Interface Homme-Machine Cours 4 3
|
|
- Sévérine Bessette
- il y a 8 ans
- Total affichages :
Transcription
1 Interface Homme-Machine Cours 4 3 Techniques de visualisation "On ne voit que ce qu'on regarde" Philippe Gaussier Alexandre Pitti Maurice Merleau Ponty
2 Plan du cours 1 Introduction à l'ihm, historique et ergonomie psychologie, handicap et théorie, méthodes de conception et d évaluation 2 Éléments d'une IHM Interfaces et Infrastructures, prototypage 3 Extraction et Traitement de l'information GUI Visualisation de l'information, Méthodes statistiques 4 & 5 Techniques d'interactions avancées Réalité Augmentée, Interface Tangible, projection 3D, Analyse du mouvement
3 IHM interaction humain-environnement = perception + cognition + action Objectif Intention Action de l'utilisateur Ce que l'on va faire Évaluation Planification Exécution Ce que l'on va faire Dans le prochain cours Interprétation Perception L'environnement
4 Visualisation de l'information «l utilisation de représentations informatiques, visuelles et interactives de données abstraites amplifie la cognition» compréhension / comparaison de grandes quantités d informations découverte de phénomènes / création d idées décisions / explications Données abstraites pas de représentations physiques directes contrairement à la visualisation scientifique
5 Données > représentations Modèle de références de correspondance des données vers les représentations visuelles
6 Données > représentations
7 Qu'est ce l'attention visuelle? Au niveau comportemental L'attention est la capacité de sélectionner une région particulière de l'espace sensorielle Région topologique de l'espace sensoriel attention spatiale Région saillante de l'espace sensoriel attention portée sur une carac. Objet en tant que tel attention portée sur un objet
8 Facteurs de l'attention visuelle Attention visuelle dirigée par les propriétés des stimuli couleur mouvement orientation courbure
9 Facteurs de l'attention visuelle Attention visuelle orientée vers un but
10 recherche visuelle
11 recherche parallèle Facile LLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLL LLLLXLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLL
12 recherche parallèle LLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLXLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLL Toujours facile
13 recherche parallèle LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLXLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL Toujours facile
14 recherche séquentielle FBYCPKNRAGCJSTIVNRWHM CDOFAIKULWZBASUBIFOBIW UEVEQOUHEWHKAFIYJFGLA MEQDPZKSHBJJQUUVCYOHI NTDLLZSNLSGKTCNSVGLAC RYLSJJIFMZFHATXJDZJRUM NRYBPCHTNINTHEUWBFRU WYBNYYYPPQOQFKIGJLNID BPINWAQGYPTRCLYVRASAU Plus dur
15 Théorie de l'attention (Treismann & Gelade, 1980) Recherche parallèle attention pré-attentive Recherche séquentielle attention attentive
16 Attention automatique vs controllée Automatique vs Controllée (Stroop, 1935) Désigner la couleur des mots le + vite possible Jaune Rouge Vert Bleu Rouge Bleu Jaune Bleu Rouge Vert Bleu Rouge La lecture est quasi-automatique et désigner la couleur des mots requiert un certain contrôle, d'où la lenteur.
17 Caractéristiques Structures de données 1D, 2D, 3D, nd, temporelles arbres, réseaux, documents spécifiques Types de variables nominales, ordinales, quantitatives Types d interaction filtrage, sélection/détails, navigation, linking/brushing... Types de tâches globaliser, chercher, mettre en relation... Types de représentations...
18 Types de représentations Multiplexage spatial vues multiples brushing+linking, overview+detail focus+contexte fish eye/distorsions, vues hyperboliques métaphores 3D et pseudo-3d Multiplexage temporel pan+zoom / interfaces zoomables / zoom sémantique requêtes dynamiques (filtrage interactif) Autres techniques transparence / superposition (multiplexage en profondeur) hiérarchies, Treemaps... représentations spécifiques
19 Vues multiples Brushing + Linking plusieurs vues liées plusieurs attributs Overview + Detail vue globale + vue(s) de détail But voir le contexte et les détails en même temps Inconvénients discontinuité spatiale plusieurs focus d attention encombrement écran
20 Focus + Contexte Intégration des détails à la vue globale évite les discontinuités, réduit l encombrement spatial TableLens [Rao & Card 94] Mantra: Overview first : représentation graphique de données numériques zoom and filter : tri selon critère (colonnes) then details on demand : représentation textuelle (lignes de focus)
21 Focus + Contexte
22 Bifocal display Distorsion géométrique contrairement au TableLens (distorsion logique) déformation mono-dimensionnelle sur chacun des 4 cotés du focus => discontinuités et non préservation de l aspect ratio gênantes Spence, Apperley
23 Bifocal display Spence, Apperley
24 Bifocal display Apple
25 Fish eye géométrique Approche déformation bi-dimensionnelle non linéaire continue imite l effet des objectifs à très courte focale (fish eye, oeil de poisson) nombreuses variantes Avantage continuité spatiale de la représentation Exemple Sarkar et Brown G(x) = (d+1) x / (d x+1) d: facteur de distorsion
26 Fish eyes Exemples : Moosburg Schafer Transformation linéaire/non-linéaire contrainte à un domaine spatial Keahey, Robertson, 1996 Inconvénient des fish eyes manque de lisibilité dans la zone de distorsion Plus ou moins brutale selon technique texte particulièrement illisible
27 Fish eyes Vitesse Vernier, Nigay carte, colline, cylindre, pyramide, sphère Types de distorsions cf. Carpendale, Leung et Apperley...
28 Vues hyperboliques Approche effet ressemblant au fish eye pour représenter des arbres Géométrie hyperbolique géometrie non euclidienne («5e postulat» non vérifié) mapping entre l espace hyperbolique et l espace euclidien (modèles de Poincaré ou de Klein) Principe disposer l arbre dans le plan hyperbolique puis mapping sur un disque Lamping et al. (cf. également Munzer)
29 Vues hyperboliques
30 Métaphores 3D Approche gradualité du niveau de détail obtenue «naturellement» via l effet de perspective de la vision conique peuvent être vues comme des représentations focus + contexte souvent en pseudo 3D Exemple : Perspective Wall Mackinlay et al 91 plan avant : zone de focus, taille nominale cotés : zones de contexte, déformées par effet de perspective
31 Data Mountains But retrouver facilement les signets d un navigateur Web Facultés perceptives importance de la mémoire spatiale (et du geste) plus simple de se souvenir d'un lieu que d'une information. Résultats évaluation de Czerwinski (Interact 99) Robertson, Czerwinski, et al
32 Textes et documents Exemple: Document Lens Approche métaphore 3D pages disposées selon une grille focus sur une page distorsion pyramidale greeking Critique faible lisibilité du texte en perspective Robertson & Mackinlay 93
33 Wordle : word + clouds La taillle, la couleur, la proximité des mots indiquent leur saillance.
34 Espace de travail 3D
35 Gestionnaire de fenetre vs Toolkit
36 Cone-Trees/ Cam-Trees
37 Zoom sémantique
38 Zoom sémantique
39 Transparence
40 Transparence
41 Synthèse
42 Arbres
43 Arbres
44 temporel
45 2D, réseaux sémantiques
46 3D
47 3D
48 nd Stock Exchange Visualizer (Visible Decisions)
49 Exemples de toolkits
50 Exemples de toolkits
51 Exemples de toolkits
52 Exemples de toolkits
53 Networkx (python)
54 Théorie de l'information Quantifier l'information en fonction de sa nouveauté, sa rareté, sa pertinence, sa redondance permet de structurer et d'organiser l'information accessible à l'utilisateur, en des tables, arbres, graphes, etc...
55 Incertitude, surprise, information et entropie La probabilité d'un événement x, p(x) vaut 1. résultat certain, pas de surprise Grande prob. moins de surprise moins incertain La surprise et l'incertitude sont inversement proportionnel à la probabilité d'apparition de cet événement. Il y a gain d'information si l'on passe d'un état de grande incertitude à un état de plus faible incertitude.
56 Information selon Shannon Selon Shannon, l'incertitude/l'information peut être quantifiée comme inversement proportionnelle à la probabilité d'apparition de l'événement. I(x) = -log(p(x)) -log p(x) 0 1 p(x)
57 Entropie L'Entropie est la quantité d'information moyenne associée à chaque symbole transmis E(I(x)) = - Σ p(x) log(p(x)) -log p(x) 0 1 p(x) Plus E est grand, plus le gain d'information rapporté au nombre d'observation est élevé.
58 Quelques références
59 FIN
60 Théorie de l'information
61 Théorie de l'information
62 Plan du cours 1 Introduction à l'ihm, historique et ergonomie psychologie, handicap et théorie, méthodes de conception et d évaluation 2 Éléments d'une IHM Interfaces et Infrastructures 3 Acquisition et Traitement de l'information Capteurs, IA et Réseaux de Neurones, Vision et Son 4 Vision et représentation de l'information Vision, théorie information
63 «Using vision to think» Mieux exploiter les facultés perceptives et cognitives perception pré-attentive, Gestalt... Aides graphiques externes amplifier la cognition via la perception utiliser la vision pour penser («Using Vision to Think») Exemples : papier pour multiplication, schémas, diagrammes, panneaux de signalisation, bloc-notes, etc. «The power of the unaided mind is highly overrated. Without external aids, memory, thought, and reasoning are all constrained. But human intelligence is highly flexible and adaptive, superb at inventing procedures and objects that overcome its own limits. The real powers come from devising external aids that enhance cognitive abilities. How have we increased memory, thought, and reasoning? By the inventions of external aids: It is things that make us smart.» Norman, 1993
64 Mantra de l infoviz Perception d abord globale puis locale Gestalt, Focus/contexte «Overview first, zoom and filter, then details on demand» Vue globale puis zoom et filtrage puis détails à la demande Émergence de structures ou comportements représentations graphiques spécifiques dimension spatiale bouclage entre formes visuelles et contrôle interactif dimension temporelle Conséquence visualisation / interaction intrinsèquement liées
65 Données > représentations Proximity Similarity Enclosure Closure Continuity Connection
66
67
68
69
70
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 détailVisualisation 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 détailInterface Homme-Machine. Philippe Gaussier Alexandre Pitti
Interface Homme-Machine Philippe Gaussier Alexandre Pitti Plan du cours 1 Introduction à l'ihm, historique et ergonomie psychologie, handicap et théorie, méthodes de conception et d évaluation 2 Éléments
Plus en détailLa carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr www.aviz.
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.fr Quelques exemples 1 La campagne de Russie de Napoléon
Plus en détailLe 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 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 détailOnce 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 détailPourquoi utiliser des visuels et des logiciels de présentation?
Pourquoi utiliser des visuels et des logiciels de présentation? Jacques Lanarès 3 fonctions principales Mémorisation Compréhension Renforcer Attention Les visuels peuvent faciliter la mémorisation : En
Plus en détailLES INTERFACES HOMME-MACHINE
LES INTERFACES HOMME-MACHINE 1 ère Partie : Introduction aux Interfaces Homme-Machine 2 ème Partie : Notions de base sur les Sciences Cognitives 3 ème Partie : Recommandations ergonomiques 4 ème Partie
Plus en détailaalto Collaborative Pour le gestionnaire,
www.ged-web.com aalto Collaborative aalto est une solution collaborative full web, regroupant tous les aspects de la gestion de documents et des process dans l'entreprise, développée avec la technologie
Plus en détailTechniques 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 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 détailTraitement numérique de l'image. Raphaël Isdant - 2009
Traitement numérique de l'image 1/ L'IMAGE NUMÉRIQUE : COMPOSITION ET CARACTÉRISTIQUES 1.1 - Le pixel: Une image numérique est constituée d'un ensemble de points appelés pixels (abréviation de PICture
Plus en détailLES DOSSIERS DOCUMENTAIRES ELECTRONIQUES. Clotilde VAISSAIRE CV CONSEIL SARL Clotilde.vaissaire@wanadoo.fr
LES DOSSIERS DOCUMENTAIRES ELECTRONIQUES Clotilde VAISSAIRE CV CONSEIL SARL Clotilde.vaissaire@wanadoo.fr 1 DEFINITION Le dossier documentaire réunit (en format papier comme en format électronique) un
Plus en détailInteraction et Vis ualis ation en Géosicence
Présentation au LIPSI Groupe Guillaume de Travail Rivière LIPSI-ESTIA 04/10/200 7 Novembre 2005 5 Interaction et Vis ualis ation en Géosicence Guillaume Rivière LaBRI LIPSI Université Bordeaux 1 1/16 S
Plus en détailLa 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 détailANGULAR JS AVEC GDE GOOGLE
ANGULAR JS AVEC GDE GOOGLE JUIN 2015 BRINGING THE HUMAN TOUCH TO TECHNOLOGY 2015 SERIAL QUI SUIS-JE? ESTELLE USER EXPERIENCE DESIGNER BUSINESS ANALYST BRINGING THE HUMAN TOUCH TO TECHNOLOGY SERIAL.CH 2
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 détailTheme Sensorial marketing, from stores to Internet : retailers and sensorial marketing integration in multichannel distribution management.
Les enseignes spécialisées et l intégration du marketing sensoriel dans l approche multicanale de leur distribution. Fanny NOYELLE Année Universitaire 2007 / 2008 ESUPCOM Lille Directeurs de mémoire :
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 détail- Le Diagramme de Gantt. - Le Diagramme de Pert - La Méthode QQCQCCP - La Méthode MOSI - Cahier des charges fonctionnel
Planifier le projet > Identifier les étapes > Organiser le projet > Identifier les étapes - Le Diagramme de Gantt > Organiser le projet - Le Diagramme de Pert - La Méthode QQCQCCP - La Méthode MOSI - Cahier
Plus en détailTP3 Intégration de pratiques agiles. 1. User Stories (1) Scénario d intégration agile. En direct-live du château
Rappel TP3 Intégration de pratiques agiles En direct-live du château 40 41 Scénario d intégration agile 1. User Stories (1) 1. Rédiger les User Stories (exigences) 2. Planifier les Itérations (quoi / quand)
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailCette Leçon va remplir ces attentes spécifiques du curriculum :
Dev4Plan1 Le Plan De Leçon 1. Information : Course : Français Cadre Niveau : Septième Année Unité : Mes Relations Interpersonnelles Thème du Leçon : Les Adjectifs Descriptifs Date : Temps : 55 minutes
Plus en détailAnalyse hiérarchique de tâches (AHT)
(AHT) Définition Cette méthode consiste à décomposer la tâche principale (ou le but) de l'opérateur en sous-tâches (ou sous-buts), puis chacune de ces sous-tâches en plusieurs sous-sous-tâches, et ainsi
Plus en détailBrève introduction à la recherche d!information sur le Web à base d!agents logiciels
Plan Brève introduction à la recherche d!information sur le Web à base d!agents logiciels Bernard ESPINASSE Université d!aix-marseille 2010 Rappels sur les agents logiciels Problématique de la RI sur le
Plus en détailBI2 : Un profil UML pour les Indicateurs Décisionnels
BI2 : Un profil UML pour les Indicateurs Décisionnels Sandro Bimonte Irstea, TSCF, 9 Av. Blaise Pascal, 63178, Aubière, France sandro.bimonte@irstea.fr Thème de Recherche MOTIVE www.irstea.fr 2 Plan Motivations
Plus en détailImmersion - Vision 3D dans la RV.
Cours RVS Master II IVA Immersion - Vision 3D dans la RV. Cours de Réalité Virtuelle et Simulation Master II - IVA A. Mebarki - Maître de Conférences Département d'informatique Faculté des Mathématiques
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailIntelligence Economique - Business Intelligence
Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit
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 détailManuel utilisateur Netviewer one2one
Manuel utilisateur Netviewer one2one INDEX 1. Etablissement de la connexion...2 1.1. Client... 2 2. Travailler avec Netviewer en mode Show...3 2.1. Vue écran... 3 2.2. Le panneau Netviewer... 3 2.3. Caractéristiques...
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailStratégie IT : au cœur des enjeux de l entreprise
Stratégie IT : au cœur des enjeux de l entreprise Business Continuity Convention Tunis 27 Novembre 2012 Sommaire Sections 1 Ernst & Young : Qui sommes-nous? 2 Stratégie IT : au cœur des enjeux de l entreprise
Plus en détailPerl Console. Votre compagnon pour développer en Perl. Les Journées du Perl 2007 16, 17 novembre, Lyon. Alexis Sukrieh <sukria@sukria.
Perl Console Votre compagnon pour développer en Perl Les Journées du Perl 2007 16, 17 novembre, Lyon Alexis Sukrieh Plan Pourquoi une console? Le modèle «Read-Eval-Print-Loop» Dépendances
Plus en détailInterface Homme-Machine 1
Interface Homme-Machine 1 Interface utilisateur graphique (GUI) 01 Introduction IHM Jacques Bapst jacques.bapst@hefr.ch Interface Homme-Machine L'étude de l'interface Homme-Machine (IHM) appelée également
Plus en détailCours. Cours 8 : Révisions. Importance. Interface homme-machine
Cours 1) Introduction Définitions Histoire Cours 8 : Révisions jgarcia@ircam.fr 2) Programmation des interfaces graphiques principes de conception 3) MVC Java2D Styles d interaction 4) Interaction graphique
Plus en détailIFT 6261: L Analytique Web. Fares Aldik, Consultant principal, Analytique Web et optimisation Bell Marchés Affaires services d expérience client
IFT 6261: L Analytique Web Fares Aldik, Consultant principal, Analytique Web et optimisation Bell Marchés Affaires services d expérience client 2012 01 04 Analytique Web : une pratique multidisciplinaire
Plus en détailRepères Gérer la capacité
Repères Gérer la http://www.agilecom.fr Les enjeux de la gestion de la Réaliser cet ajustement est un effort continuel : La stratégie de l entreprise évolue avec la conjoncture ; Les métiers développent
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailMANUEL UTILISATEUR : RECETTES TABLE DES MATIERES PIE : PRESTATIONS INTERNES ET EXTERNES
JEFYCO MANUEL UTILISATEUR : RECETTES TABLE DES MATIERES PIE : PRESTATIONS INTERNES ET EXTERNES 2 1 GENERER UNE FACTURE HORS CATALOGUE 2 1.1 SAISIE DU CLIENT 3 1.2 SAISIE DU FOURNISSEUR 4 1.3 PREPARATION
Plus en détailCOMMUNICATEUR BLISS COMMANDE PAR UN SENSEUR DE POSITION DE L'OEIL
COMMUNICATEUR BLISS COMMANDE PAR UN SENSEUR DE POSITION DE L'OEIL J. TICHON(1) (2), J.-M. TOULOTTE(1), G. TREHOU (1), H. DE ROP (2) 1. INTRODUCTION Notre objectif est de réaliser des systèmes de communication
Plus en détailEntrepôt de données 1. Introduction
Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de
Plus en détailTutoriel de formation SurveyMonkey
Tutoriel de formation SurveyMonkey SurveyMonkey est un service de sondage en ligne. SurveyMonkey vous permet de créer vos sondages rapidement et facilement. SurveyMonkey est disponible à l adresse suivante
Plus en détailCartographie Informatique Eclairage Public
Syndicat Départemental d Electricité de la Haute Garonne Cartographie Informatique Eclairage Public Fonctionnalité de déclaration et de suivi des pannes Notice d utilisation 1-Préambule : L application
Plus en détailExtraction 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 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 détailIntroduction : présentation de la Business Intelligence
Les exemples cités tout au long de cet ouvrage sont téléchargeables à l'adresse suivante : http://www.editions-eni.fr Saisissez la référence ENI de l'ouvrage RI3WXIBUSO dans la zone de recherche et validez.
Plus en détailGuide de l utilisateur du Centre de gestion des licences en volume LICENCES EN VOLUME MICROSOFT
Guide de l utilisateur du Centre de gestion des licences en volume LICENCES EN VOLUME MICROSOFT Table des matières Présentation du Centre de gestion des licences en volume (VLSC)... 3 Inscription auprès
Plus en détail1. Insérez le DVD de support dans le lecteur optique. L onglet Drivers (Pilotes) apparaîtra si l Exécution automatique est activée.
ASUS PC Probe II PC Probe II est un utilitaire qui contrôle l activité des composants cruciaux de l ordinateur ; il détecte et vous avertit de tout problème survenant sur l un de ces composants. PC Probe
Plus en détailAnne Cauquelin, L'invention du paysage.
Anne Cauquelin, L'invention du paysage. Anne Cauquelin, L'invention du paysage, QUADRIGE, PUF, 2000, 2002 [1ère édition Libriarie Plon, 1989]. Analyse historique de la notion de paysage : - Qu'est ce qu'un
Plus en détailDSL. Domain Specific Language. À l'aide des technologies Eclipse Modeling. Goulwen Le Fur goulwen.lefur@obeo.fr. Le 23 novembre 2012
DSL Domain Specific Language À l'aide des technologies Eclipse Modeling Le 23 novembre 2012 Goulwen Le Fur goulwen.lefur@obeo.fr Le but de cette session Montrer : Ce qu'est-un DSL/DSM Comment implémenter
Plus en détailManuel Utilisateur. Boticely
Manuel Utilisateur Boticely Auteur : Logica Version : 1.4 Droit d auteur Ce texte est disponible sous contrat Creative Commons Paternité - Pas d'utilisation Commerciale - Partage des Conditions Initiales
Plus en détailN. Paparoditis, Laboratoire MATIS
N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS
Plus en détailSNCC SCADA MES Vecteurs d intégration
SNCC SCADA MES Vecteurs d intégration Paris, le 6 juin 2013 Improving your execution systems Parcours Personnel 30 années d expérience en informatique industrielle ABSY (1983-1988 : constructeur SNCC)
Plus en détailSEMINAIRE SAS VISUAL ANALYTICS LAUSANNE, MARCH 18 : JÉRÔME BERTHIER VALERIE AMEEL
SEMINAIRE SAS VISUAL ANALYTICS LAUSANNE, MARCH 18 : JÉRÔME BERTHIER VALERIE AMEEL AGENDA 14:15-14:30 Bienvenue & Introduction Jérôme Berthier et Manuel Fucinos 14:30-14:45 Le concept de la Data Viz et
Plus en détailLES TOUT PREMIERS PAS
DESMODO, un logiciel de gestion d idées http://www.desmodo.net/ LES TOUT PREMIERS PAS Desmodo est un logiciel (libre) qui permet, entre autre, de visualiser et de synthétiser, de manière organisée, sous
Plus en détailLe modèle de données
Le modèle de données Introduction : Une fois que l étude des besoins est complétée, deux points importants sont à retenir : Les données du système étudié Les traitements effectués par le système documentaire.
Plus en détailModule d introduction Comment réaliser vos propres cartes avec ArcGIS Online
Module d introduction Comment réaliser vos propres cartes avec ArcGIS Online Table des matières 1 Commencer avec ArcGis Online... 2 2 Créer des cartes I (utiliser les cartes disponibles /les services de
Plus en détailSynthèse d'images I. Venceslas BIRI IGM Université de Marne La
Synthèse d'images I Venceslas BIRI IGM Université de Marne La La synthèse d'images II. Rendu & Affichage 1. Introduction Venceslas BIRI IGM Université de Marne La Introduction Objectif Réaliser une image
Plus en détailInstructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00
Instructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00 HFFv2 1. OBJET L accroissement de la taille de code sur la version 2.0.00 a nécessité une évolution du mapping de la flash. La conséquence de ce
Plus en détailPentaho 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 détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
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 détailQu'est ce que le KM? M. Prax a d'abord défini le KM par la négative. Le KM n'est pas :
Compte-rendu : «Les enjeux des TIC : le Knowledge Management» Conférence du 3 ème millénaire, Salon Initiatives du jeudi 18 octobre 2001 Orateur : Jean-Yves Prax, Directeur de POLIA CONSULTING Face à un
Plus en détailSite : 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 détailIMAGE BASED MODELING généralités et utilisation des outils de photomodélisation. 123D Catch de Autodesk.
IMAGE BASED MODELING généralités et utilisation des outils de photomodélisation. 123D Catch de Autodesk. Préambule Il ne sera pas détaillé ici le procédé dʼinscription en ligne sur le site Autodesk, il
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailCatherine Elsen - 2015. design thinking.
design thinking. design thinking. penser «design»? Juicy Salif by Starck, Alessi Juicy Salif by Starck, Alessi design thinking. penser «conception». Bill Moggridge Mike Nuttall David Kelley Jane F. Suri
Plus en détailWhitepaper. Méthodologie de création de rapports personnalisés SQL Server Reporting Services
Ce Whitepaper décrit la méthodologie de développement d un rapport personnalisé au format SQL Server Reporting Service (SSRS) appliqué à System Center Operations Manager (SCOM) Whitepaper Méthodologie
Plus en détailMS PROJECT 2000. Prise en main. Date: Mars 2003. Anère MSI. 12, rue Chabanais 75 002 PARIS E mail : jcrussier@anere.com Site : www.anere.
DOCUMENTATION MS PROJECT 2000 Prise en main Date: Mars 2003 Anère MSI 12, rue Chabanais 75 002 PARIS E mail : jcrussier@anere.com Site : www.anere.com Le présent document est la propriété exclusive d'anère
Plus en détailComprendre 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 détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Plus en détailDiagramme de classes
Diagramme de classes Un diagramme de classes décrit les classes et leurs relations (associations, généralisation/spécialisation, ). classe association méthodes attributs héritage Diagramme de classes :
Plus en détailGestion collaborative de documents
Gestion collaborative de documents ANT box, le logiciel qui simplifie votre GED Les organisations (entreprises, collectivités, associations...) génèrent chaque jour des millions de documents, e-mails,
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détailSociété de Geo-engineering
Gestion de la maintenance des réseaux le géoréférencement inertiel direct, technologie automatisée d'acquisition d'objets 2D / 3D vers les SIG Société de Geo-engineering Activité d'expertise et d'ingénierie
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 AUX TESTS DE PERFORMANCE ET DE CHARGE
INTRODUCTION AUX TESTS DE PERFORMANCE ET DE CHARGE 1 Introduction aux tests de performance et de charge Sommaire Avertissement...2 Aperçu...3 1. Création du scénario de navigation web (Test web)...4 2.
Plus en détailGuide de l'utilisateur
Guide de l'utilisateur 1994 2010 Mindjet Mindjet MindManager Version 9 pour Windows - Guide de l'utilisateur Table des matières Introduction... 1 Mindjet en bref - Solutions de productivité visuelle et
Plus en détailCONSTRUCTION DES PROJECTIONS TYPES DE PROJECTION. Projection => distorsions. Orientations des projections
A.Charbonnel SYNTHÈSE SUR LES PROJECTIONS CARTOGRAPHIQUES SIMPLES 1/6 TYPES DE PROJECTION Pour passer de la représentation en 3D de la terre (globe terrestre) à une représentation en 2D (la carte), on
Plus en détailBio-Rad Laboratories CONTRÔLE DE QUALITÉ. Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité
Bio-Rad Laboratories CONTRÔLE DE QUALITÉ Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité CONTRÔLE DE QUALITÉ 1 Unity Real Time 2.0 Unity Real Time 2.0 est un logiciel pour la gestion
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailMUNIA Manuel de l'utilisateur
MUNIA Manuel de l'utilisateur by Daisoft www.daisoft.it 2 Table des matières I II 2.1 2.2 2.3 2.4 2.5 2.6 III 3.1 3.2 3.3 IV 4.1 4.2 V 5.1 5.2 5.3 Introduction... 3 Les... échéances 6... 7 Ajouter... des
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailRESPONSIVE WEB DESIGN
RESPONSIVE WEB DESIGN Une approche pour concevoir des sites Web adaptatifs et une occasion d'inciter les étudiants à consulter des cours responsives Ivan MADJAROV Arnaud FÉVRIER Comment consulte-t-on le
Plus en détailIFT3902 : (Gestion de projet pour le) développement, (et la) maintenance des logiciels
IFT3902 : (Gestion de projet pour le) développement, (et la) maintenance des logiciels Yann-Gaël Guéhéneuc Professeur adjoint guehene@iro.umontreal.ca, local 2345 Département d informatique et de recherche
Plus en détailAnalyse Sectorielle de site e-commerce
Analyse Sectorielle de site e-commerce - Caillet Mélissa Groupe E La Redoute - Gobillard Sébastien Groupe E - Cdiscount - Bourbon Adrien Groupe E - Amazon Site analysé La Redoute http://laredoute.fr/ 1
Plus en détailJADT 2010-11/06/2010 Rome Utilisation de la visualisation en nuage arboré pour l'analyse littéraire
JADT 2010-11/06/2010 Rome Utilisation de la visualisation en nuage arboré pour l'analyse littéraire Delphine Amstutz (CELLF Université Paris-Sorbonne Paris 4 / CNRS) Philippe Gambette (LIRMM Université
Plus en détailExtrait des Exploitations Pédagogiques
Pédagogiques Module : Compétitivité et créativité CI Première : Compétitivité et créativité CI institutionnel : Développement durable et compétitivité des produits Support : Robot - O : Caractériser les
Plus en détailbasée sur le cours de Bertrand Legal, maître de conférences à l ENSEIRB www.enseirb.fr/~legal Olivier Augereau Formation UML
basée sur le cours de Bertrand Legal, maître de conférences à l ENSEIRB www.enseirb.fr/~legal Olivier Augereau Formation UML http://olivier-augereau.com Sommaire Introduction I) Les bases II) Les diagrammes
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 détailETUDE DE COMPATIBILITE DE LA ZONE DE RECOUVREMENT DES MODELES NUMERIQUES APPLICATION AUX ETUDES D IMPACT DES PROJETS D ENERGIES MARINES
ETUDE DE COMPATIBILITE DE LA ZONE DE RECOUVREMENT DES MODELES NUMERIQUES APPLICATION AUX ETUDES D IMPACT DES PROJETS D ENERGIES MARINES Julien Schaguene, Olivier Bertrand, Eric David Sogreah Consultants
Plus en détailNouveau Web Client marquant, Cumulus Video Cloud, optimisations de la base de données, et plus..
INFORMATION PRODUIT : Quoi de Neuf dans Cumulus 9.0? Nouveau Web Client marquant, Cumulus Video Cloud, optimisations de la base de données, et plus.. Les nouveautés marquantes et les améliorations disponibles
Plus en détailLa construction du temps et de. Construction du temps et de l'espace au cycle 2, F. Pollard, CPC Bièvre-Valloire
La construction du temps et de l espace au cycle 2 Rappel de la conférence de Pierre Hess -Démarche de recherche: importance de se poser des questions, de chercher, -Envisager la démarche mentale qui permet
Plus en détailGoogle Drive, le cloud de Google
Google met à disposition des utilisateurs ayant un compte Google un espace de 15 Go. Il est possible d'en obtenir plus en payant. // Google Drive sur le web Se connecter au site Google Drive A partir de
Plus en détailCARTOGRAPHIE DE L EMPLOI SUR LINKEDIN EN FRANCE
ANALYSE LINKEDIN / ODOXA CARTOGRAPHIE DE L EMPLOI SUR LINKEDIN EN FRANCE Principaux enseignements L analyse proposée par Odoxa avec LinkedIn sur l emploi à partir de données chiffrées portant sur l ensemble
Plus en détailSQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...)
Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence
Plus en détailComment Créer une Base de Données Ab Initio
Comment Créer une Base de Données Ab Initio Diffusé par Le Projet Documentation OpenOffice.org Table des Matières 1. Création de la Source de Données...3 2. Ajout de Tables dans une Source de Données...3
Plus en détailTD : Codage des images
TD : Codage des images Les navigateurs Web (Netscape, IE, Mozilla ) prennent en charge les contenus textuels (au format HTML) ainsi que les images fixes (GIF, JPG, PNG) ou animée (GIF animée). Comment
Plus en détail