Visualisation de données et de graphes. David Auber, LaBRI, Université de Bordeaux.
|
|
- Géraldine St-Jacques
- il y a 8 ans
- Total affichages :
Transcription
1 Visualisation de données et de graphes David Auber, LaBRI, Université de Bordeaux.
2 Recherche Edge Bundling Fuzzy Clustering Visualization DataVis software Coumpound Graph Visualization Large scale heatmaps Treemaps visualization
3 LaBRI Université Bordeaux LaBRI Université Bordeaux / INRIA Bordeaux sud ouest Researchers PhD Student - 22 Administrative
4 Visualisation d informations Représentation visuelle interactive de données abstraites Aide à la résolution de problèmes. Métaphore visuelle Permet de réduire l utilisation de la mémoire. Comment choisir les bonnes métaphores? Comment interagir avec la représentation?
5 Précurseurs Minard(1869) : Campagne de Russie de l armée napoléonienne
6 Précurseurs Dr. John Snow : Épidémie de choléra à Londres (Soho District, 1845)
7 Précurseurs Robertson & al: «Cone trees: Animated 3D visualization of hierarchical information» (1991)
8 Pourquoi? Système de perception visuelle de l être humain 70 % des récepteurs 40 % du cortex Tâche simple L être humain est meilleur pour la: «reconnaissance» Que pour la «mémorisation» Ware : Information visualization (2000) / Dix & al : Human computer Interaction (1998)
9
10 ?
11 Attributs: Charge cognitive - faible Recherche immédiate indépendante du nombre d éléments. (charge cognitive faible)
12
13 ?
14 Attributs: exemple Recherche immédiate indépendante du nombre d éléments. (charge cognitive faible)
15
16 ?
17 Charge cognitive Recherche lente dépendante du nombre d éléments. (charge cognitive élevée)
18
19 Charge cognitive - faible Cette image représente le suivi de connections IP entre machines. L œil voit directement que toutes les connections vont vers le même groupe de machine. En regardant plus longuement, on voit 10 clusters et une symétrie entre les clusters. Illustration (Com. IP) présentée à la cité des sciences à la station Montparnasse et au Journal du CNRS (National/International) Copyright Auber et al. 2013
20 Charge cognitive Recherche immédiate indépendante du nombre d éléments. (charge cognitive faible) Recherche lente dépendante du nombre d éléments. (charge cognitive élevée)
21 Quoi? L information est composée de : D entités : une entreprise A, une entreprise B, etc De relations : L entreprise A travaille avec l entreprise B. Chaque entité ou relation peut posséder plusieurs attributs. Exemple: L entreprise A a 100 employé etc - Quantitatif : valeur dans R : Superficie - Ordonné : Bijection de V -> N : Résultat du tiercé - Nominatif : tous les autres : Marque de voiture
22 Comment? Attributs visuels Position Densité Forme Taille Texture Orientation Saturation Courbure Mouvement Texte Teinte
23 Efficacité attributs quantitatifs Cleveland et McGill
24 Efficacité Jock Mackinlay
25 Indépendance Les attributs visuels ne peuvent pas toujours être combinés ensemble. Intégrable Séparable Rouger/Vert Taille X Taille Couleur Couleur Couleur Bleu /Jaune Taille Y Orientation Forme Mouvement Position
26 Démonstration Attributs visuels Joueur de Poker Nous disposons de l historique des transactions financières entre les joueurs. Nous disposons de statistiques sur les techniques de jeux des joueurs. Chaque joueur est une entité et les mesures sur les joueurs sont des attributs
27 Comment représenter les relations Principe de reconnaissance de motif «gestalt» = forme en allemand Principes Proximité Similarité Continuité / connections Animation simultanée Taille relative
28 Relations :Proximité Le système de perception regroupe les entités proches les unes de autres. Il prend aussi en compte la densité.
29 Relations :Proximité Le système de perception regroupe les entités proches les unes de autres. Il prend aussi en compte la densité.
30 Relations :Similarité Le système de perception regroupe les entités qui ont une forte similarité. Ici position / forme/ couleur.
31 Relation: Fermeture
32 Relations : Continuité Le système de perception dissocie les entité en fonction du contour. Il cherche à prendre les contours continus.
33 Connections Plus puissant que la proximité, la couleur, la taille, les formes
34 Relations: Animation simultanée
35 Démonstration Relation Joueur de Poker Nous disposons de l historique des transactions financières entre les joueurs. Nous disposons de statistiques sur les techniques de jeux des joueurs. Chaque joueur est une entité et les mesures sur les joueurs sont des attributs Les transactions entre les joueurs sont des relations entre joueur.
36 Pipeline de visualisation Utilisateurs Data Base Meta Data Décomposition Métaphores Visuelles Rendu
37 Le mantra Utilisateurs Data Base Meta Data Décomposition Métaphores Visuelles Rendu «Overview first, zoom and filter then details on demand» Ben Schneiderman «Analyse first, Show the important, Zoom and Filter and analyse Further, details on demand» Keim et al
38 Visualisation de graphes Utilisateurs Data Base Meta Data Décomposition Métaphores Visuelles Rendu Sélection des Données Récupération des relations Inférence des relations Mesure sur les graphes Détection de communautés Agrégation d éléments Représentation des graphes Affichage de la relation
39 Diagrammes nœuds/liens La représentation nœud/lien dessine les entités avec des formes et représente les relations en utilisant des connections. On distingue trois grandes classes de représentations nœud lien Hiérarchique Planaire Modèle de force
40 Diagrammes nœuds/liens La représentation nœud/lien dessine les entités avec des formes et représente les relations en utilisant des connections. On distingue trois grandes classes de représentations nœud lien Hiérarchique Planaire Modèle de force
41 Diagrammes nœuds/liens La représentation nœud/lien dessine les entités avec des formes et représente les relations en utilisant des connections. On distingue trois grandes classes de représentations nœud lien Hiérarchique Planaire Modèle de force
42 Diagrammes nœuds/liens La représentation nœud/lien dessine les entités avec des formes et représente les relations en utilisant des connections. On distingue trois grandes classes de représentations nœud lien Hiérarchique Planaire Modèle de force
43 Matrices La représentation matricielle utilise la position pour encoder la relation entre deux entités. L efficacité des vues matricielles dépend de l ordonnancement des lignes et des colonnes des matrices.
44 Treemaps Utilise le principe de gestalt de contours fermés pour représenter des arbres. Plusieurs variantes existent, notamment: les GosperMaps qui permettent de rapprocher des régions entre elles.
45 Brushing and linking Une seule métaphore visuelle est rarement suffisante pour découvrir l information cachée dans les données. On utilise en visualisation analytique plusieurs métaphores reliées ensembles.
46 Démonstration Brushing & Linking Joueur de Poker Nous disposons de l historique des transactions financières entre les joueurs. Nous disposons de statistiques sur les techniques de jeux des joueurs. Chaque joueur est une entité et les mesures sur les joueurs sont des attributs Les transactions entre les joueurs sont des relations entre joueur.
47 Visualisation de graphes Utilisateurs Data Base Meta Data Décomposition Métaphores Visuelles Rendu Sélection des Données Récupération des relations Inférence des relations Mesure sur les graphes Détection de communautés Agrégation d éléments Représentation des graphes Affichage de la relation
48 Paramètres intrinsèques L analyse de la topologie du réseau permet de créer des mesures sur les entités (nœuds) et les relations (arêtes/arcs) d un graphe. Ces mesures permettent de mettre en évidence: - Les entités pivots dans le réseaux - L indépendance des entités vis à vis de leur voisinage. - Leur centralité dans le réseau - Etc.. De plus elles peuvent servir pour la détection de communautés (clustering).
49 Clustering de graphes Le clustering consiste à agréger des éléments. L agrégation est un élément clé pour l analyse de grands graphes. Une fois l agrégation obtenu on peut réappliquer l opération pour obtenir un clustering multi-échelle. On utilise cette décomposition multiéchelle pour changer la complexité de nos algorithmes ainsi que pour permettre un navigation multi-échelle dans les graphes.
50 Démonstration Bibliographie Deux personnes sont reliées si elles ont co-signé un article scientifique.
51 QUESTIONS? David Auber
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 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 détailsont 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 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 détailProxiLens : 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 détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
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 détailUtilisation 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 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 détailAnalysis 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 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 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 détailUniversité de Montréal. par Mohamed Mouine
Université de Montréal Présentation personnalisée des informations environnementales par Mohamed Mouine Département d informatique et de recherche opérationnelle Faculté des arts et des sciences Thèse
Plus en détailSegmentation d'images à l'aide d'agents sociaux : applications GPU
Segmentation d'images à l'aide d'agents sociaux : applications GPU Richard MOUSSA Laboratoire Bordelais de Recherche en Informatique (LaBRI) - UMR 5800 Université de Bordeaux - France Laboratoire de recherche
Plus en détailDATA 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 détailDATA 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 détailRencontre sur la thématique du Calcul Haute Performance - 13 juin 2012. Better Match, Faster Innovation
Better Match, Faster Innovation Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012 Meeting on the theme of High Performance Computing TABLE DES MATIÈRES Qu est ce qu un imatch? STI
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 détailSimulation centrée individus
Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les
Plus en détailCycle 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 détailCréation et évaluation d interfaces visuelles interactives à partir de services web
Création et évaluation d interfaces visuelles interactives à partir de services web Romain Vuillemot To cite this version: Romain Vuillemot. Création et évaluation d interfaces visuelles interactives à
Plus en détailTravailler avec les télécommunications
Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
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 détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailSAN07 IBM Social Media Analytics:
SAN07 IBM Social Media Analytics: Vos clients partagent leurs connaissances Déployez une stratégie gagnante! Eric Martin Social Media Analytics Leader Europe IBM SWG, Business Analytics @Eric_SMA 1 Le
Plus en détailMatrixExplorer: 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 détailTravaux 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 détailAutomatisation de la découverte, de la surveillance et de l analyse des causes premières dans le datacenter virtualisé (VDC) EMC SERVER MANAGER
EMC SERVER MANAGER Automatisation de la découverte, de la surveillance et de l analyse des causes premières dans le datacenter virtualisé (VDC) Avantages clés Corrélation et analyse des machines virtuelles
Plus en détail05/09/2015. M Ponctualité : CM TD TP & Projet Æ En cas d absence : récupérer!!! 3 05/09/2015
Synthèse d images L3 Présentation du module Sandrine LANQUETIN Bureau G08 sandrine.lanquetin@u-bourgogne.fr Qui? Quand? Mode d emploi M Intervenants : Æ S. Lanquetin sandrine.lanquetin@u-bourgogne.fr M
Plus en détailVisualisation 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 détailLa 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 détail79140 CERIZAY. Collège G. CLEMENCEAU. Page 1 sur 18
SEGPA 79140 CERIZAY Page 1 sur 18 SOMMAIRE 1. ASPECTS JURIDIQUES DU LOGICIEL SOLIDWORKS.. 2 2. OUVRIR LE LOGICIEL SOLIDWORKS.. 3 3. TRAVAILLER DANS L ESQUISSE (2D). 4 4. COMMENT DESSINER UN RECTANGLE..
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 détailWACOM MULTI-TOUCH : UTILISATION TACTILE DES PRODUITS WACOM
1 WACOM MULTI-TOUCH : UTILISATION TACTILE DES PRODUITS WACOM Les produits tactiles Wacom sont conçus pour faciliter votre travail. La saisie tactile vous permet d utiliser les produits Wacom du bout des
Plus en détailExemple d application en CFD : Coefficient de traînée d un cylindre
Exemple d application en CFD : Coefficient de traînée d un cylindre 1 Démarche générale Avec Gambit Création d une géométrie Maillage Définition des conditions aux limites Avec Fluent 3D Choix des équations
Plus en détailAnalyze. Command. Record. Surveillance Station. La solution NVR de Synology est conçue pour vous offrir la meilleure expérience de vidéosurveillance
Analyze Command Record Surveillance Station La solution NVR de Synology est conçue pour vous offrir la meilleure expérience de vidéosurveillance Le système NVR est optimisé pour assurer une sécurité complète
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 détailTux Paint. 1. Informations générales sur le logiciel. Auteur : Bill Kendrick et l équipe de développement de New Breed Software
1. Informations générales sur le logiciel Auteur : Bill Kendrick et l équipe de développement de New Breed Software Version : 0.9.13 Licence : GPL Date de parution : octobre 2004 Environnement requis :
Plus en détailLUT QU EST-CE QUE C EST? Version 1.0 Mars 2010
A1 BOX DOCUMENT TECHNIQUE LUT QU EST-CE QUE C EST? Version 1.0 Mars 2010 LUT veut dire Look Up Table, en francisant, table de conversion. Il en existe de différents degrés de complexité, dont les deux
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailAgrégation de traces d exécution pour la visualisation de grands systèmes distribués
Agrégation de traces d exécution pour la visualisation de grands systèmes distribués Robin Lamarche-Perrin 1, Lucas M. Schnorr 2, Jean-Marc Vincent 2, Yves Demazeau 1 1. Laboratoire d Informatique de Grenoble
Plus en détailIUT BREST UN LOGICIEL SCADA : PC VUE 2010 DEP.GMP
IUT BREST DEP.GMP UN LOGICIEL SCADA : PC VUE 2010 Table des matières 1. Introduction à la supervision- logiciel SCADA... 4 1.A. Définition d un logiciel SCADA /Supervision... 4 1.B. Ou trouve-t-on des
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailAtelier Travailler vos photos Mars 2015
Accéder aux photos enregistrées sur votre ordinateur. Cliquer sur le bouton démarrer puis cliquer sur Images dans la colonne de droite. Vous êtes dans le dossier Images. Cliquer ici pour modifier l apparence
Plus en détailLES OUTILS DE GESTION DE PROJET
LES OUTILS DE GESTION DE PROJET 1 Qu est-ce qu un projet? Quelle est la définition? En quoi diffère-t-il de l activité d une entreprise, d un ensemble de personnes? Listez tous les ingrédients, aspects,
Plus en détailSysFera. Benjamin Depardon
SysFera Passage d applications en SaaS Benjamin Depardon CTO@SysFera SysFera Technologie 2001 Création 2010 Spin Off INRIA Direction par un consortium d investisseurs 12 personnes 75% en R&D Implantation
Plus en détailVotre outil pour vous démarquer sur le terrain de l interactivité. www. Moteurs de recherche. Médias Sociaux. Web. Mobilité. Assurance automobile
Votre outil pour vous démarquer sur le terrain de l interactivité. www Web Mobilité Médias Sociaux Moteurs de recherche Assurance automobile Votre nouveau terrain de concurrence: l interactivité On parle
Plus en détailPowerPoint offre trois modes d affichage principaux : le mode Normal, le mode Trieuse de diapositives et le mode Diaporama
VERSION XP Mireille Ducellier avril 2004 PowerPoint est un logiciel de Présentation Assistée par Ordinateur. Il permet de préparer des présentations contenant du texte, des images, des effets visuels,
Plus en détailDéfinir la gestion de projets 11. Exploiter les techniques de gestion de projets 11. Planifier un projet 12. Lister les tâches et les jalons 13
Généralités Définir la gestion de projets 11 Exploiter les techniques de gestion de projets 11 Planifier un projet 12 Lister les tâches et les jalons 13 Réfléchir aux liaisons entre les tâches 14 Estimer
Plus en détailActivité 11 : Nuage de points ou diagramme de dispersion
Activité 11 : Nuage de points ou diagramme de dispersion Un nuage de points, ou diagramme de dispersion, représente des coordonnées dans un plan cartésien. Chaque point dans le plan représente deux quantités.
Plus en détailLa boîte à outils InfoVis
La boîte à outils InfoVis Jean-Daniel Fekete INRIA Futurs/LRI Bât 490, Université Paris-Sud 91405 ORSAY, France Jean-Daniel.Fekete@inria.fr Figure 1 :Exemples de Scatter Plot, Treemap et Visualisation
Plus en détailEtude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
Plus en détailPrésentation... 2 Mise en place... 2. Fiche Article... 2 Commande Client... 3 Commande Fournisseur... 4. Gestion de la contremarque...
Sommaire Présentation... 2 Mise en place... 2 Fiche Article... 2 Commande Client... 3 Commande Fournisseur... 4 Gestion de la contremarque... 5 Suivi... 5 Etat... 7 Remarques... 8 Copyright WaveSoft 1/8
Plus en détailRapidMiner. 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 détailDéveloppement 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 détail1 INFORMATION - INFORMATIQUE. 11 Systèmes d'information gestion des connaissances, knowledge management
p.1 1 INFORMATION - INFORMATIQUE 10 Sciences cognitives aspects fondamentaux 11 Systèmes d'information gestion des connaissances, knowledge management 110 Intelligence économique veille économique, stratégique,
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailils entretiennent entre eux des flux, ils partagent des perceptions sur l environnement
Les modèles de Flux Introduction L analyse systémique fournie une modélisation de l organisation échangeant et transformant des flux Cette modélisation du S.I. reste trop générale Il faut découper l organisation
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
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 détailBusiness Intelligence avec SQL Server 2012
Editions ENI Business Intelligence avec SQL Server 2012 Maîtrisez les concepts et réalisez un système décisionnel Collection Solutions Informatiques Table des matières Les éléments à télécharger sont disponibles
Plus en détailApprendre à résoudre des problèmes numériques. Utiliser le nombre pour résoudre des problèmes
Apprendre à résoudre des problèmes numériques Utiliser le nombre pour résoudre des problèmes Ce guide se propose de faire le point sur les différentes pistes pédagogiques, qui visent à construire le nombre,
Plus en détailDOCTORAT DE L'UNIVERSITÉ DE TOULOUSE
En vue de l'obtention du DOCTORAT DE L'UNIVERSITÉ DE TOULOUSE Délivré par : Institut National Polytechnique de Toulouse (INP Toulouse) Discipline ou spécialité : Intelligence Artificielle Présentée et
Plus en détailBASE. Vous avez alors accès à un ensemble de fonctionnalités explicitées ci-dessous :
BASE BioArray Software Environment (BASE) est une base de données permettant de gérer l importante quantité de données générées par des analyses de bio-puces. BASE gère les informations biologiques, les
Plus en détailVisualisation en Fouille de Données
Université Nice Sophia Antipolis Master Informatique, Fondements & Ingénierie (IFI) Visualisation en Fouille de Données Elaboré par : Abir DILOU Mouna REKIK Encadré par : Mr. Nicolas PASQUIER Année universitaire
Plus en détailpcon.planner 6 Préparer et présenter une implantation en toute simplicité
pcon.planner 6 Préparer et présenter une implantation en toute simplicité Sommaire 1. Installation :... 3 2. Démarrer le logiciel :... 3 3. Interface :... 3 4. Naviguer :... 4 5. Réaliser une implantation
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 détailWORDPRESS : réaliser un site web
WORDPRESS : réaliser un site web Wordpress est un système de gestion de contenu (ou CMS) libre. Il permet de créer des sites relativement complexes (blog, forum, site vitrine, site dynamique), sans qu
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 détailBusiness-Insight Company Presentation
Brussel, March 1, 2013 Business-Insight Company Presentation The Business-Insight company creates the latest state-of-the-art softwares in the domain of predictive datamining. Predictive datamining techniques
Plus en détailVisualisation 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 détailTable des matières A. Introduction... 4 B. Principes généraux... 5 C. Exemple de formule (à réaliser) :... 7 D. Exercice pour réaliser une facture
Excel 2007 -2- Avertissement Ce document accompagne le cours qui a été conçu spécialement pour les stagiaires des cours de Denis Belot. Le cours a été réalisé en réponse aux diverses questions posées par
Plus en détailManuel des bonnes pratiques avec CATIA V.5
2009 Manuel des bonnes pratiques avec CATIA V.5 Pour aller plus loin dans la maîtrise de l outil CAO Ce document a pour objectif de donner des méthodologies et règles de travail qui permettent de mener
Plus en détailFacebook ADS Du ciblage à la conversion
Facebook ADS Du ciblage à la conversion Mardi 18 Juin 2013 FACEBOOK ADS «LES PUBLICITES FACEBOOK : OPPORTUNITÉS DE TRAFIC ET DE CONVERSION» OBJECTIFS Pourquoi utiliser Facebook ADS? # 1 Recruter des fans
Plus en détailANALYSE TEXTUELLE DE TRAVAUX DE JEAN-PIERRE BARTHÉLEMY. Marc LE POULIQUEN 1,2
Math. & Sci. hum. / Mathematics and Social Sciences (50 e année, n 197, 2012 (1), p. 33 45) ANALYSE TEXTUELLE DE TRAVAUX DE JEAN-PIERRE BARTHÉLEMY Marc LE POULIQUEN 1,2 Jean-Pierre Barthélemy nous a quitté
Plus en détailLa filière française compte 195 casinos autorisés sur le territoire national pour l exercice 2010/2011 (Source : les casinos.org). Il en existait 155
"Rechute de l activité de la filière casinos" Analyse et traitement par Coach Omnium Extrait de notre grande étude prospective sur les casinos français, réalisée pour le FAFIH et ses partenaires. L OFFRE
Plus en détailBase de Connaissances
Base de Connaissances La section Base de Connaissances fournit des réponses aux questions qui se posent le plus couramment lors de l'utilisation de DevInfo 7. Cliquez sur une catégorie ci- dessous pour
Plus en détailLa 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 détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
Plus en détailPRESENTE LE LA PLUS GRANDE RENCONTRE DE BAD BOYS UNE TOURNEE DE LEGENDE, UN EVENEMENT MYTHIQUE
PRESENTE LE LA PLUS GRANDE RENCONTRE DE BAD BOYS UNE TOURNEE DE LEGENDE, UN EVENEMENT MYTHIQUE PRESENTATION DU HARLEY POKER TOUR Le Harley Poker Tour est une manifestation qui se déroule sur une année
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 détailManuel d utilisation TruView 3.0
Manuel d utilisation TruView 3.0 Document rédigé par : Table des matières INTRODUCTION... 3 Chapitre 1 : Télécharger et installer TruView... 3 Chapitre 2 : Utilisation de TruView... 4 Chapitre 3 : Mode
Plus en détailE-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement.
E-Biothon : Une plate-forme pour accélérer les recherches en biologie, santé et environnement. N.Bard, S.Boin, F.Bothorel, P.Collinet, M.Daydé, B. Depardon, F. Desprez, M.Flé, A.Franc, J.-F. Gibrat, D.
Plus en détailPowerbat Portail web de services énergétiques
Powerbat Portail web de services énergétiques V3-2014 Smart controls for a better world = Piloter les énergies d un monde meilleur Powerbat : portail web de services énergétiques Power Board Vos besoins
Plus en détailMEGA ITSM Accelerator. Guide de démarrage
MEGA ITSM Accelerator Guide de démarrage MEGA 2013 1ère édition (janvier 2013) Les informations contenues dans ce document pourront faire l objet de modifications sans préavis et ne sauraient en aucune
Plus en détail6. PAIEMENT - ÉTAT DE COMPTE
Pour être rémunéré par la Régie de l assurance maladie (Régie), le dispensateur doit soumettre sa demande de paiement dans les 90 jours suivant la date à laquelle la personne assurée a reçu les services
Plus en détailWilliam Pezet monsieurpixel@gmail.com
Du grain à moudre est un projet d installation multimédia qui utilise le moulin à café à la fois comme interface interactive mais aussi comme base imaginaire pour son propos William Pezet monsieurpixel@gmail.com
Plus en détailDe meilleures prises de décisions pour des produits de meilleure qualité
De meilleures prises de décisions pour des produits de meilleure qualité Tecnomatix 10 Optimise la productivité de la fabrication Fonctions Gestion des processus de fabrication Interface utilisateur configurable
Plus en détailMy 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 détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailProbabilités. I - Expérience aléatoire. II - Evénements
Probabilités Voici le premier cours de probabilités de votre vie. N avez-vous jamais eut envie de comprendre les règles des grands joueurs de poker et de les battre en calculant les probabilités d avoir
Plus en détailCréation intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
Plus en détailManuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2
éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........
Plus en détailDiagnostic adaptatif d'un flux d'alarmes par méta diagnostic distribué Application à la détection d'intrusions dans un serveur Web
LogAnalyzer Thomas Guyet 1,2, René Quiniou 2 et Marie Odile Cordier 3 1 AGROCAMPUS OUEST 2 INRIA/IRISA Centre de Rennes (Équipe DREAM) 3 Université de Rennes/IRISA (Équipe DREAM) Contact : thomas.guyet@irisa.fr
Plus en détailMANUEL TBI - INTERWRITE
MANUEL TBI - INTERWRITE TBIIW TITRE Manuel InterWrite WorkSpace INTITULE Manuel d'utilisation du logiciel InterWrite accompagnant le tableau blanc interactif CALCOMP OBJECTIF Aide mémoire sur les fonctionnalités
Plus en détail