La carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA

Dimension: px
Commencer à balayer dès la page:

Download "La carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr www.aviz."

Transcription

1 La carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA Quelques exemples 1

2 La campagne de Russie de Napoléon Épidémie de Cholera de Londres

3 TrashTrack Gagnant du International Science & Engineering Visualization Challenge de NSF! Open Data / Données ouvertes Rendre les données ouvertes Tout le monde peut les analyser Housing Jobs Work-Life Balance Safety Income Community Education Life Satisfaction Health Governance Environment OECD Better Life Index: 3

4 Many Eyes Charger ses données sur le site, les visualiser Collaborer avec les autres utilisateurs pour interpréter Equipements spécifiques Tabletops for Visualization University of Calgary Molecular visualisation in the Reality Cube University of Groningen, NL WILD, INRIA 4

5 Graphes Visualizing Friendships by Paul Butler on Tuesday, December 14, 2010 Visualisation géographique 5

6 Météorologie Mapping the Republic of Letters Researcher login User network [link] 6

7 Multiple Coordinated Views [video] Multiple Coordinated Views 7

8 Space&Time: GeoTime [link] TimeTree: Exploring Time Changing Hierarchies [link] 8

9 Hotel Visitation Patterns [video] Visualisation de Texte Parallel Tag Clouds to Explore Faceted Text Corpora (Collins et al., VAST 2009) 9

10 Document Analysis Using Jigsaw [video] Presque La visualisation : media de communication? Un media permet la communication d humain à humain La visualisation permet la communication de données à humain En passant par un ordinateur 10

11 Visualisation : définition (1) Utilisation de l informatique graphique interactive pour représenter visuellement de données abstraites afin d amplifier la cognition [Card et al. 1999] Visualisation : définition (2) Représentation graphique compacte et interface utilisateur pour : manipuler un grand nombre d items ( ) éventuellement extraite d une base de donnée plus grande Permettant aux utilisateurs de faire des découvertes prendre des décisions, ou trouver des explications sur des motifs (tendances, groupes, trous, points isolés) des groupes d items des items individuels Fouille de données visuelle Données abstraites, généralement pas de représentation canonique 11

12 Le problème Données Web, livres, articles données scientifiques prix, liste de personnes, Cours de la bourse Informations Transfert Comment? Vision: 100 MB/s Audition: <100 b/s Haptique/tactile Odorat Goût Humain Propriétés de la vision Sens ayant la plus grande bande passante Rapide, parallèle Reconnaissance de formes Pré-attentif Etend les capacités cognitives et mémorielles On pense visuellement 12

13 Utilisons la vision! Utilisons la vision! 13

14 Particularités On veut optimiser la perception visuelle On utilise des connaissances issues de la psychologie cognitive : Psychologie de la forme (Gestalt) Perception préattentive Psychophysique Démonstration Quiz D abord une question vous sera posée sur ce que vous allez voir. Ensuite, vous allez voir une image montrée rapidement : soyez donc attentif a l écran Répondez par: Oui ou Non L équipe gagnante sera celle avec le plus de points! 14

15 Prêts? Q1. Y a-t-il un point rouge? 15

16 Q2. Y a-t-il un point rouge? Q3. Y a-t-il un cercle rouge? 32 16

17 Q4. Y a-t-il un point rouge? Q5. Y a-t-il un point rouge? 17

18 Q6. Y a-t-il un point rouge? Q7. Y a-t-il un objet différent? 18

19 Q8. Y a-t-il un objet différent? Q9. Y a-t-il un objet différent? 19

20 Q10. Y a-t-il un objet différent? Q11. Y a-t-il un objet différent? 20

21 Q12. Y a-t-il un objet différent? Q13. Y a-t-il un objet différent? 21

22 Q14. Y a-t-il un objet différent? Résultats 22

23 Perception Préattentive Qu est que c est? Mise en évidence par Anne Treisman (1985), psychologue de la perception propriétés visuelles détectées très rapidement par le système visuel ( msec) exemples: teinte, orientation de ligne, longueur, épaisseur, taille, courbure, cardinalité, clignotement, direction de mouvement etc. Les caractéristiques préattentives interfèrent entre elles, ex. forme et teinte sauf exception: vibration Voir 45 Non Q1. Y avait il un point rouge? 23

24 Q2. Y avait il un point rouge? Oui Oui Q3. Y avait il un point rouge? 48 24

25 Q4. Y avait il un point rouge? Non Oui Q5. Y avait il un point rouge? 25

26 Q6. Y avait il un point rouge? Non Q7. Y avait-t-il un objet différent? Non 26

27 Q8. Y avait-t-il un objet différent? Oui Q9. Y avait-t-il un objet différent? Non 27

28 Q10. Y avait-t-il un objet différent? Oui Q11. Y avait-t-il un objet différent? Oui 28

29 Q12. Y avait-t-il un objet différent? Non Q13. Y avait-t-il un objet différent? Non 29

30 Q14. Y avait-t-il un objet différent? Oui Propriétés de la vision Sens ayant la plus grande bande passante Rapide, reconnaissance de formes Préattentif (dans certaines limites) Etend les capacités cognitives et mémorielles On pense visuellement Beaucoup d avantages, mais quelques inconvénients 60 30

31 Les cases A et B ont des couleurs différentes? Qu est-ce qui change entre ces deux images? Qu est-ce qui change entre ces deux images? 62 31

32 Montrer ce qui change Essayez encore Cécité au changement 63 32

33 Illettrisme visuel Dès le CP, nous apprenons à lire, à écrire et à compter Représentations symboliques des concepts Nous n apprenons pas à lire les graphiques Sauf les cartes Les jeunes apprennent les graphiques avec les jeux vidéo Les moins jeunes n ont presque jamais appris. Montrer 1 dimension à la fois: ok 33

34 Le New York Times s en mêle Montrer > 2 dimensions N x 1 dimension Matrice de Bertin N-1 x 2 dimensions Matrice de scatterplot Coordonnées parallèles Beaucoup d apprentissage 34

35 Lire les visualisations Tout le monde sait lire les visualisations congruentes Lorsque les questions sur les données utilisent les mêmes termes que les questions sur la représentation visuelle Quelle est la valeur la plus petite/grande? Quelle est la barre la plus petite/grande? Lire les visualisations (2) Plusieurs visualisations sont congruentes pour des tâches simples : 35

36 Lire les visualisations (3) Mais encore plus de visualisations sont très efficaces sans être congruentes Elles demandent un apprentissage : Comment traduire les tâches dans l espace des données en tâches de perception visuelle? Comment interpréter les motifs visuels en propriétés sur les données? Quelles sont les tâches de perception visuelle efficaces et fiables? Cet apprentissage est relativement court (quelques minutes / heures), mais pas instantané Montrer 2 dimensions à la fois 36

37 Matrices de Scatter Plots Réseau Professionnel LinkedIn 37

38 Graphes Diagrammes en nœuds et liens Matrices d adjacence 38

39 GeneaQuilts Visualisation Genealogique Relations marriage parental propriétés - temps - autres Individus propriétés - temps - authors relations complexes 77 GeneaQuilts GeneaQuilts [Link] 78 39

40 GeneaQuilts Algorithme de placement 79 Conclusion La visualisation est un outil de compréhension de données extrêmement efficace Pas de présentation Les représentations congruentes sont compréhensible spontanément Mais pas toujours très efficace Les représentations efficaces nécessitent un apprentissage Mais pas très long 40

41 Conclusion (2) Le développement de visualisation ou leur déploiement devient beaucoup plus facile avec les technologies Web Voir Des outils puissants et simples existent : Tableau Bibliographie Readings in Information Visualization, Card, Mackinlay, Shneiderman, Morgan Kaufmann, 1999 Information Visualization: Perception for Design, Colin Ware, Morgan Kaufmann, 2000 (2e édition prévue pour 2004) Sémiologie Graphique, Bertin, 1967, Réimpression EHESS 2000 The Visual Display of Quantitative Data, Tufte, 1983, Cheshire, CT: Graphics Press. otal.umd.edu/olive Information Visualization: Design for Interaction, Robert Spence, Prentice Hall, 2007 Information Visualization: Perception for Design, Colin Ware, Morgan Kaufmann, 2012 Ben Fry, Visualizing Data: Exploring and Explaining Data with the Processing Environment, O'Reilly Media, 2008 Scott Murray, Interactive Data Visualization for the Web: An Introduction to Designing with D3, O'Reilly Media, 2013, 41

Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA

Jean-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 détail

Visualisation d information interactive

Visualisation d information interactive Visualisation d information interactive Jean-Daniel Fekete & Frédéric Vernier INRIA Futurs/LRI & LIMSI Jean-Daniel.Fekete@inria.fr & Frederic.Vernier@limsi.fr Visualisation The eye the window of the soul,

Plus en détail

Le Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs

Le Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique

Plus en détail

La visualisation d information

La visualisation d information Visualisation d Information Introduction Fanny Chevalier Master IVI Winter 2014 Note: Ces transparents sont très largement insipirés des cours de Petra Isenberg, Jean- Daniel Fekete, Pierre Dragicevic,

Plus en détail

Visualiser des données.

Visualiser des données. Visualiser des données. Le point de vue du designer. Le design est une façon de penser. C est aussi une façon de se situer, d explorer un problème objectif, et de déterminer des approches pour concevoir

Plus en détail

ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection

ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection Nicolas HEULOT (CEA LIST) Michaël AUPETIT (CEA LIST) Jean-Daniel FEKETE (INRIA Saclay) Journées Big Data

Plus en détail

sont appliquées à des fonds documentaires, sont destinées à fournir des informations pertinentes sur la structure globale plutôt que sur le contenu.

sont appliquées à des fonds documentaires, sont destinées à fournir des informations pertinentes sur la structure globale plutôt que sur le contenu. Introduction Les techniques informatiques permettent de stocker et d accéder à des quantités sans cesse croissantes de données, disponibles en ligne ou via des centres documentaires fermés. Cette profusion

Plus en détail

Techniques d interaction dans la visualisation de l information Séminaire DIVA

Techniques d interaction dans la visualisation de l information Séminaire DIVA Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques

Plus en détail

DATA VISUALIZATION. Web In Lorient - 20 Novembre 2012. KI Analytics

DATA VISUALIZATION. Web In Lorient - 20 Novembre 2012. KI Analytics DATA VISUALIZATION Web In Lorient - 20 Novembre 2012 KI Analytics 1 1. Introduction - 2. Data Visualization - 3. Mise en œuvre - 4. Geodis - 2 Introduction 3 Bonjour, je m appelle Stéphane Nardin 4 ans

Plus en détail

TRAVAUX DE RECHERCHE DANS LE

TRAVAUX 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 détail

Utilisation d outils de Visual Data Mining pour l exploration d un ensemble de règles d association

Utilisation d outils de Visual Data Mining pour l exploration d un ensemble de règles d association Utilisation d outils de Visual Data Mining pour l exploration d un ensemble de règles d association Gwenael Bothorel, Mathieu Serrurier, Christophe Hurter To cite this version: Gwenael Bothorel, Mathieu

Plus en détail

Travaux pratiques avec RapidMiner

Travaux pratiques avec RapidMiner Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel

Plus en détail

Gephi dans le paysage de la data visualization. Clément Levallois Gephi Support Team et professeur à l EMLyon Business School (2014 -)

Gephi dans le paysage de la data visualization. Clément Levallois Gephi Support Team et professeur à l EMLyon Business School (2014 -) Gephi dans le paysage de la data visualization Clément Levallois Gephi Support Team et professeur à l EMLyon Business School (2014 -) V 1.0 Nov. 2013 1 Note biographique Formation initiale en économie

Plus en détail

Pentaho Business Analytics Intégrer > Explorer > Prévoir

Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho Business Analytics Intégrer > Explorer > Prévoir Pentaho lie étroitement intégration de données et analytique. En effet, les services informatiques et les utilisateurs métiers peuvent accéder aux

Plus en détail

Comprendre le Big data grâce à la visualisation

Comprendre le Big data grâce à la visualisation IBM Software Business Analytics Visualisation avancée Comprendre le Big data grâce à la visualisation Par T. Alan Keahey, Ph.D., IBM Visualization Science and Systems Expert 2 Comprendre le Big data grâce

Plus en détail

La Data Visualisation dans les organisations. Par Claude-Henri Meledo cmeledo@aldecis.com

La Data Visualisation dans les organisations. Par Claude-Henri Meledo cmeledo@aldecis.com La Data Visualisation dans les organisations Par Claude-Henri Meledo cmeledo@aldecis.com Claude-Henri Meledo Data visualisation Systèmes d information Mesure de la Performance Claude-Henri Meledo Data

Plus en détail

Intelligence Artificielle et Robotique

Intelligence Artificielle et Robotique Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité

Plus en détail

La construction du nombre en petite section

La construction du nombre en petite section La construction du nombre en petite section Éléments d analyse d Pistes pédagogiquesp 1 La résolution de problèmes, premier domaine de difficultés des élèves. Le calcul mental, deuxième domaine des difficultés

Plus en détail

Comment faire passer un message

Comment faire passer un message Comment faire passer un message 1 Les Outils Pédagogiques Un cours en salle Le tableau Le rétroprojecteur Le matériel à présenter Un cours dans l eau La démonstration La découverte, les jeux L ardoise

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big 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 détail

Les cinq premiers pas pour devenir vraiment agile à XP Day Suisse 2009 par Pascal Van Cauwenberghe et Portia Tung: La Rétrospective

Les cinq premiers pas pour devenir vraiment agile à XP Day Suisse 2009 par Pascal Van Cauwenberghe et Portia Tung: La Rétrospective Ce qui était bien Ce qui n était pas bien Questions J ai appris Bon résumé des valeurs Simplicité du format Présentateurs sympathiques et joie communicative Bonbons Utilisation réelle du feedback Présentation

Plus en détail

Composants génériques de calcul scientifique

Composants génériques de calcul scientifique Composants génériques de calcul scientifique T. Géraud et A. Duret-Lutz RAPPORT TECHNIQUE 9901 MARS 1999 Laboratoire de Recherche et Développement d EPITA 14-16, rue Voltaire 94276 Le Kremlin-Bicêtre cedex

Plus en détail

Visualisation d information

Visualisation d information Master SIAD 1 année Visualisation d information Jean-Yves Antoine http://www.info.univ-tours.fr/~antoine/ Master SIAD 1 année Visualisation d information Chapitre 1.2 Principes perceptifs et cognitifs

Plus en détail

La perception du mouvement dans la visualisation : le cas des graphes

La perception du mouvement dans la visualisation : le cas des graphes La perception du mouvement dans la visualisation : le cas des graphes Motion perception in visualization: the case of graphs Agnès SAULNIER, Jérôme THIEVRE, Marie-Luce VIAUD INA 4, avenue de l Europe 94366,

Plus en détail

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils

Plus en détail

Big Data et Graphes : Quelques pistes de recherche

Big 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 détail

Cycle de Découverte n 1 VISUALISER Créer la prochaine application innovante

Cycle de Découverte n 1 VISUALISER Créer la prochaine application innovante Cycle de Découverte n 1 VISUALISER Créer la prochaine application innovante 1 Data Driven Summit 2014 Paris Mardi 18 novembre Visualisation efficace du Big Data Bonne pratique de l expérience utilisateur

Plus en détail

Qu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le

Qu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée

Plus en détail

Business Intelligence

Business Intelligence avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................

Plus en détail

Optimisation Web. Extra N 1 29.01.15

Optimisation Web. Extra N 1 29.01.15 Optimisation Web Extra N 1 29.01.15 Extravaganza Communication digitale? Les Extras L optimisation web Optimisation technique Qu est-ce que c est? Optimiser les temps de chargement et d affichage des pages

Plus en détail

WebSpy Analyzer Giga 2.1 Guide de démarrage

WebSpy Analyzer Giga 2.1 Guide de démarrage WebSpy Analyzer Giga 2.1 Guide de démarrage Ce document aide à vous familiariser avec l utilisation de WebSpy Analyzer Giga. Pour des informations plus détaillées, consultez le guide utilisateur Analyzer

Plus en détail

Opérations de base sur ImageJ

Opérations de base sur ImageJ Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement

Plus en détail

Extraction d informations stratégiques par Analyse en Composantes Principales

Extraction d informations stratégiques par Analyse en Composantes Principales Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction

Plus en détail

Objectif et contexte business : piliers du traitement efficace des données -l exemple de RANK- Khalid MEHL Jean-François WASSONG 10 mars 2015

Objectif et contexte business : piliers du traitement efficace des données -l exemple de RANK- Khalid MEHL Jean-François WASSONG 10 mars 2015 Objectif et contexte business : piliers du traitement efficace des données -l exemple de RANK- Khalid MEHL Jean-François WASSONG 10 mars 2015 1. fifty-five : présentation 2. Objectifs de Rank 3. Une approche

Plus en détail

Indexmed : Le big data en écologie? Pas encore disent certains. Pas si sûr! Avec IndexMed. Relevons ce challenge!

Indexmed : Le big data en écologie? Pas encore disent certains. Pas si sûr! Avec IndexMed. Relevons ce challenge! Indexmed : Le big data en écologie? Pas encore disent certains Pas si sûr! Avec IndexMed Relevons ce challenge! Origine du consortium L état des lieux (source : séminaire Allenvie, séminaire Indexmed1)

Plus en détail

Visualisation d information

Visualisation d information Master SIAD 1 année Visualisation d information Jean-Yves Antoine http://www.info.univ-tours.fr/~antoine/ Master SIAD 1 année Visualisation d information Chapitre 1.3 Techniques de visualisation avancées

Plus en détail

FEN FICHE EMPLOIS NUISANCES

FEN FICHE EMPLOIS NUISANCES Version 4.8.2 Date mise à jour : 19 Février 2013 Auteur : LAFUMA Gilles Email : glfm02@orange.fr Web : www.procarla.fr/soft Présentation : FEN FICHE EMPLOIS NUISANCES Le Logiciel FEN Fiche emploi nuisance

Plus en détail

Analysis and Visualisation of Edge Entanglement in Multiplex Networks

Analysis and Visualisation of Edge Entanglement in Multiplex Networks Graduate School of Mathematics and Computer Science (EDMI) University of Bordeaux Analysis and Visualisation of Edge Entanglement in Multiplex Networks by Benjamin Renoust A thesis submitted in fulfillment

Plus en détail

Exploration de données multimédia par réalité virtuelle

Exploration de données multimédia par réalité virtuelle Exploration de données multimédia par réalité virtuelle S Aupetit N Monmarché C Guinot G Venturini M Slimane Laboratoire d Informatique, École Polytechnique de l Université de Tours, 64, Avenue Jean Portalis,

Plus en détail

Quelques pistes pour exploiter les outils disponibles du logiciel «Notebook» en classe d éducation préscolaire

Quelques pistes pour exploiter les outils disponibles du logiciel «Notebook» en classe d éducation préscolaire Quelques pistes pour exploiter les outils disponibles du logiciel «Notebook» en classe d éducation préscolaire Source de l image : Service national du RÉCIT à l éducation préscolaire Auteures : Manon Desrosiers

Plus en détail

Once the installation is complete, you can delete the temporary Zip files..

Once the installation is complete, you can delete the temporary Zip files.. Sommaire Installation... 2 After the download... 2 From a CD... 2 Access codes... 2 DirectX Compatibility... 2 Using the program... 2 Structure... 4 Lier une structure à une autre... 4 Personnaliser une

Plus en détail

Smart and Emotional Surfaces

Smart and Emotional Surfaces Smart and Emotional Surfaces Jean-Luc Bazin November 6th 2013 Smart and Emotional Surfaces P 2 CORPORATE COMMUNICATIONS 1 Smart and Emotional Surfaces P 3 Smart and Emotional Surfaces P 4 CORPORATE COMMUNICATIONS

Plus en détail

Référencement Google en 2013, faisons un point!

Référencement Google en 2013, faisons un point! Référencement Google en 2013, faisons un point! Chambre de Commerce Bayonne Pays Basque BAYONNE le 15 février 2013 Neil McCarthy - Goodness Neil McCarthy - Goodness Je google, tu googles, il google, nous

Plus en détail

BIRT (Business Intelligence and Reporting Tools)

BIRT (Business Intelligence and Reporting Tools) BIRT (Business Intelligence and Reporting Tools) Introduction Cette publication a pour objectif de présenter l outil de reporting BIRT, dans le cadre de l unité de valeur «Data Warehouse et Outils Décisionnels»

Plus en détail

clef primaire ; clef étrangère ; projection ; restriction ; jointure ; SQL ; SELECT ; FROM ; WHERE

clef primaire ; clef étrangère ; projection ; restriction ; jointure ; SQL ; SELECT ; FROM ; WHERE Cas Neptune hôtel Base de données et langage SQL Propriété Intitulé long Formation concernée Matière Notions Transversalité Présentation Description Neptune Hôtel. L interrogation d une base de données

Plus en détail

Travaux pratiques. DECOUVERTE PDMLink - PTC

Travaux pratiques. DECOUVERTE PDMLink - PTC Travaux pratiques DECOUVERTE PDMLink - PTC Introduction au PLM L historique du PLM : Gestion des fichiers CAO Gestion de tout type de document (avec versionnement, nominatif ) Gestion du cycle de vie des

Plus en détail

Formula Negator, Outil de négation de formule.

Formula Negator, Outil de négation de formule. Formula Negator, Outil de négation de formule. Aymerick Savary 1,2, Mathieu Lassale 1,2, Jean-Louis Lanet 1 et Marc Frappier 2 1 Université de Limoges 2 Université de Sherbrooke Résumé. Cet article présente

Plus en détail

Formation IPICO du 10/11 Février 2011 :

Formation IPICO du 10/11 Février 2011 : Formation IPICO du 10/11 Février 2011 : Tapis défectueux : Etablir une liste recensant les tapis défectueux (n de série, couleur) et envoyer cette liste à Larry. Ensuite envoyer les tapis à TI Group à

Plus en détail

Guide d utilisation pour

Guide d utilisation pour Guide d utilisation pour TABLE DES MATIÈRES 1. PRÉSENTATION DE STOCK GUIDE 3 1.1 MODALITÉS D ACCÈS 3 1.2 INSTRUCTIONS POUR SE DÉCONNECTER DE LA BASE DE DONNÉES 4 2. LES DIFFÉRENTES COMPOSANTES DE LA BASE

Plus en détail

Intégration de la dimension sémantique dans les réseaux sociaux

Intégration de la dimension sémantique dans les réseaux sociaux Intégration de la dimension sémantique dans les réseaux sociaux Application : systèmes de recommandation Maria Malek LARIS-EISTI maria.malek@eisti.fr 1 Contexte : Recommandation dans les réseaux sociaux

Plus en détail

Gnuplot. Chapitre 3. 3.1 Lancer Gnuplot. 3.2 Options des graphes

Gnuplot. Chapitre 3. 3.1 Lancer Gnuplot. 3.2 Options des graphes Chapitre 3 Gnuplot Le langage C ne permet pas directement de dessiner des courbes et de tracer des plots. Il faut pour cela stocker résultats dans des fichier, et, dans un deuxième temps utiliser un autre

Plus en détail

Examen de la visualisation de données (version abrégée)

Examen de la visualisation de données (version abrégée) Examen de la visualisation de données (version abrégée) Un rapport rédigé par Jacqueline Strecker, titulaire d une bourse de recherche du CRDI On constate depuis un certain temps un regain d intérêt pour

Plus en détail

MODELISATION UN ATELIER DE MODELISATION «RATIONAL ROSE»

MODELISATION UN ATELIER DE MODELISATION «RATIONAL ROSE» MODELISATION UN ATELIER DE MODELISATION «RATIONAL ROSE» Du cours Modélisation Semi -Formelle de Système d Information Du Professeur Jean-Pierre GIRAUDIN Décembre. 2002 1 Table de matière Partie 1...2 1.1

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence 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 détail

Innovative BI with SAP Jean-Michel JURBERT D. de Marché BI, HANA, BIG DATA _ SAP France

Innovative BI with SAP Jean-Michel JURBERT D. de Marché BI, HANA, BIG DATA _ SAP France Innovative BI with SAP Jean-Michel JURBERT D. de Marché BI, HANA, BIG DATA _ SAP France 2013 SAP AG. All rights reserved. Customer 1 Rôles et Attentes Instantanéité BIG DATA Users IT Real Time SAP HANA

Plus en détail

Visual Paradigm Contraintes inter-associations

Visual Paradigm Contraintes inter-associations Visual Paradigm Contraintes inter-associations Travail de Bachelor d'informaticien de gestion Partie C Présentation de Visual Paradigm 1 Présentation de Visual Paradigm For UML L objet du travail de Bachelor

Plus en détail

Panorama des solutions Ecommerce

Panorama des solutions Ecommerce Panorama des solutions Ecommerce Sommaire 1. Pourquoi faire de l ecommerce avec Drupal 2. Drupal avec Ubercart 3. Drupal avec Magento et d autres 4. Drupal avec Drupal Commerce 5. Quel choix faire? Pourquoi

Plus en détail

Les datas = le fuel du 21ième sicècle

Les 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 détail

Les Bonnes PRATIQUES DU TEST LOGICIEL

Les Bonnes PRATIQUES DU TEST LOGICIEL Les Bonnes PRATIQUES DU TEST LOGICIEL SOMMAIRE Qu est-ce que le test logiciel? Pourquoi le test est-il un maillon crucial de l ingénierie logicielle? Quels sont les différents types de tests? Qu est-ce

Plus en détail

Comment rendre un site d e-commerce intelligent

Comment rendre un site d e-commerce intelligent Comment rendre un site d e-commerce intelligent Alexei Kounine CEO +33 (0) 6 03 09 35 14 alex@tastehit.com Christopher Burger CTO +49 (0) 177 179 16 99 chris@tastehit.com L embarras du choix Donner envie

Plus en détail

PARTAGER UN ANNUAIRE COLLECTIF DE SIGNETS AVEC DEL.ICIO.US

PARTAGER UN ANNUAIRE COLLECTIF DE SIGNETS AVEC DEL.ICIO.US PARTAGER UN ANNUAIRE COLLECTIF DE SIGNETS AVEC DEL.ICIO.US Introduction Pourquoi utiliser DEL.ICIO.US? Cet outil permet à plusieurs personnes de partager la même liste de sites favoris et ce sur n importe

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

MatrixExplorer: Un système pour l analyse exploratoire de réseaux sociaux

MatrixExplorer: Un système pour l analyse exploratoire de réseaux sociaux MatrixExplorer: Un système pour l analyse exploratoire de réseaux sociaux Nathalie Henry INRIA Futurs/LRI/University of Sydney Bât 490, Université Paris-Sud 91405 Orsay Cedex Nathalie.Henry@lri.fr Jean-Daniel

Plus en détail

Temps forts départementaux. Le calcul au cycle 2 Technique opératoire La soustraction

Temps forts départementaux. Le calcul au cycle 2 Technique opératoire La soustraction Temps forts départementaux Le calcul au cycle 2 Technique opératoire La soustraction Calcul au cycle 2 La soustraction fait partie du champ opératoire additif D un point de vue strictement mathématique,

Plus en détail

Développement mobile MIDP 2.0 Mobile 3D Graphics API (M3G) JSR 184. Frédéric BERTIN fbertin@neotilus.com

Développement mobile MIDP 2.0 Mobile 3D Graphics API (M3G) JSR 184. Frédéric BERTIN fbertin@neotilus.com Développement mobile MIDP 2.0 Mobile 3D Graphics API (M3G) JSR 184 Frédéric BERTIN fbertin@neotilus.com Présentaion : Mobile 3D Graphics API JSR 184 M3G :présentation Package optionnel de l api J2ME. Prend

Plus en détail

Analyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1

Analyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1 Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets

Plus en détail

Agile @ Germe Grenoble 4 22/06/2012. Intervenant: Bruno Sbille

Agile @ Germe Grenoble 4 22/06/2012. Intervenant: Bruno Sbille Agile @ Germe Grenoble 4 22/06/2012 Intervenant: Bruno Sbille 1 Agile @ Germe 2 Bruno Sbille Blog Agile: http://brunosbille.com Coach & Formateur Blog Coaching Personnel: http://brunosbille.com/coachdevie

Plus en détail

1-Introduction 2. 2-Installation de JBPM 3. 2-JBPM en action.7

1-Introduction 2. 2-Installation de JBPM 3. 2-JBPM en action.7 Sommaire 1-Introduction 2 1-1- BPM (Business Process Management)..2 1-2 J-Boss JBPM 2 2-Installation de JBPM 3 2-1 Architecture de JOBSS JBPM 3 2-2 Installation du moteur JBoss JBPM et le serveur d application

Plus en détail

4. Utilisation d un SGBD : le langage SQL. 5. Normalisation

4. Utilisation d un SGBD : le langage SQL. 5. Normalisation Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :

Plus en détail

Change the game with smart innovation

Change the game with smart innovation Change the game with smart innovation Master Thesis 2013 2014 Faculty of Science engineering 12/08/2012 Master Thesis proposal for the academic year 2013. TABLE OF CONTENTS Section Un Introduction... 3

Plus en détail

Formation continue BNF // Programme des cours 2015

Formation continue BNF // Programme des cours 2015 Formation continue BNF // Programme des cours 2015 Du 03 septembre 2015 Août Molecular Biology // Widely used methods in research laboratories Introduction and history / Principles, methods and applications

Plus en détail

Studio. HERITIER Emmanuelle PERSYN Elodie. SCHMUTZ Amandine SCHWEITZER Guillaume

Studio. HERITIER Emmanuelle PERSYN Elodie. SCHMUTZ Amandine SCHWEITZER Guillaume Studio HERITIER Emmanuelle PERSYN Elodie SCHMUTZ Amandine SCHWEITZER Guillaume Cours R Présentation projet 10/10/2013 Introduction RStudio est une interface créé par JJ Allaire Elle est sortie le 11 Février

Plus en détail

FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis

FORUM 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 détail

Développements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière

Développements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière Développements algorithmiques au LIAMA et àamap en vue de l'analyse d'une scène forestière Principaux contributeurs: Zhang Xiaopeng (CASIA-NLPR-LIAMA Coordinateur Groupe Image) Li HongJun (CASIA-NLPR-LIAMA

Plus en détail

Présentation du module Base de données spatio-temporelles

Présentation du module Base de données spatio-temporelles Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes

Plus en détail

UltraBackup NetStation 4. Guide de démarrage rapide

UltraBackup NetStation 4. Guide de démarrage rapide UltraBackup NetStation 4 Guide de démarrage rapide Table des matières 1 Fonctionnalités... 3 1.1 Ce qu UltraBackup NetStation permet de faire... 3 1.2 Ce qu UltraBackup NetStation ne permet pas de faire...

Plus en détail

Guide de l administrateur DOC-OEMCS8-GA-FR-29/09/05

Guide de l administrateur DOC-OEMCS8-GA-FR-29/09/05 Guide de l administrateur DOC-OEMCS8-GA-FR-29/09/05 Les informations contenues dans le présent manuel de documentation ne sont pas contractuelles et peuvent faire l objet de modifications sans préavis.

Plus en détail

Logiciel Libre Cours 3 Fondements: Génie Logiciel

Logiciel Libre Cours 3 Fondements: Génie Logiciel Logiciel Libre Cours 3 Fondements: Génie Logiciel Stefano Zacchiroli zack@pps.univ-paris-diderot.fr Laboratoire PPS, Université Paris Diderot 2013 2014 URL http://upsilon.cc/zack/teaching/1314/freesoftware/

Plus en détail

Les participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.

Les 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 détail

Introduction. Le recrutement est un processus incontournable dans la vie de toute entreprise.

Introduction. Le recrutement est un processus incontournable dans la vie de toute entreprise. Introduction Le recrutement est un processus incontournable dans la vie de toute entreprise. Recruter présente un enjeu stratégique et sociétal pour l entreprise en termes de 2 : 1. Productivité : le choix

Plus en détail

Table des matières :

Table des matières : Visioconférence Polycom Vsx 5000 Table des matières : 1. Présentation du système VSX 5000... 3 2. La télécommande... 3 3. Branchements... 4 4. Ajouter une source vidéo... 5 5. Position du microphone lors

Plus en détail

Libérer le pouvoir des médias sociaux Passer du Like au Love

Libérer le pouvoir des médias sociaux Passer du Like au Love Libérer le pouvoir des médias sociaux Passer du Like au Love Pascal Hary Customer experience & Social Sales Development Director 1 Copyright 2013, Oracle and/or its affiliates. All rights reserved. pascal.hary@oracle.com

Plus en détail

DATA ANALYTICS Des données aux connaissances et à la création de valeur

DATA ANALYTICS Des données aux connaissances et à la création de valeur DATA ANALYTICS Des données aux connaissances et à la création de valeur Sommaire Rencontres Inria Industrie p 3 Vos contacts au centre Inria Saclay - île-de-france p 4 Technologies Bertifier Sparklificator

Plus en détail

données en connaissance et en actions?

données en connaissance et en actions? 1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)

Plus en détail

...Céline Marcq. Designer Matières

...Céline Marcq. Designer Matières ...Céline Marcq Designer Matières ...BTS Design de Mode et Environnement Ecole Supérieure des Arts Appliqués Duperré, Paris, France...2004-2008 ..Superposition Imprimer, répéter et superposer pour créer.

Plus en détail

Apprentissage symbolique et statistique à l ère du mariage pour tous

Apprentissage symbolique et statistique à l ère du mariage pour tous Apprentissage symbolique et statistique à l ère du mariage pour tous Stéphane Canu asi.insa-rouen.fr/enseignants/~scanu RFIA 2014, INSA Rouen 2 juillet 2014 Apprentissage : humain vs. machine Les apprentissages

Plus en détail

Google Tag Manager v2 v1 dispo sur http://bit.ly/1adylb0 GTM pour les nuls dispo sur http://bit.ly/1fx5bgg

Google Tag Manager v2 v1 dispo sur http://bit.ly/1adylb0 GTM pour les nuls dispo sur http://bit.ly/1fx5bgg Google Tag Manager v2 v1 dispo sur http://bit.ly/1adylb0 GTM pour les nuls dispo sur http://bit.ly/1fx5bgg 45 minutes pour comprendre GTM et aller plus loin dans son utilisation Remerciements Merci aux

Plus en détail

Veille - recherche enrichissement. Veille sur les technologies et pratiques émergentes Recherche :

Veille - recherche enrichissement. Veille sur les technologies et pratiques émergentes Recherche : CRIM Veille - recherche enrichissement Veille sur les technologies et pratiques émergentes Recherche : Repérer et développer d des technologies d avantd avant-garde et les transférer rer vers l entreprise,

Plus en détail

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des

Plus en détail

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence

Plus en détail

FÊTE DE LA SCIENCE 2005 (Village des Sciences)

FÊTE DE LA SCIENCE 2005 (Village des Sciences) FÊTE DE LA SCIENCE 2005 (Village des Sciences) Présentation des applications de réalité virtuelle et augmentée présentées par le Laboratoire LISA les samedi 15 et dimanche 16 octobre 2005 à l Ecole Supérieure

Plus en détail

UNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand

UNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand UNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand Service méthodes statistiques Institut National d Etudes Démographiques (Ined)

Plus en détail

Le «e-mail Pass» : une réponse e-learning à l apprentissage de la messagerie électronique

Le «e-mail Pass» : une réponse e-learning à l apprentissage de la messagerie électronique Le «e-mail Pass» : une réponse e-learning à l apprentissage de la messagerie électronique =================================================================== David Autissier, maître de conférences, Université

Plus en détail

MANUEL UTILISATEUR. Application 4trip

MANUEL UTILISATEUR. Application 4trip * MANUEL UTILISATEUR Application 4trip Table des matières 1. Introduction... 1 1.1. Description globale du produit... 1 1.2. Description de la finalité du manuel... 1 2. Manuel d utilisation... 2 2.1.

Plus en détail

Site : www.dys35.fr - Email : contact@dys35.fr - Tél. 02.99.53.48.82. Conférence - Débat

Site : www.dys35.fr - Email : contact@dys35.fr - Tél. 02.99.53.48.82. Conférence - Débat Site : www.dys35.fr - Email : contact@dys35.fr - Tél. 02.99.53.48.82 Conférence - Débat Ecole et Troubles Spécifiques du Langage et des Apprentissages : Les pratiques au Canada, en Angleterre et en Belgique

Plus en détail

USTL - Licence ST-A 1ère année 2005-2006 Codage de l information TP 1 :

USTL - Licence ST-A 1ère année 2005-2006 Codage de l information TP 1 : USTL - Licence ST-A 1ère année 2005-2006 Codage de l information TP 1 : Objectifs du TP Ce TP a pour but 1. de découvrir quelques opérations logiques sur les nombres 2. et quelques formats de fichiers.

Plus en détail

Un ordinateur plein de ressources

Un ordinateur plein de ressources Un ordinateur plein de ressources Pour vous accompagner dans la découverte de votre Ordi60, nous vous conseillons lors de votre première utilisation de cliquer sur Initiation à l informatique disponible

Plus en détail

My Poker Manager Guide Utilisateur. Guide Utilisateur

My Poker Manager Guide Utilisateur. Guide Utilisateur «My Poker Manager» Guide Utilisateur Sommaire My Poker Manager Guide Utilisateur Sommaire... 2 My Poker Manager... 3 Tous les outils... 4 1 Système d alerte... 5 2 Composant de stacking ou pile de tables...

Plus en détail

Comment accéder à d Internet Explorer

Comment accéder à d Internet Explorer Comment accéder à d Pour ouvrir l application, vous n avez qu à doublecliquer sur l icône de celle-ci : ou vous pouvez encore allez le chercher par le raccourci dans la barre des tâches : Lorsque l application

Plus en détail

UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY

UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY UTILISATION DE LA PLATEFORME WEB D ANALYSE DE DONNÉES GALAXY Yvan Le Bras yvan.le_bras@irisa.fr Cyril Monjeaud, Mathieu Bahin, Claudia Hériveau, Olivier Quenez, Olivier Sallou, Aurélien Roult, Olivier

Plus en détail