Visualisation d information interactive
|
|
|
- Jean-Claude Beaudet
- il y a 10 ans
- Total affichages :
Transcription
1 Visualisation d information interactive Jean-Daniel Fekete & Frédéric Vernier INRIA Futurs/LRI & LIMSI [email protected] & [email protected] Visualisation The eye the window of the soul, is the principal means by which the central sense can most completely and abundantly appreciate the infinite works of nature. Leonardo da Vinci ( ) 1
2 Augmenter la cognition La quantité de données croît de 30% par an depuis 1999 (SIMS, Berkeley) La quantité de données accessible a cru exponentiellement depuis 10 ans Augmenter la cognition Information Action/Perception Cognition 2
3 Stratégies pour augmenter la cognition Trois stratégies possibles : 1. Déléguer à l ordinateur (Intelligence Artificielle) 2. Créer des nouveaux canaux (Implants/Symbiose) 3. Augmenter le débit des canaux (Interaction Homme-Machine) Augmenter le débit change la nature de l interaction Boucle de rétroaction (Wiener 48) Augmenter la vitesse = interaction Action/réaction dans un délais bref Utilisation de la mémoire à court terme Augmentation débit + vitesse 3
4 Visualisation : 3 domaines Visualisation scientifique Sous communauté de l Informatique Graphique 20 ans d histoire Cartographie Communauté à part entière 2000 ans d histoire Visualisation d informatio n Sous communauté de l Interaction Homme- Machine 10 ans d histoire Visualisation : 3 disciplines Informatique Algorithmes et structures de données Géométrie Infographie Design Nouvelles représentation Communication Psychologie Perception Cognition Interaction 4
5 Visualisation d information : Définition Utilisation de l informatique graphique interactive pour représenter visuellement de données abstraites afin d amplifier la cognition Définition 2 / Objectifs 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 5
6 Centres de recherche principaux Xerox PARC 3-D cone trees, perspective wall, spiral calendar table lens, hyperbolic trees, document lens, butterfly Univ. of Maryland dynamic queries, range sliders, starfields, treemaps zoombars, tight coupling, dynamic pruning, lifelines IBM Yorktown, AT&T-Lucent Technologies Georgia Tech, MIT Media Lab Univ. of Wisconsin, Minnesota, Calif-Berkeley Le problème Données Transfert de données Humain Web, livres, articles données scientifiques prix, liste de personnes, Cours de la bourse Informations Comment? Vision: 100 MB/s Audition: <100 b/s Télépathie Haptique/tactile Odorat Goût 6
7 Propriétés de la vision Sens ayant la plus grande bande passante Rapide, parallèle Reconnaissance de formes Pré-attentif Etend les capacités cognitives et mémorielles (teste de multiplication) On pense visuellement Super. Utilisons-la! Utilisons la vision! 7
8 Utilisons la vision! Trouvez le rectangle vert! 8
9 Perception préattentive (1) Perception préattentive (2) 9
10 Perception préattentive Beaucoup de caractéristiques visuelles peuvent être perçues préattentivement : Orientation de ligne/blob, longueur, épaisseur, taille, courbure, cardinalité, terminaisons, intersections, inclusion, teinte, clignotement, direction de mouvement, profondeur stéréoscopique, indices 3D, direction de l éclairement Problèmes : Les caractéristiques préattentive interfèrent entre elles On pensait même que toutes les caractéristiques préattentives étaient incompatibles entre elles Les caractéristiques sont préattentives dans certaines limites 7 couleurs max (Healey, 96) 2 ou 3 formes Etc. Perception préattentive (3) 10
11 Perception préattentive : théorie Notre système visuel de bas niveau (25 millions de cellules) fait de la reconnaissance de motif en parallèle en permanence Les caractéristiques préattentives sont reconnues à ce niveau Les autres nécessitent un parcours séquentiel! On a parfois besoin de données visuelles non préattentives Labels/étiquettes sur les données Représentations traditionnelles acceptables par les utilisateurs novices Excellents théories psychologiques Information Visualization: Perception for Design de Colin Ware Besoin de conception et réalisation de techniques qui fonctionnent Recours au designer / informaticien Les traitements informatiques automatiques peuvent-ils faire mieux? Pas toujours Diagramme de Hertzsprung Russell 11
12 Mouais, quel intérêt? La représentation est la clef! 12
13 Tufte et l histoire de la graphique Histoire Visualisation pour décrire (Tufte) Visualisation pour décider (Bertin) Visualisation sur écran Visualisation Interactive Coupler visualisation, filtrage et sélection 13
14 Bertin et la Sémiologie graphique Utilisation des propriétés rétiniennes (Bertin 67): Support Différentiel Spatial Position Taille Orientation Objet Niveau de gris Couleur Texture Forme 14
15 Visualisation interactive 15
16 Plus qu un transfert Permet la perception de phénomènes de plus haut niveau Favorise la découverte Eclairage (Insight) Modèle fonctionnel de base Données Projection visuelle Visualisation Interaction 16
17 Modèle complet (Ed. CHI) Interaction Illustration de J. Heer InfoVis Toolkit Réutiliser / généraliser Construire des visualisations est difficile et long Composant pour la visualisation de : Tables Scatter plots, séries temporelles, coordonnées parallèles Arbres Treemaps, node-link diagrams, Icicle trees Graphes Matrices, node-link diagrams Plusieurs mécanismes sont génériques et peuvent être réutilisés avec toutes les représentations graphiques Requêtes dynamiques Fisheyes Labels dynamiques 17
18 Toolkits Java InfoVis (ivtk.sourceforge.net) Prefuse (prefuse.org) Improvise ( GISToolkit ( C++ Tulip ( XmdvTool ( Techniques de visualisation Projection + représentation + interaction Dépend de la structure de données 1D - Linéaires 2D - Cartes 3D - Scènes Multidimensionnelle Temporelle Arbres Réseaux Documents Algorithmes 18
19 1D : Séries temporelles 1D : Diagrams en Arcs (Watenberg03) 19
20 Visualisation d information : exemples Spotfire et les requêtes dynamiques Smartmoney et la carte du marché boursier 20
21 Famille des techniques Orientées points Orientées lignes Orientées surfaces Remplissage de surface Techniques par remplissage de formes Seesoft/SeeSys Compus Treemap DBVis 21
22 Techniques d interaction Data sliders Interfaces zoomables et navigation Déformation de l espace et navigation Labeling Domaines de recherche Nouvelles techniques de visualisation Nouvelles techniques d agrégation Nouvelles techniques d interaction Le 3D est-il utile à quelque chose? Passage à l échelle Animation 22
23 Co-citations en visualisation (Börner 04) Retombées industrielles (extraits) Principales sociétés faisant des produits de visualisation d information ILOG (Discovery téléchargeable gratuitement) Spotfire AT&T (GraphViz) IBM (DX explorer) Microsoft Sociétés utilisant journellement la visualisation d information NASA EOSDIS (portail accès aux données capteurs sur la Terre) 3M (analyse de composants chimiques) SmartMoney ( ChevronTexaco (analyse de production pétrolière) 23
24 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 Excentric Labeling: Dynamic Neighborhood Labeling for Data Visualization, Fekete, J.-D., Plaisant, C. Proceedings of the Conference on Human factors in Computer Systems (CHI'99), ACM, New York, pp Interactive Information Visualization of a Million Items, Fekete, J.-D., Plaisant, C., Proceedings of IEEE Symposium on Information Visualization 2002 (InfoVis 2002), Boston, USA, Octobre The Infovis Toolkit. 24
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
La carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA [email protected] www.aviz.
La carte, le territoire et l'explorateur où est la visualisation? Jean-Daniel Fekete Equipe-projet AVIZ INRIA [email protected] www.aviz.fr Quelques exemples 1 La campagne de Russie de Napoléon
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
Techniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, [email protected] 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
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,
La boîte à outils InfoVis
La boîte à outils InfoVis Jean-Daniel Fekete INRIA Futurs/LRI Bât 490, Université Paris-Sud 91405 ORSAY, France [email protected] Figure 1 :Exemples de Scatter Plot, Treemap et Visualisation
données empiriques et les comprendre
La visualisation d'information : une méthode pour explorer des données empiriques et les comprendre Jean-Daniel Fekete Equipe AVIZ www.aviz.fr INRIA Saclay Île-de-France 6 janvier 2008 Visualisation d'information
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
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
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
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 [email protected] Jean-Daniel
Création 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
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,
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
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
Catalogue de formation Tableau Software
Centre de formation Mydral M y d r a l T a b l e a u S o f t w a r e Mydral Training sur [email protected] ou au Tél: 01 73 79 34 18 Centre de formation Mydral SOMMAIRE Débutants TBS-DEC : Découverte Avancé
Synthèse 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
Programme 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
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
Analyse d images. [email protected]. Edmond Boyer UFRIMA 1
Analyse d images [email protected] 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
TangibleData. Manipulation tangible et multitouch de bases de données
TangibleData Manipulation tangible et multitouch de bases de données Tangible Data est un environnement de manipulation et d exploration tangible de base de données pour extraire efficacement des informations
La visio-conférence holographique : Pourquoi? Comment?
La visio-conférence holographique : Pourquoi? Comment? Francis Felix Labo LSIS / Arts & Métiers Paritech (ENSAM) 2 Cours des Arts et Métiers 13100 Aix-en-Provence Thierry Henocque AIP-Primeca Dauphiné
Introduction 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
THOT - Extraction de données et de schémas d un SGBD
THOT - Extraction de données et de schémas d un SGBD Pierre-Jean DOUSSET (France), Benoît ALBAREIL (France) [email protected], [email protected] Mots clefs : Fouille d information, base de données, système
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
VISUALISATION DE NUAGES DE POINTS
ARNAUD BLETTERER MULTI-RÉSOLUTION 1/16 VISUALISATION DE NUAGES DE POINTS MULTI-RÉSOLUTION AU TRAVERS DE CARTES DE PROFONDEUR Arnaud Bletterer Université de Nice Sophia Antipolis Laboratoire I3S - Cintoo
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
De la captation de données à la Datavisualisation
De la captation de données à la Datavisualisation [Synopsis de l événement] Objets connectés : générateurs de données à visualiser! «En fait de calculs et de proportion, le plus sûr moyen de frapper l
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Fonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
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
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
CollaStar : Interaction collaborative avec des données multidimensionnelles et temporelles
Manuscrit auteur, publié dans "25th French Speaking Conference on Human-Computer Interaction (2013)" CollaStar : Interaction collaborative avec des données multidimensionnelles et temporelles Charles Perin
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
EXCEL & XLCubed 10 raisons d en faire l assise de votre Managed Self-Service BI
EXCEL & XLCubed 10 raisons d en faire l assise de votre Managed Self-Service BI Préambule Excel au centre de la solution Si vous manipulez des rapports et tableaux de bord en somme des données - vous connaissez
Didier MOUNIEN Samantha MOINEAUX
Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
La Geo-Business Intelligence selon GALIGEO avec 26/10/2005 1
La Geo-Business Intelligence selon GALIGEO avec ESRI 2005 session «Décisionnel» 26/10/2005 1 La Business Intelligence : Une Définition La Business intelligence permet l utilisation des données opérationnelles
Laboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Annotation collaborative en ligne de l'archive manuscrite
Annotation collaborative en ligne de l'archive manuscrite Jean-Daniel Fekete INRIA Futurs & LRI Projet IN-SITU [email protected] http://www.lri.fr/~fekete Hammamet - Tunisie CFD'02 1 Plan p Le
Analyse des logiciels d application spécialisée pour le courtage en épargne collective
Analyse des logiciels d application spécialisée pour le courtage en épargne collective Dép. de mathématiques et de génie industriel École Polytechnique de Montréal C.P. 6079, succ. Centre-ville Montréal
OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE
OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE «Journée Open Data» 5 Novembre 2013 Présenté par : Imen Megdiche Directeur de thèse : Pr. Olivier Teste (SIG-IRIT) Co-directeur de thèse : Mr. Alain
Automatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Intelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek [email protected] http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
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?..................................................
Décisionnel. SI Virtualisé. Performant. Cloud. SAP BusinessObjects. Dashboards. Expertise. Succès. Service Reporting. Finance. SaaS. Web 2.0.
Performant Expertise SAP BusinessObjects BI Finance SaaS Formation Cloud Dashboards Web 2.0 Service Reporting Audit Diffusion Internet SI Virtualisé CATALOGUE FORMATION Succès Optimisation Ad-hoc Conseil
05/09/2015. 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 [email protected] Qui? Quand? Mode d emploi M Intervenants : Æ S. Lanquetin [email protected] M
Développement mobile MIDP 2.0 Mobile 3D Graphics API (M3G) JSR 184. Frédéric BERTIN [email protected]
Développement mobile MIDP 2.0 Mobile 3D Graphics API (M3G) JSR 184 Frédéric BERTIN [email protected] Présentaion : Mobile 3D Graphics API JSR 184 M3G :présentation Package optionnel de l api J2ME. Prend
L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Infolettre #18 : Les graphiques avec Excel 2010
Infolettre #18 : Les graphiques avec Excel 2010 Table des matières Introduction... 1 Hourra! Le retour du double-clic... 1 Modifier le graphique... 4 Onglet Création... 4 L onglet Disposition... 7 Onglet
Utilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
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
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
BI2 : 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 [email protected] Thème de Recherche MOTIVE www.irstea.fr 2 Plan Motivations
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»
DIPLÔME INTERUNIVERSITAIRE D ECHOGRAPHIE. Examen du Tronc Commun sous forme de QCM. Janvier 2012 14 h à 16 h
ANNEE UNIVERSITAIRE 2011-2012 DIPLÔME INTERUNIVERSITAIRE D ECHOGRAPHIE Examen du Tronc Commun sous forme de QCM Janvier 2012 14 h à 16 h Les modalités de contrôle se dérouleront cette année sous forme
CARTOGRAPHIE EN LIGNE ET GÉNÉRALISATION
CARTOGRAPHIE EN LIGNE ET GÉNÉRALISATION par Julien Gaffuri JRC IES SDI unit Via Enrico Fermi, 21027 Ispra, Italie [email protected] Les cartes en ligne pourraient être améliorées par l utilisation
Introduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Interface Homme-Machine 1
Interface Homme-Machine 1 Interface utilisateur graphique (GUI) 01 Introduction IHM Jacques Bapst [email protected] Interface Homme-Machine L'étude de l'interface Homme-Machine (IHM) appelée également
Nouveautés CRM 2015 & Migration. By Tanguy Touzard MVP CRM
Nouveautés CRM 2015 & Migration By Tanguy Touzard MVP CRM Nouvelles fonctionnalités Sécurité Recherche Hiérarchies Champs calculés/agrégés Règles métier Processus métier Catalogue produit SLA Information
4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre [email protected] Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Open Data et services de données à ERDF
Open Data et services de données à ERDF F. Blanc / V. Corru (ERDF/Dir. Du Développement) B.Grossin (EDF/R&D) Printemps de la recherche 28 septembre 2012 ERDF, vers l opérateur de données du système électrique
Introduction à la Fouille de Données (Data Mining) (8)
Introduction à la Fouille de Données (Data Mining) (8) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2008 Introduction à la fouille
Présenta)on des ac)vités de recherche de l équipe PR du laboratorie MIS
Localisa1on et Naviga1on de Robots M2 EEAII, parcours ViRob, A.U. 2014-2015 Présenta)on des ac)vités de recherche de l équipe PR du laboratorie MIS Fabio MORBIDI E-mail: [email protected] Laboratorie
N. 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
Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar [email protected]
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar [email protected] Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Jade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
LES TYPES DE DONNÉES DU LANGAGE PASCAL
LES TYPES DE DONNÉES DU LANGAGE PASCAL 75 LES TYPES DE DONNÉES DU LANGAGE PASCAL CHAPITRE 4 OBJECTIFS PRÉSENTER LES NOTIONS D ÉTIQUETTE, DE CONS- TANTE ET DE IABLE DANS LE CONTEXTE DU LAN- GAGE PASCAL.
Des interfaces textuelles aux interfaces graphiques
Informatique Graphique Cours 1 - Introduction Introduction L'informatique graphique (ou infographie) est presque aussi vieille que l'informatique (elle date des premiers écrans cathodiques). Elle concerne
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
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
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 [email protected] 1 Introduction
Évaluation et implémentation des langages
Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation
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
Les Entrepôts de Données
Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations
Information. BASES LITTERAIRES Etre capable de répondre à une question du type «la valeur trouvée respecte t-elle le cahier des charges?
Compétences générales Avoir des piles neuves, ou récentes dans sa machine à calculer. Etre capable de retrouver instantanément une info dans sa machine. Prendre une bouteille d eau. Prendre CNI + convocation.
IODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
IMAGERIE PAR TOMOGRAPHIE ÉLECTRIQUE RÉSISTIVE DE LA DISTRIBUTION DES PHASES DANS UNE COLONNE À BULLES
IMAGERIE PAR TOMOGRAPHIE ÉLECTRIQUE RÉSISTIVE DE LA DISTRIBUTION DES PHASES DANS UNE COLONNE À BULLES E. Fransolet, M. Crine, G. L Homme, Laboratoires de Génie Chimique, P. Marchot, D. Toye. Université
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)
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
Améliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN [email protected] [email protected] 2001 Sommaire
CATHERINE GALL DIRECTOR, DESIGN + REAL ESTATE ALLIANCES
WORKSPACE FUTURES CATHERINE GALL DIRECTOR, DESIGN + REAL ESTATE ALLIANCES INNOVER POUR GAGNER LES CHEMINS DE L INNOVATION SONT SINUEUX ÊTRE LE MEILLEUR SUR SON METIER Le coeur de métier de Steelcase est
INTRODUCTION à Microsoft Dynamics CRM 2013 FR80501
INTRODUCTION à Microsoft Dynamics CRM 2013 FR80501 Durée : 1 jour A propos de ce cours Ce cours d un jour mené par un formateur constitue une introduction à Microsoft Dynamics CRM 2013. Le cours se concentre
Les outils actuels permettent-ils d automatiser la production de cartes? De quels outils dispose-t-on?
Le "Portrait de la Biodiversité Communale" est un document réalisé au niveau national pour chaque commune, regroupant les connaissances publiques disponibles et mobilisables à l'échelle nationale en matière
ISTIA INNOVATION. 62, Ave ND du Lac F 49000 Angers www.istia.univ-angers.fr
ISTIA INNOVATION 62, Ave ND du Lac F 49000 Angers www.istia.univ-angers.fr DESS ITIHM RV 02/03 Geoffrey SUBILEAU Ecole des Mines de Nantes Projet européen «REPOSIT» Développement d un environnement virtuel
BIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, [email protected] 2 Ecole des Sciences Géomatiques, IAV Rabat,
Création 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
Présenté à. Institut des Sciences et Techniques de l'ingénieur d'angers. en vue de l obtention. du diplôme de Master Recherche. par.
MEMOIRE Présenté à Institut des Sciences et Techniques de l'ingénieur d'angers (Laboratoire d'ingénierie des Systèmes Automatisés) en vue de l obtention du diplôme de Master Recherche par RAGOUBI Refka
BLANC LIVRE. Data Discovery L alternative à la BI?
ata Discovery L alternative à la BI? Data Discovey L alternative à la BI? Data Discovery L alternative la BI? Data Discovery L alternative à la BI? Data iscovery L alternative à la BI? Data Discovery L
La 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
Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur l'activité de conduite
Institut français des sciences et technologies des transports, de l aménagement et des réseaux Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur
La solution à vos mesures de pression
Mesure de force linéique La solution à vos mesures de pression Sensibilité Répétabilité Stabilité Le système X3 de XSENSOR propose un concept innovant spécialement adapté pour vos applications de mesure
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 [email protected] 1 Contexte : Recommandation dans les réseaux sociaux
IT203 : Systèmes de gestion de bases de données. A. Zemmari [email protected]
IT203 : Systèmes de gestion de bases de données A. Zemmari [email protected] 1 Informations pratiques Intervenants : Cours : (A. Zemmari [email protected]) TDs, TPs : S. Lombardy et A. Zemmari Organisation
Master Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Recherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014
Recherche et Diffusion de l Information dans les Réseaux Philippe Robert Le 8 avril 2014 Présentation Présentation Directeur de recherche à l INRIA Responsable de l équipe de recherche Réseaux, Algorithmes
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
