyon*2* *Faculté*de*Sciences*Economiques*et*Ges;on* KHARKIV*Na;onal*University*of*Economic* Introduction à la fouille de texte Master Informatique 1 ère année Julien Velcin http://mediamining.univ-lyon2.fr/velcin
Plus en détailLE SUPPLIER RELATIONSHIP MANAGEMENT EN PRATIQUE
PARTENAIRES ACHATS LE SUPPLIER RELATIONSHIP MANAGEMENT EN PRATIQUE PROGRAMME La geson de la relaon fournisseur Supplier Relaonship Management est au centre de l aenon de toutes les foncons Achats. Les
Plus en détailLes formations. calipia. novembre 2014 à mai 2015
calipia Les formations novembre 2014 à mai 2015 nov. déc. janv. fév. mars avril mai Briefing Calipia (p. 3) FC1501 : Smartphones et Tablettes (p. 5) 15 17 10 FC1502 : Licences Microsoft (p. 7) 29 19 21
Plus en détailGes$on des clients du réseau pédagogique. Stéphan Cammarata - DANE Strasbourg - Version 10/2013
+ Ges$on des clients du réseau pédagogique Stéphan Cammarata - DANE Strasbourg - Version 10/2013 + Le clonage + Le principe Solu$on «historique» toujours d actualité Machine «modèle» Poste 1 Poste 2 Poste
Plus en détailDes Big Data aux Big Brothers Jean- Gabriel Ganascia Equipe ACASA LIP6 Université Pierre and Marie Curie Labex OBVIL PRES Sorbonne Université
Des Big Data aux Big Brothers Jean- Gabriel Ganascia Equipe ACASA LIP6 Université Pierre and Marie Curie Labex OBVIL PRES Sorbonne Université 4, place Jussieu, 75252 Paris Cedex 05, FRANCE Jean- Gabriel.Ganascia@lip6.fr
Plus en détailSEO : COMMENT CONSTRUIRE UNE STRATEGIE DE LINKING LICITE ET DURABLE?
PARTENAIRE SEO - SEM SEO : COMMENT CONSTRUIRE UNE STRATEGIE DE LINKING LICITE ET DURABLE? PROGRAMME Face à des mises à jour de plus en plus fréquentes (Panda, Penguin ), le linking doit se réinventer.
Plus en détailTables Rondes Le «Big Data»
Tables Rondes Le «Big Data» 2012-2013 1 Plan Introduc9on 1 - Présenta9on Ingensi 2 - Le Big Data c est quoi? 3 - L histoire 4 - Le monde du libre : Hadoop 5 - Le système HDFS 6 - Les algorithmes distribués
Plus en détailPROFILAGE : UN DEFI POUR LA PROTECTION DES DONNEES PERSONNELLES Me Alain GROSJEAN Bonn & Schmitt
PROFILAGE : UN DEFI POUR LA PROTECTION DES DONNEES PERSONNELLES Me Alain GROSJEAN Bonn & Schmitt ASPECTS TECHNIQUES M. Raphaël VINOT CIRCL SEMINAIRE UIA ENJEUX EUROPEENS ET MONDIAUX DE LA PROTECTION DES
Plus en détailLa démarche Omnicanal Outils d'aide à l'amélioration de l'expérience client Avec le partenaire SKema Alumni
La démarche Omnicanal Outils d'aide à l'amélioration de l'expérience client Avec le partenaire SKema Alumni brz France 1 Evolution Happy Client, Happy Business 2 Omnicanal Mono Mul0 Cross Omni 3 # Omnicanal
Plus en détailGérer son image en ligne : besoin réel ou nombrilisme? Albéric Guigou & Juliette Descamps Reputation Squad
Gérer son image en ligne : besoin réel ou nombrilisme? Albéric Guigou & Juliette Descamps Reputation Squad La e-reputation c est quoi exactement? Pourquoi est-ce important? Les Gens parlent de vous quand
Plus en détailINTERNET, C'EST QUOI?
INTERNET, C'EST QUOI? Internet, c'est quoi? «Internet est le réseau informatique mondial qui rend accessibles au public des services variés comme le courrier électronique, la messagerie instantanée et
Plus en détailRéférencement de votre site Web Google et autres moteurs de recherche (4ième édition)
Chapitre 1 : Introduction A. Google, l incontournable... 15 B. Référencement : Panda et Penguin sont passés par là... 16 C. SEO/SMO 17 D. Propos du livre 18 E. Avant de commencer 19 F. Notre exemple d'illustration
Plus en détailFORUM CETO 2012 SOCIAL MEDIA & TOUR-OPERATING. Anne-Servane LASSERRE Marketing Director contact@milky.fr
FORUM CETO 2012 SOCIAL MEDIA & TOUR-OPERATING Anne-Servane LASSERRE Marketing Director contact@milky.fr Nos Services Social Strategy Défini1on LES SERVICES & PRODUITS MILKY Nos Produits Forma1ons et Séminaires
Plus en détailUSER EXPERIENCE ET DATA : AUGMENTER LES CONVERSIONS GRÂCE À UN PARCOURS UTILISATEUR OPTIMISÉ
PARTENAIRES : E-COMMERCE USER EXPERIENCE ET DATA : AUGMENTER LES CONVERSIONS GRÂCE À UN PARCOURS UTILISATEUR OPTIMISÉ PROGRAMME Comment améliorer le parcours des client en temps réel avec les données collectées
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailTablettes dans l éducation. Retours d expérimentation et éléments d industrialisation
Tablettes dans l éducation Retours d expérimentation et éléments d industrialisation Apports des tablettes dans l éducation La tablette présente toutes les qualités requises pour être le «compagnon personnel
Plus en détailCatalogue de FORMATIONS 2015
Catalogue de FORMATIONS 2015 Qui sommes nous? î SmartView est un cabinet de conseil et de forma1on, basé à Montpellier et Paris, qui accompagne ses clients professionnels, grands comptes ou PME innovantes,
Plus en détailSEO 2014 - perspec(ves Novembre 2013
SEO 2014 - perspec(ves Novembre 2013 Consultant Webmarke(ng WebMarketing Référencement Naturel Publicité en ligne Notoriété et Fidélisation Optimisation et Conversion - Formations Le passé récent! En 2011,
Plus en détailJean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA
La visualisation d information pour comprendre et interagir avec les données Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr, www.aviz.fr, @jdfaviz
Plus en détailQui sommes nous? Partie 1
Qui sommes nous? Partie 1 A propos 10 collaborateurs Une exper)se à 360 Agence cer)fiée Google Partners Mul)lingues Présenta)on: Global Riviera est une agence webmarke/ng basée en région PACA. Fondée par
Plus en détailBig data* et marketing
Catherine Viot IAE de Bordeaux Maître de conférences HDR Responsable pédagogique du Master 2 Marketing Equipe de Recherche en Marketing - IRGO catherine.viot@u-bordeaux4.fr Big data* et marketing 2006
Plus en détailPrépara&on Opéra&onnelle à l Emploi de BASYCA (POEB) BASYCA SAS FRANCE - Anzize BADAROU
Prépara&on Opéra&onnelle à l Emploi de BASYCA (POEB) 1 Sommaire Objec&fs généraux Contenu POEB Approche générique Animateurs Partenaires 2 Objectifs généraux Enjeux de la forma1on Réconcilier la forma&on
Plus en détailBig Data et Statistique Publique
Big Data et Statistique Publique Miracle ou mirage? Matthieu Cornec Mission Innovation Sommaire 1. Constat : Explosion des données 1. Constat 2. Exemples 2. Big Data : nouvelle révolution économique? 1.
Plus en détailPlan 1/9/2013. Génération et exploitation de données. CEP et applications. Flux de données et notifications. Traitement des flux Implémentation
Complex Event Processing Traitement de flux de données en temps réel Romain Colle R&D Project Manager Quartet FS Plan Génération et exploitation de données CEP et applications Flux de données et notifications
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailTout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce
Tout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce «profil» S orienter (éventuellement se réorienter) dans
Plus en détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailEXECUTIVE DOCTORATE IN BUSINESS ADMINISTRATION : LA NÉCESSITÉ DE L'INTÉGRATION DES TIC POUR MANAGER LA DISTANCE
COLLOQUE INTERNATIONAL «LE NUMÉRIQUE POUR ENSEIGNER AUTREMENT» 27 ET 28 JUIN 2014 UNIVERSITÉ PARIS-DAUPHINE EXECUTIVE DOCTORATE IN BUSINESS ADMINISTRATION : LA NÉCESSITÉ DE L'INTÉGRATION DES TIC POUR MANAGER
Plus en détailPRÉSENTATION DES RÉSULTATS DU LIVRE BLANC BIG DATA
PARTENAIRES BIG DATA PRÉSENTATION DES RÉSULTATS DU LIVRE BLANC BIG DATA Le Livre Blanc de l EBG a pour ambion d'entrer dans le concret du Big Data. Finis les concepts flous et les formules vagues : nous
Plus en détailPROMOUVOIR SON ASSOCIATION GRACE AUX RESEAUX SOCIAUX
PROMOUVOIR SON ASSOCIATION GRACE AUX RESEAUX SOCIAUX Bruno GARCIA http://assodiabal.free.fr assodiabal@free.fr janvier 2013 Définition Un réseau social est constitué d'individus ou de groupes reliés par
Plus en détailL Art d être Numérique. Thierry Pierre Directeur Business Development SAP France
L Art d être Numérique Thierry Pierre Directeur Business Development SAP France La Transformation Numérique «Plus largement, l impact potentiel des technologies numériques disruptives (cloud, impression
Plus en détailLes participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.
Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision
Plus en détailOpen Data. Enjeux et perspectives dans les télécommunications
Open Data Enjeux et perspectives dans les télécommunications Orange Labs 28/09/2012 Patrick launay, Recherche & Développement, Orange Labs - Recherche & Développement Printemps de la Recherche EDF Open
Plus en détailLa coopération dans un contexte de recherches doctorales Cooperation amongst PhD researchers. Josée Charbonneau Anne- Marie Merrien 28 mai 2014
La coopération dans un contexte de recherches doctorales Cooperation amongst PhD researchers Josée Charbonneau Anne- Marie Merrien 28 mai 2014 Pourquoi sommes- nous ici? Étudiantes au doctorat, bourse
Plus en détailBig data, digital studies, un nouveau nominalisme. Bruno Bachimont Université de Technologie de Compiègne
Big data, digital studies, un nouveau nominalisme. Bruno Bachimont Université de Technologie de Compiègne 1 Nominalisme : Argument Peut se comprendre comme la cri8que de l analogie établie entre la structure
Plus en détailIngénierie et gestion des connaissances
Master Web Intelligence ICM Option Informatique Ingénierie et gestion des connaissances Philippe BEAUNE Philippe.Beaune@emse.fr 18 novembre 2008 Passer en revue quelques idées fondatrices de l ingénierie
Plus en détailSCHOLARSHIP ANSTO FRENCH EMBASSY (SAFE) PROGRAM 2015-2 APPLICATION FORM
SCHOLARSHIP ANSTO FRENCH EMBASSY (SAFE) PROGRAM 2015-2 APPLICATION FORM APPLICATION FORM / FORMULAIRE DE CANDIDATURE Note: If there is insufficient space to answer a question, please attach additional
Plus en détail20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT
20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà
Plus en détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
Plus en détailRI sociale : intégration de propriétés sociales dans un modèle de recherche
RI sociale : intégration de propriétés sociales dans un modèle de recherche Ismail Badache 1 Institut de Recherche en Informatique de Toulouse, UMR 5505 CNRS, SIG 118 Route de Narbonne F-31062 Toulouse
Plus en détailBIG DATA : une vraie révolution industrielle (1) Les fortes évolutions liées à la digitalisation
BIG DATA : une vraie révolution industrielle (1) Les fortes évolutions liées à la digitalisation - définition - étapes - impacts La révolution en cours du big data - essai de définition - acteurs - priorités
Plus en détailBIG DATA. Veille technologique. Malek Hamouda Nina Lachia Léo Valette. Commanditaire : Thomas Milon. Encadré: Philippe Vismara
BIG DATA Veille technologique Malek Hamouda Nina Lachia Léo Valette Commanditaire : Thomas Milon Encadré: Philippe Vismara 1 2 Introduction Historique des bases de données : méthodes de stockage et d analyse
Plus en détailJean-François Boulicaut & Mohand-Saïd Hacid
e siècle! Jean-François Boulicaut & Mohand-Saïd Hacid http://liris.cnrs.fr/~jboulica http://liris.cnrs.fr/mohand-said.hacid Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205
Plus en détailDAY 2 #HUBMWC TRENDS MOBILE WORLD CONGRESS 2015. HUBinstitute.com
DAY 2 #HUBMWC TRENDS MOBILE WORLD CONGRESS 2015 HUBinstitute.com LE MOBILE WORLD CONGRESS La mobilité : un objec1f stratégique pour les entreprises La deuxième journée du Mobile World Congress 2015 s est
Plus en détailRÉSEAUX SOCIAUX & BTOB
Ecoute MOI Regarde MOI Recrute MOI Regarde MOI Accepte MOI RÉSEAUX SOCIAUX & BTOB Comment les investir? quels impacts sur le référencement? SOMMAIRE RÉSEAUX SOCIAUX & BTOB PANORAMA 2014 ET USAGES POURQUOI
Plus en détailConvergence de A à Z 10000
Convergence de A à Z 10000 second screen : la convergence entre en jeu, atouts, questions l 21,4 millions de mobinautes au 2 ème trimestre 2012 (Médiamétrie) l 45% des équipés mobiles ont un smartphone
Plus en détail