https://air.imag.fr/api.php?action=feedcontributions&user=Mame+Daba.Diouf&feedformat=atomair - User contributions [en]2024-03-28T12:18:51ZUser contributionsMediaWiki 1.35.13https://air.imag.fr/index.php?title=Analyse_d%E2%80%99opinion_%C2%AB_temps_r%C3%A9el_%C2%BB_%C3%A0_partir_de_Twitter/FicheSuivi&diff=16552Analyse d’opinion « temps réel » à partir de Twitter/FicheSuivi2014-03-27T23:08:24Z<p>Mame Daba.Diouf: /* Tutoriels */</p>
<hr />
<div>= Présentation du projet =<br />
<br />
Ce projet de 5ème année s'établit sur une durée de 2 mois, en partenariat avec l'entreprise Viseo.<br />
<br />
Dans une problématique de disposer d'un outil d'aide à la décision en lien avec des produits cosmétiques, une application basée sur l'analyse sentimentale de Tweets devra être développée. Celle-ci devra permettre de déterminer le sentiment général exprimé autour d'une marque. Les informations traitées devront ensuite être restituées en temps réel au sein d'interfaces multi-display.<br />
<br />
* Démonstration : [http://vodinteprwes01.viseo.net/ http://vodinteprwes01.viseo.net/]<br />
* Présentation : [[Media:Ricm5-s10-projet-twitter-presentation.pdf|Ricm5-s10-projet-twitter-presentation.pdf]]<br />
* Flyer : [[Media:Ricm5-s10-projet-twitter-flyer.pdf|Ricm5-s10-projet-twitter-flyer.pdf]]<br />
* Poster : [[Media:Ricm5-s10-projet-twitter-poster.pdf|Ricm5-s10-projet-twitter-poster.pdf]]<br />
* Screenshots : [[Analyse_d’opinion_«_temps_réel_»_à_partir_de_Twitter/Screenshots|Screenshots]]<br />
<br />
= À propos de l'équipe =<br />
<br />
Etudiants :<br />
* Jordan Calvi <jordan.calvi@hotmail.fr> <-- Chef de projet<br />
* Xu Feng <x.feng@outlook.com><br />
* Mame Daba Diouf <diouf-daba@hotmail.com><br />
<br />
Encadrant Polytech :<br />
* Didier Donsez<br />
<br />
Encadrants Viseo :<br />
* Fatoumata Camara<br />
* Cédric Lopez<br />
<br />
= Téléchargements =<br />
* Cahier des charges<br />
* Software Requirements Specification<br />
* Dossier de conception<br />
* Code source<br />
* Manuel<br />
* Rapport<br />
<br />
= Progression =<br />
== Sprint 1 : 27/01/2014 - 03/02/2014 ==<br />
* Première compréhension du sujet<br />
* Premier état de l'art des technologies<br />
* Prise de contact avec les encadrants Viseo<br />
* Élaboration d'une liste de questions pour les encadrants Viseo<br />
* Première réunion avec les encadrants Viseo pour relever le besoin<br />
<br />
== Sprint 2 : 04/02/2014 - 10/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Relève du besoin<br />
** Cahier des charges<br />
** Début de rédaction du document de spécifications<br />
** Etat de l'art des technologies<br />
<br />
* '''Jordan'''<br />
** Etude de l’API Twitter et de Twitter Storm (connecter Storm à l’API Twitter, dictionnaire cosmétique et traitement de données en flux avec dictionnaire émotions)<br />
** Restitution des données (données pertinentes et exemples de graphes axé aide à la décision librairie nvd3.js VS highcharts) : Pie chart (positive negative neutral), Line Chart (trends), Bar chart (actual sentiment)<br />
<br />
* '''Daba'''<br />
** Etude de Tweetping (nodejs, socket.io, processing.js, (backbone.js))<br />
*** liste des données extraites par Tweetping et autres applications<br />
*** leur type<br />
** Aspect temps réel coté front (mettre en place une mini appli fonctionnelle issu d’un tuto -> nodejs + websocket)<br />
<br />
* '''Xu'''<br />
** Etude de mongodb<br />
**(Etude de hadoop)<br />
*** lien entre les deux (connecteurs ?), début de recherche sur l’organisation des données JSON (stockage des tweets préfiltrés et prétraité) ex: nom_du_twittos, date, contenu, langue, negative, neutre, positive -> 0 à 1 ou 0 à 100, opinion(somme), etc.<br />
<br />
== Sprint 3 : 11/02/2014 - 17/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Implémentations partiales pour validation des technologies<br />
<br />
* '''Jordan'''<br />
** Apache Storm, Twitter4j, Twitter API et Holmes API<br />
<br />
* '''Daba'''<br />
** Node.js et Sails.js<br />
<br />
* '''Xu'''<br />
** MongoDB et NVD3<br />
<br />
== Sprint 4 : 18/02/2014 - 26/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Preuve de concepte<br />
** Interconnexion des parties<br />
<br />
== Sprint 5 : 27/02/2014 - 10/03/2014 (interruption du 1 au 9 mars) ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Recenser les fonctionnalités orienté utilisateur et apporter une représentation graphique adaptée<br />
** Conception IHM (mobile en priorité)<br />
** Validation de la conception du frontal pour implémentation<br />
<br />
* '''Jordan'''<br />
** Storm<br />
*** Ajout des champs "retweeted" et "favorite_count" aux tweets traités, en base<br />
*** Insertion des mots clés du fichier txt en base, à la première lecture -> pour la recherche par tagué et le top des mots clés recherchés<br />
*** Rédaction d'une procédure de déploiement de Storm (commandes à taper, variables d'environnement à modifier, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Daba'''<br />
** Migration de la webapp sur Sails (MVC -> réponse aux requêtes sur telle ou telle URL)<br />
** Rédaction d'une procédure de déploiement de la partie webapp (commandes à taper, variables d'environnement à modifie, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Xu'''<br />
** Résolution du problème de responsive design des graphes NVD3<br />
** Résolution des beugs liés à la présence de plusieurs graphes sur une même page web<br />
** Combinaison d'une multi bar chart avec line chart avec NVD3 ? Pour représenter l'évolution du négatif, neutre, positif + score<br />
<br />
== Sprint 6 : 11/02/2014 - 19/03/2014 ==<br />
* '''Daba, Xu, Jordan'''<br />
** Développement<br />
<br />
* '''Jordan '''<br />
** ''Storm''<br />
*** MAJ champs RT favoris et retweet<br />
*** MAJ du package Holmes suite à l’update de l’API<br />
*** MAJ du pom.xml et de l'appel aux méthodes suite à la MAJ de la librairie twitter4j<br />
*** Corriger le bug tweets démultiplés<br />
*** Changer l'insertion des données dans la base depuis Storm : remplacement d'une structure JSON par des DBObject de la librairie mongodb-driver<br />
*** Exemple fini avec barre de recherche tags (bouchonné puis depuis la BD)<br />
*** Créer un autre compte Twitter pour le dev<br />
*** Ne pas inclure les fichiers properties dans l'archive JAR<br />
*** Ajout pondération adj x2<br />
*** Déployer l’application<br />
** ''WebApp''<br />
*** Création d'une structure Express comme base<br />
*** Examples bouchonnés des graphes nvd3<br />
<br />
* '''Daba'''<br />
** ''Hello-twitter-nodejs''<br />
*** Ajouter connexion à la base mongoDB + requetes basiques (find + filtre mot clé et sur l’heure de la dernière requête)<br />
*** Timer de 15 secondes associé à une websocket, tant que active) -> Plus de timer cat le Watcher apporte du vrai temps réel<br />
*** Watcher nodejs MongoDB<br />
**** Affichage temps reel des tweets inserés dans une collection<br />
**** Affichage temps réel des résultats du watcher sur une page web<br />
**** Affichage temps réel des résultats du watcher sur une page web en n'envoyant à la page web que les résultats filtré pas des TAGs<br />
**** Ajouter la prise en charge "multi-utilisateurs"<br />
***** Comment savoir à qui distribuer un tweet récupéré par le watcher?(association mot-clés/ socket active)<br />
**** Requêtes MongoDB pour les graphes<br />
<br />
* '''Xu'''<br />
** ''WebApp''<br />
*** Implémentation de la structure Twitter Bootstrap (mobile first) telle que décrite par la conception IHM concrète Balsamiq Mockup et discuté avec Viseo.<br />
*** Intégrations des graphes bouchonnés sur le front<br />
*** Affichage des tweets<br />
<br />
= Liens associés =<br />
Big Data :<br />
* [http://storm-project.net/ Storm project]<br />
* [http://hadoop.apache.org/ Apache Hadoop]<br />
* [http://en.wikipedia.org/wiki/MapReduce MapReduce]<br />
<br />
<br />
Frameworks :<br />
* [http://nodejs.org/ Node.js]<br />
* [http://expressjs.com/ Expressjs]<br />
* [http://socket.io/ Socket.io]<br />
* [http://sailsjs.org/ Sails.js]<br />
<br />
<br />
BD :<br />
* [http://www.mongodb.org/ MongoDB]<br />
<br />
<br />
IHM :<br />
* [http://nvd3.org/ NVD3]<br />
<br />
= Tutoriels =<br />
<br />
* NodeJS (avec Express et SocketIO pour les websockets)<br />
<br />
Ce tutoriel permet d'ouvrir un stream sur un mot et d'afficher en temps-réel les tweets qui lui sont associés.<br />
Les token d'accès dans le fichier credentials.js doivent être créés au préalable dans "Twitter administration tools". (Il faut disposer d'un compte Twitter).<br />
<br />
- Installer NodeJS ( [http://nodejs.org/ Node.js] )<br />
<br />
- Lancer mongod<br />
<br />
- Unzip [[Media:hello-twitter-nodejs.zip|hello-twitter-nodejs.zip]]<br />
<br />
- cd <Répertoire><br />
<br />
- npm install<br />
<br />
- node app.js<br />
<br />
- Aller à localhost:3000 puis taper un mot dans la barre de recherche.</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=File:Hello-twitter-nodejs.zip&diff=16551File:Hello-twitter-nodejs.zip2014-03-27T23:07:36Z<p>Mame Daba.Diouf: Mame Daba.Diouf uploaded a new version of &quot;File:Hello-twitter-nodejs.zip&quot;</p>
<hr />
<div></div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=Analyse_d%E2%80%99opinion_%C2%AB_temps_r%C3%A9el_%C2%BB_%C3%A0_partir_de_Twitter/FicheSuivi&diff=16550Analyse d’opinion « temps réel » à partir de Twitter/FicheSuivi2014-03-27T23:05:48Z<p>Mame Daba.Diouf: </p>
<hr />
<div>= Présentation du projet =<br />
<br />
Ce projet de 5ème année s'établit sur une durée de 2 mois, en partenariat avec l'entreprise Viseo.<br />
<br />
Dans une problématique de disposer d'un outil d'aide à la décision en lien avec des produits cosmétiques, une application basée sur l'analyse sentimentale de Tweets devra être développée. Celle-ci devra permettre de déterminer le sentiment général exprimé autour d'une marque. Les informations traitées devront ensuite être restituées en temps réel au sein d'interfaces multi-display.<br />
<br />
* Démonstration : [http://vodinteprwes01.viseo.net/ http://vodinteprwes01.viseo.net/]<br />
* Présentation : [[Media:Ricm5-s10-projet-twitter-presentation.pdf|Ricm5-s10-projet-twitter-presentation.pdf]]<br />
* Flyer : [[Media:Ricm5-s10-projet-twitter-flyer.pdf|Ricm5-s10-projet-twitter-flyer.pdf]]<br />
* Poster : [[Media:Ricm5-s10-projet-twitter-poster.pdf|Ricm5-s10-projet-twitter-poster.pdf]]<br />
* Screenshots : [[Analyse_d’opinion_«_temps_réel_»_à_partir_de_Twitter/Screenshots|Screenshots]]<br />
<br />
= À propos de l'équipe =<br />
<br />
Etudiants :<br />
* Jordan Calvi <jordan.calvi@hotmail.fr> <-- Chef de projet<br />
* Xu Feng <x.feng@outlook.com><br />
* Mame Daba Diouf <diouf-daba@hotmail.com><br />
<br />
Encadrant Polytech :<br />
* Didier Donsez<br />
<br />
Encadrants Viseo :<br />
* Fatoumata Camara<br />
* Cédric Lopez<br />
<br />
= Téléchargements =<br />
* Cahier des charges<br />
* Software Requirements Specification<br />
* Dossier de conception<br />
* Code source<br />
* Manuel<br />
* Rapport<br />
<br />
= Progression =<br />
== Sprint 1 : 27/01/2014 - 03/02/2014 ==<br />
* Première compréhension du sujet<br />
* Premier état de l'art des technologies<br />
* Prise de contact avec les encadrants Viseo<br />
* Élaboration d'une liste de questions pour les encadrants Viseo<br />
* Première réunion avec les encadrants Viseo pour relever le besoin<br />
<br />
== Sprint 2 : 04/02/2014 - 10/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Relève du besoin<br />
** Cahier des charges<br />
** Début de rédaction du document de spécifications<br />
** Etat de l'art des technologies<br />
<br />
* '''Jordan'''<br />
** Etude de l’API Twitter et de Twitter Storm (connecter Storm à l’API Twitter, dictionnaire cosmétique et traitement de données en flux avec dictionnaire émotions)<br />
** Restitution des données (données pertinentes et exemples de graphes axé aide à la décision librairie nvd3.js VS highcharts) : Pie chart (positive negative neutral), Line Chart (trends), Bar chart (actual sentiment)<br />
<br />
* '''Daba'''<br />
** Etude de Tweetping (nodejs, socket.io, processing.js, (backbone.js))<br />
*** liste des données extraites par Tweetping et autres applications<br />
*** leur type<br />
** Aspect temps réel coté front (mettre en place une mini appli fonctionnelle issu d’un tuto -> nodejs + websocket)<br />
<br />
* '''Xu'''<br />
** Etude de mongodb<br />
**(Etude de hadoop)<br />
*** lien entre les deux (connecteurs ?), début de recherche sur l’organisation des données JSON (stockage des tweets préfiltrés et prétraité) ex: nom_du_twittos, date, contenu, langue, negative, neutre, positive -> 0 à 1 ou 0 à 100, opinion(somme), etc.<br />
<br />
== Sprint 3 : 11/02/2014 - 17/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Implémentations partiales pour validation des technologies<br />
<br />
* '''Jordan'''<br />
** Apache Storm, Twitter4j, Twitter API et Holmes API<br />
<br />
* '''Daba'''<br />
** Node.js et Sails.js<br />
<br />
* '''Xu'''<br />
** MongoDB et NVD3<br />
<br />
== Sprint 4 : 18/02/2014 - 26/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Preuve de concepte<br />
** Interconnexion des parties<br />
<br />
== Sprint 5 : 27/02/2014 - 10/03/2014 (interruption du 1 au 9 mars) ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Recenser les fonctionnalités orienté utilisateur et apporter une représentation graphique adaptée<br />
** Conception IHM (mobile en priorité)<br />
** Validation de la conception du frontal pour implémentation<br />
<br />
* '''Jordan'''<br />
** Storm<br />
*** Ajout des champs "retweeted" et "favorite_count" aux tweets traités, en base<br />
*** Insertion des mots clés du fichier txt en base, à la première lecture -> pour la recherche par tagué et le top des mots clés recherchés<br />
*** Rédaction d'une procédure de déploiement de Storm (commandes à taper, variables d'environnement à modifier, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Daba'''<br />
** Migration de la webapp sur Sails (MVC -> réponse aux requêtes sur telle ou telle URL)<br />
** Rédaction d'une procédure de déploiement de la partie webapp (commandes à taper, variables d'environnement à modifie, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Xu'''<br />
** Résolution du problème de responsive design des graphes NVD3<br />
** Résolution des beugs liés à la présence de plusieurs graphes sur une même page web<br />
** Combinaison d'une multi bar chart avec line chart avec NVD3 ? Pour représenter l'évolution du négatif, neutre, positif + score<br />
<br />
== Sprint 6 : 11/02/2014 - 19/03/2014 ==<br />
* '''Daba, Xu, Jordan'''<br />
** Développement<br />
<br />
* '''Jordan '''<br />
** ''Storm''<br />
*** MAJ champs RT favoris et retweet<br />
*** MAJ du package Holmes suite à l’update de l’API<br />
*** MAJ du pom.xml et de l'appel aux méthodes suite à la MAJ de la librairie twitter4j<br />
*** Corriger le bug tweets démultiplés<br />
*** Changer l'insertion des données dans la base depuis Storm : remplacement d'une structure JSON par des DBObject de la librairie mongodb-driver<br />
*** Exemple fini avec barre de recherche tags (bouchonné puis depuis la BD)<br />
*** Créer un autre compte Twitter pour le dev<br />
*** Ne pas inclure les fichiers properties dans l'archive JAR<br />
*** Ajout pondération adj x2<br />
*** Déployer l’application<br />
** ''WebApp''<br />
*** Création d'une structure Express comme base<br />
*** Examples bouchonnés des graphes nvd3<br />
<br />
* '''Daba'''<br />
** ''Hello-twitter-nodejs''<br />
*** Ajouter connexion à la base mongoDB + requetes basiques (find + filtre mot clé et sur l’heure de la dernière requête)<br />
*** Timer de 15 secondes associé à une websocket, tant que active) -> Plus de timer cat le Watcher apporte du vrai temps réel<br />
*** Watcher nodejs MongoDB<br />
**** Affichage temps reel des tweets inserés dans une collection<br />
**** Affichage temps réel des résultats du watcher sur une page web<br />
**** Affichage temps réel des résultats du watcher sur une page web en n'envoyant à la page web que les résultats filtré pas des TAGs<br />
**** Ajouter la prise en charge "multi-utilisateurs"<br />
***** Comment savoir à qui distribuer un tweet récupéré par le watcher?(association mot-clés/ socket active)<br />
**** Requêtes MongoDB pour les graphes<br />
<br />
* '''Xu'''<br />
** ''WebApp''<br />
*** Implémentation de la structure Twitter Bootstrap (mobile first) telle que décrite par la conception IHM concrète Balsamiq Mockup et discuté avec Viseo.<br />
*** Intégrations des graphes bouchonnés sur le front<br />
*** Affichage des tweets<br />
<br />
= Liens associés =<br />
Big Data :<br />
* [http://storm-project.net/ Storm project]<br />
* [http://hadoop.apache.org/ Apache Hadoop]<br />
* [http://en.wikipedia.org/wiki/MapReduce MapReduce]<br />
<br />
<br />
Frameworks :<br />
* [http://nodejs.org/ Node.js]<br />
* [http://expressjs.com/ Expressjs]<br />
* [http://socket.io/ Socket.io]<br />
* [http://sailsjs.org/ Sails.js]<br />
<br />
<br />
BD :<br />
* [http://www.mongodb.org/ MongoDB]<br />
<br />
<br />
IHM :<br />
* [http://nvd3.org/ NVD3]<br />
<br />
= Tutoriels =<br />
<br />
* NodeJS (avec Express et SocketIO pour les websockets)<br />
<br />
Ce tutoriel permet d'ouvrir un stream sur un mot et d'afficher en temps-réel les tweets qui lui sont associés.<br />
Les token d'accès dans le fichier credentials.js doivent être créés au préalable dans "Twitter administration tools". (Il faut disposer d'un compte Twitter).<br />
<br />
- Installer NodeJS ( [http://nodejs.org/ Node.js] )<br />
<br />
- Lancer mongod<br />
<br />
- tar zxvf [[Media:hello-twitter-nodejs.zip|hello-twitter-nodejs.zip]]<br />
<br />
- cd <Répertoire><br />
<br />
- npm install<br />
<br />
- node app.js<br />
<br />
- Aller à localhost:3000 puis taper un mot dans la barre de recherche.</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=File:Hello-twitter-nodejs.zip&diff=16549File:Hello-twitter-nodejs.zip2014-03-27T23:05:00Z<p>Mame Daba.Diouf: </p>
<hr />
<div></div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=Analyse_d%E2%80%99opinion_%C2%AB_temps_r%C3%A9el_%C2%BB_%C3%A0_partir_de_Twitter/FicheSuivi&diff=16548Analyse d’opinion « temps réel » à partir de Twitter/FicheSuivi2014-03-27T23:03:26Z<p>Mame Daba.Diouf: </p>
<hr />
<div>= Présentation du projet =<br />
<br />
Ce projet de 5ème année s'établit sur une durée de 2 mois, en partenariat avec l'entreprise Viseo.<br />
<br />
Dans une problématique de disposer d'un outil d'aide à la décision en lien avec des produits cosmétiques, une application basée sur l'analyse sentimentale de Tweets devra être développée. Celle-ci devra permettre de déterminer le sentiment général exprimé autour d'une marque. Les informations traitées devront ensuite être restituées en temps réel au sein d'interfaces multi-display.<br />
<br />
* Démonstration : [http://vodinteprwes01.viseo.net/ http://vodinteprwes01.viseo.net/]<br />
* Présentation : [[Media:Ricm5-s10-projet-twitter-presentation.pdf|Ricm5-s10-projet-twitter-presentation.pdf]]<br />
* Flyer : [[Media:Ricm5-s10-projet-twitter-flyer.pdf|Ricm5-s10-projet-twitter-flyer.pdf]]<br />
* Poster : [[Media:Ricm5-s10-projet-twitter-poster.pdf|Ricm5-s10-projet-twitter-poster.pdf]]<br />
* Screenshots : [[Analyse_d’opinion_«_temps_réel_»_à_partir_de_Twitter/Screenshots|Screenshots]]<br />
<br />
= À propos de l'équipe =<br />
<br />
Etudiants :<br />
* Jordan Calvi <jordan.calvi@hotmail.fr> <-- Chef de projet<br />
* Xu Feng <x.feng@outlook.com><br />
* Mame Daba Diouf <diouf-daba@hotmail.com><br />
<br />
Encadrant Polytech :<br />
* Didier Donsez<br />
<br />
Encadrants Viseo :<br />
* Fatoumata Camara<br />
* Cédric Lopez<br />
<br />
= Téléchargements =<br />
* Cahier des charges<br />
* Software Requirements Specification<br />
* Dossier de conception<br />
* Code source<br />
* Manuel<br />
* Rapport<br />
<br />
= Progression =<br />
== Sprint 1 : 27/01/2014 - 03/02/2014 ==<br />
* Première compréhension du sujet<br />
* Premier état de l'art des technologies<br />
* Prise de contact avec les encadrants Viseo<br />
* Élaboration d'une liste de questions pour les encadrants Viseo<br />
* Première réunion avec les encadrants Viseo pour relever le besoin<br />
<br />
== Sprint 2 : 04/02/2014 - 10/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Relève du besoin<br />
** Cahier des charges<br />
** Début de rédaction du document de spécifications<br />
** Etat de l'art des technologies<br />
<br />
* '''Jordan'''<br />
** Etude de l’API Twitter et de Twitter Storm (connecter Storm à l’API Twitter, dictionnaire cosmétique et traitement de données en flux avec dictionnaire émotions)<br />
** Restitution des données (données pertinentes et exemples de graphes axé aide à la décision librairie nvd3.js VS highcharts) : Pie chart (positive negative neutral), Line Chart (trends), Bar chart (actual sentiment)<br />
<br />
* '''Daba'''<br />
** Etude de Tweetping (nodejs, socket.io, processing.js, (backbone.js))<br />
*** liste des données extraites par Tweetping et autres applications<br />
*** leur type<br />
** Aspect temps réel coté front (mettre en place une mini appli fonctionnelle issu d’un tuto -> nodejs + websocket)<br />
<br />
* '''Xu'''<br />
** Etude de mongodb<br />
**(Etude de hadoop)<br />
*** lien entre les deux (connecteurs ?), début de recherche sur l’organisation des données JSON (stockage des tweets préfiltrés et prétraité) ex: nom_du_twittos, date, contenu, langue, negative, neutre, positive -> 0 à 1 ou 0 à 100, opinion(somme), etc.<br />
<br />
== Sprint 3 : 11/02/2014 - 17/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Implémentations partiales pour validation des technologies<br />
<br />
* '''Jordan'''<br />
** Apache Storm, Twitter4j, Twitter API et Holmes API<br />
<br />
* '''Daba'''<br />
** Node.js et Sails.js<br />
<br />
* '''Xu'''<br />
** MongoDB et NVD3<br />
<br />
== Sprint 4 : 18/02/2014 - 26/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Preuve de concepte<br />
** Interconnexion des parties<br />
<br />
== Sprint 5 : 27/02/2014 - 10/03/2014 (interruption du 1 au 9 mars) ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Recenser les fonctionnalités orienté utilisateur et apporter une représentation graphique adaptée<br />
** Conception IHM (mobile en priorité)<br />
** Validation de la conception du frontal pour implémentation<br />
<br />
* '''Jordan'''<br />
** Storm<br />
*** Ajout des champs "retweeted" et "favorite_count" aux tweets traités, en base<br />
*** Insertion des mots clés du fichier txt en base, à la première lecture -> pour la recherche par tagué et le top des mots clés recherchés<br />
*** Rédaction d'une procédure de déploiement de Storm (commandes à taper, variables d'environnement à modifier, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Daba'''<br />
** Migration de la webapp sur Sails (MVC -> réponse aux requêtes sur telle ou telle URL)<br />
** Rédaction d'une procédure de déploiement de la partie webapp (commandes à taper, variables d'environnement à modifie, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Xu'''<br />
** Résolution du problème de responsive design des graphes NVD3<br />
** Résolution des beugs liés à la présence de plusieurs graphes sur une même page web<br />
** Combinaison d'une multi bar chart avec line chart avec NVD3 ? Pour représenter l'évolution du négatif, neutre, positif + score<br />
<br />
== Sprint 6 : 11/02/2014 - 19/03/2014 ==<br />
* '''Daba, Xu, Jordan'''<br />
** Développement<br />
<br />
* '''Jordan '''<br />
** ''Storm''<br />
*** MAJ champs RT favoris et retweet<br />
*** MAJ du package Holmes suite à l’update de l’API<br />
*** MAJ du pom.xml et de l'appel aux méthodes suite à la MAJ de la librairie twitter4j<br />
*** Corriger le bug tweets démultiplés<br />
*** Changer l'insertion des données dans la base depuis Storm : remplacement d'une structure JSON par des DBObject de la librairie mongodb-driver<br />
*** Exemple fini avec barre de recherche tags (bouchonné puis depuis la BD)<br />
*** Créer un autre compte Twitter pour le dev<br />
*** Ne pas inclure les fichiers properties dans l'archive JAR<br />
*** Ajout pondération adj x2<br />
*** Déployer l’application<br />
** ''WebApp''<br />
*** Création d'une structure Express comme base<br />
*** Examples bouchonnés des graphes nvd3<br />
<br />
* '''Daba'''<br />
** ''Hello-twitter-nodejs''<br />
*** Ajouter connexion à la base mongoDB + requetes basiques (find + filtre mot clé et sur l’heure de la dernière requête)<br />
*** Timer de 15 secondes associé à une websocket, tant que active) -> Plus de timer cat le Watcher apporte du vrai temps réel<br />
*** Watcher nodejs MongoDB<br />
**** Affichage temps reel des tweets inserés dans une collection<br />
**** Affichage temps réel des résultats du watcher sur une page web<br />
**** Affichage temps réel des résultats du watcher sur une page web en n'envoyant à la page web que les résultats filtré pas des TAGs<br />
**** Ajouter la prise en charge "multi-utilisateurs"<br />
***** Comment savoir à qui distribuer un tweet récupéré par le watcher?(association mot-clés/ socket active)<br />
**** Requêtes MongoDB pour les graphes<br />
<br />
* '''Xu'''<br />
** ''WebApp''<br />
*** Implémentation de la structure Twitter Bootstrap (mobile first) telle que décrite par la conception IHM concrète Balsamiq Mockup et discuté avec Viseo.<br />
*** Intégrations des graphes bouchonnés sur le front<br />
*** Affichage des tweets<br />
<br />
= Liens associés =<br />
Big Data :<br />
* [http://storm-project.net/ Storm project]<br />
* [http://hadoop.apache.org/ Apache Hadoop]<br />
* [http://en.wikipedia.org/wiki/MapReduce MapReduce]<br />
<br />
<br />
Frameworks :<br />
* [http://nodejs.org/ Node.js]<br />
* [http://expressjs.com/ Expressjs]<br />
* [http://socket.io/ Socket.io]<br />
* [http://sailsjs.org/ Sails.js]<br />
<br />
<br />
BD :<br />
* [http://www.mongodb.org/ MongoDB]<br />
<br />
<br />
IHM :<br />
* [http://nvd3.org/ NVD3]<br />
<br />
= Tutoriels =<br />
<br />
* NodeJS (avec Express et SocketIO pour les websockets)<br />
<br />
Ce tutoriel permet d'ouvrir un stream sur un mot et d'afficher en temps-réel les tweets qui lui sont associés.<br />
Les token d'accès dans le fichier credentials.js doivent être créés au préalable dans "Twitter administration tools". (Il faut disposer d'un compte Twitter).<br />
<br />
- Installer NodeJS ( [http://nodejs.org/ Node.js] )<br />
<br />
- Lancer mongod<br />
<br />
- tar zxvf [[Media:hello-twitter-nodejs.tar.gz|hello-twitter-nodejs.tar.gz]]<br />
<br />
- cd <Répertoire><br />
<br />
- npm install<br />
<br />
- node app.js<br />
<br />
- Aller à localhost:3000 puis taper un mot dans la barre de recherche.</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=Analyse_d%E2%80%99opinion_%C2%AB_temps_r%C3%A9el_%C2%BB_%C3%A0_partir_de_Twitter/FicheSuivi&diff=16530Analyse d’opinion « temps réel » à partir de Twitter/FicheSuivi2014-03-27T11:31:14Z<p>Mame Daba.Diouf: </p>
<hr />
<div>= Présentation du projet =<br />
<br />
Ce projet de 5ème année s'établit sur une durée de 2 mois, en partenariat avec l'entreprise Viseo.<br />
<br />
Dans une problématique de disposer d'un outil d'aide à la décision en lien avec des produits cosmétiques, une application basée sur l'analyse sentimentale de Tweets devra être développée. Celle-ci devra permettre de déterminer le sentiment général exprimé autour d'une marque. Les informations traitées devront ensuite être restituées en temps réel au sein d'interfaces multi-display.<br />
<br />
* Démonstration : [http://vodinteprwes01.viseo.net/ http://vodinteprwes01.viseo.net/]<br />
* Présentation : [[Media:Ricm5-s10-projet-twitter-presentation.pdf|Ricm5-s10-projet-twitter-presentation.pdf]]<br />
* Flyer : [[Media:Ricm5-s10-projet-twitter-flyer.pdf|Ricm5-s10-projet-twitter-flyer.pdf]]<br />
* Poster : [[Media:Ricm5-s10-projet-twitter-poster.pdf|Ricm5-s10-projet-twitter-poster.pdf]]<br />
* Screenshots : [[Analyse_d’opinion_«_temps_réel_»_à_partir_de_Twitter/Screenshots|Screenshots]]<br />
<br />
= À propos de l'équipe =<br />
<br />
Etudiants :<br />
* Jordan Calvi <jordan.calvi@hotmail.fr> <-- Chef de projet<br />
* Xu Feng <x.feng@outlook.com><br />
* Mame Daba Diouf <diouf-daba@hotmail.com><br />
<br />
Encadrant Polytech :<br />
* Didier Donsez<br />
<br />
Encadrants Viseo :<br />
* Fatoumata Camara<br />
* Cédric Lopez<br />
<br />
= Téléchargements =<br />
* Cahier des charges<br />
* Software Requirements Specification<br />
* Dossier de conception<br />
* Code source<br />
* Manuel<br />
* Rapport<br />
<br />
= Progression =<br />
== Sprint 1 : 27/01/2014 - 03/02/2014 ==<br />
* Première compréhension du sujet<br />
* Premier état de l'art des technologies<br />
* Prise de contact avec les encadrants Viseo<br />
* Élaboration d'une liste de questions pour les encadrants Viseo<br />
* Première réunion avec les encadrants Viseo pour relever le besoin<br />
<br />
== Sprint 2 : 04/02/2014 - 10/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Relève du besoin<br />
** Cahier des charges<br />
** Début de rédaction du document de spécifications<br />
** Etat de l'art des technologies<br />
<br />
* '''Jordan'''<br />
** Etude de l’API Twitter et de Twitter Storm (connecter Storm à l’API Twitter, dictionnaire cosmétique et traitement de données en flux avec dictionnaire émotions)<br />
** Restitution des données (données pertinentes et exemples de graphes axé aide à la décision librairie nvd3.js VS highcharts) : Pie chart (positive negative neutral), Line Chart (trends), Bar chart (actual sentiment)<br />
<br />
* '''Daba'''<br />
** Etude de Tweetping (nodejs, socket.io, processing.js, (backbone.js))<br />
*** liste des données extraites par Tweetping et autres applications<br />
*** leur type<br />
** Aspect temps réel coté front (mettre en place une mini appli fonctionnelle issu d’un tuto -> nodejs + websocket)<br />
<br />
* '''Xu'''<br />
** Etude de mongodb<br />
**(Etude de hadoop)<br />
*** lien entre les deux (connecteurs ?), début de recherche sur l’organisation des données JSON (stockage des tweets préfiltrés et prétraité) ex: nom_du_twittos, date, contenu, langue, negative, neutre, positive -> 0 à 1 ou 0 à 100, opinion(somme), etc.<br />
<br />
== Sprint 3 : 11/02/2014 - 17/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Implémentations partiales pour validation des technologies<br />
<br />
* '''Jordan'''<br />
** Apache Storm, Twitter4j, Twitter API et Holmes API<br />
<br />
* '''Daba'''<br />
** Node.js et Sails.js<br />
<br />
* '''Xu'''<br />
** MongoDB et NVD3<br />
<br />
== Sprint 4 : 18/02/2014 - 26/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Preuve de concepte<br />
** Interconnexion des parties<br />
<br />
== Sprint 5 : 27/02/2014 - 10/03/2014 (interruption du 1 au 9 mars) ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Recenser les fonctionnalités orienté utilisateur et apporter une représentation graphique adaptée<br />
** Conception IHM (mobile en priorité)<br />
** Validation de la conception du frontal pour implémentation<br />
<br />
* '''Jordan'''<br />
** Storm<br />
*** Ajout des champs "retweeted" et "favorite_count" aux tweets traités, en base<br />
*** Insertion des mots clés du fichier txt en base, à la première lecture -> pour la recherche par tagué et le top des mots clés recherchés<br />
*** Rédaction d'une procédure de déploiement de Storm (commandes à taper, variables d'environnement à modifier, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Daba'''<br />
** Migration de la webapp sur Sails (MVC -> réponse aux requêtes sur telle ou telle URL)<br />
** Rédaction d'une procédure de déploiement de la partie webapp (commandes à taper, variables d'environnement à modifie, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Xu'''<br />
** Résolution du problème de responsive design des graphes NVD3<br />
** Résolution des beugs liés à la présence de plusieurs graphes sur une même page web<br />
** Combinaison d'une multi bar chart avec line chart avec NVD3 ? Pour représenter l'évolution du négatif, neutre, positif + score<br />
<br />
== Sprint 6 : 11/02/2014 - 19/03/2014 ==<br />
* '''Daba, Xu, Jordan'''<br />
** Développement<br />
<br />
* '''Jordan '''<br />
** ''Storm''<br />
*** MAJ champs RT favoris et retweet<br />
*** MAJ du package Holmes suite à l’update de l’API<br />
*** MAJ du pom.xml et de l'appel aux méthodes suite à la MAJ de la librairie twitter4j<br />
*** Corriger le bug tweets démultiplés<br />
*** Changer l'insertion des données dans la base depuis Storm : remplacement d'une structure JSON par des DBObject de la librairie mongodb-driver<br />
*** Exemple fini avec barre de recherche tags (bouchonné puis depuis la BD)<br />
*** Créer un autre compte Twitter pour le dev<br />
*** Ne pas inclure les fichiers properties dans l'archive JAR<br />
*** Ajout pondération adj x2<br />
*** Déployer l’application<br />
** ''WebApp''<br />
*** Création d'une structure Express comme base<br />
*** Examples bouchonnés des graphes nvd3<br />
<br />
* '''Daba'''<br />
** ''Hello-twitter-nodejs''<br />
*** Ajouter connexion à la base mongoDB + requetes basiques (find + filtre mot clé et sur l’heure de la dernière requête)<br />
*** Timer de 15 secondes associé à une websocket, tant que active) -> Plus de timer cat le Watcher apporte du vrai temps réel<br />
*** Watcher nodejs MongoDB<br />
**** Affichage temps reel des tweets inserés dans une collection<br />
**** Affichage temps réel des résultats du watcher sur une page web<br />
**** Affichage temps réel des résultats du watcher sur une page web en n'envoyant à la page web que les résultats filtré pas des TAGs<br />
**** Ajouter la prise en charge "multi-utilisateurs"<br />
***** Comment savoir à qui distribuer un tweet récupéré par le watcher?(association mot-clés/ socket active)<br />
**** Requêtes MongoDB pour les graphes<br />
<br />
* '''Xu'''<br />
** ''WebApp''<br />
*** Implémentation de la structure Twitter Bootstrap (mobile first) telle que décrite par la conception IHM concrète Balsamiq Mockup et discuté avec Viseo.<br />
*** Intégrations des graphes bouchonnés sur le front<br />
*** Affichage des tweets<br />
<br />
= Liens associés =<br />
Big Data :<br />
* [http://storm-project.net/ Storm project]<br />
* [http://hadoop.apache.org/ Apache Hadoop]<br />
* [http://en.wikipedia.org/wiki/MapReduce MapReduce]<br />
<br />
<br />
Frameworks :<br />
* [http://nodejs.org/ Node.js]<br />
* [http://expressjs.com/ Expressjs]<br />
* [http://socket.io/ Socket.io]<br />
* [http://sailsjs.org/ Sails.js]<br />
<br />
<br />
BD :<br />
* [http://www.mongodb.org/ MongoDB]<br />
<br />
<br />
IHM :<br />
* [http://nvd3.org/ NVD3]<br />
<br />
= Tutoriels =<br />
<br />
* NodeJS (avec Express et SocketIO pour les websockets)<br />
<br />
Ce tutoriel permet d'ouvrir un stream sur un mot et d'afficher en temps-réel les tweets qui lui sont associés.<br />
Les token d'accès dans le fichier credentials.js doivent être créés au préalable dans "Twitter administration tools". (Il faut disposer d'un compte Twitter).<br />
<br />
- Installer NodeJS ( [http://nodejs.org/ Node.js] )<br />
<br />
- Lancer mongod<br />
<br />
- cd <Répertoire><br />
<br />
- npm install<br />
<br />
- node app.js<br />
<br />
- Aller à localhost:3000 puis taper un mot dans la barre de recherche.</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=Analyse_d%E2%80%99opinion_%C2%AB_temps_r%C3%A9el_%C2%BB_%C3%A0_partir_de_Twitter/FicheSuivi&diff=16529Analyse d’opinion « temps réel » à partir de Twitter/FicheSuivi2014-03-27T11:30:10Z<p>Mame Daba.Diouf: </p>
<hr />
<div>= Présentation du projet =<br />
<br />
Ce projet de 5ème année s'établit sur une durée de 2 mois, en partenariat avec l'entreprise Viseo.<br />
<br />
Dans une problématique de disposer d'un outil d'aide à la décision en lien avec des produits cosmétiques, une application basée sur l'analyse sentimentale de Tweets devra être développée. Celle-ci devra permettre de déterminer le sentiment général exprimé autour d'une marque. Les informations traitées devront ensuite être restituées en temps réel au sein d'interfaces multi-display.<br />
<br />
* Démonstration : [http://vodinteprwes01.viseo.net/ http://vodinteprwes01.viseo.net/]<br />
* Présentation : [[Media:Ricm5-s10-projet-twitter-presentation.pdf|Ricm5-s10-projet-twitter-presentation.pdf]]<br />
* Flyer : [[Media:Ricm5-s10-projet-twitter-flyer.pdf|Ricm5-s10-projet-twitter-flyer.pdf]]<br />
* Poster : [[Media:Ricm5-s10-projet-twitter-poster.pdf|Ricm5-s10-projet-twitter-poster.pdf]]<br />
* Screenshots : [[Analyse_d’opinion_«_temps_réel_»_à_partir_de_Twitter/Screenshots|Screenshots]]<br />
<br />
= À propos de l'équipe =<br />
<br />
Etudiants :<br />
* Jordan Calvi <jordan.calvi@hotmail.fr> <-- Chef de projet<br />
* Xu Feng <x.feng@outlook.com><br />
* Mame Daba Diouf <diouf-daba@hotmail.com><br />
<br />
Encadrant Polytech :<br />
* Didier Donsez<br />
<br />
Encadrants Viseo :<br />
* Fatoumata Camara<br />
* Cédric Lopez<br />
<br />
= Téléchargements =<br />
* Cahier des charges<br />
* Software Requirements Specification<br />
* Dossier de conception<br />
* Code source<br />
* Manuel<br />
* Rapport<br />
<br />
= Progression =<br />
== Sprint 1 : 27/01/2014 - 03/02/2014 ==<br />
* Première compréhension du sujet<br />
* Premier état de l'art des technologies<br />
* Prise de contact avec les encadrants Viseo<br />
* Élaboration d'une liste de questions pour les encadrants Viseo<br />
* Première réunion avec les encadrants Viseo pour relever le besoin<br />
<br />
== Sprint 2 : 04/02/2014 - 10/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Relève du besoin<br />
** Cahier des charges<br />
** Début de rédaction du document de spécifications<br />
** Etat de l'art des technologies<br />
<br />
* '''Jordan'''<br />
** Etude de l’API Twitter et de Twitter Storm (connecter Storm à l’API Twitter, dictionnaire cosmétique et traitement de données en flux avec dictionnaire émotions)<br />
** Restitution des données (données pertinentes et exemples de graphes axé aide à la décision librairie nvd3.js VS highcharts) : Pie chart (positive negative neutral), Line Chart (trends), Bar chart (actual sentiment)<br />
<br />
* '''Daba'''<br />
** Etude de Tweetping (nodejs, socket.io, processing.js, (backbone.js))<br />
*** liste des données extraites par Tweetping et autres applications<br />
*** leur type<br />
** Aspect temps réel coté front (mettre en place une mini appli fonctionnelle issu d’un tuto -> nodejs + websocket)<br />
<br />
* '''Xu'''<br />
** Etude de mongodb<br />
**(Etude de hadoop)<br />
*** lien entre les deux (connecteurs ?), début de recherche sur l’organisation des données JSON (stockage des tweets préfiltrés et prétraité) ex: nom_du_twittos, date, contenu, langue, negative, neutre, positive -> 0 à 1 ou 0 à 100, opinion(somme), etc.<br />
<br />
== Sprint 3 : 11/02/2014 - 17/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Implémentations partiales pour validation des technologies<br />
<br />
* '''Jordan'''<br />
** Apache Storm, Twitter4j, Twitter API et Holmes API<br />
<br />
* '''Daba'''<br />
** Node.js et Sails.js<br />
<br />
* '''Xu'''<br />
** MongoDB et NVD3<br />
<br />
== Sprint 4 : 18/02/2014 - 26/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Preuve de concepte<br />
** Interconnexion des parties<br />
<br />
== Sprint 5 : 27/02/2014 - 10/03/2014 (interruption du 1 au 9 mars) ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Recenser les fonctionnalités orienté utilisateur et apporter une représentation graphique adaptée<br />
** Conception IHM (mobile en priorité)<br />
** Validation de la conception du frontal pour implémentation<br />
<br />
* '''Jordan'''<br />
** Storm<br />
*** Ajout des champs "retweeted" et "favorite_count" aux tweets traités, en base<br />
*** Insertion des mots clés du fichier txt en base, à la première lecture -> pour la recherche par tagué et le top des mots clés recherchés<br />
*** Rédaction d'une procédure de déploiement de Storm (commandes à taper, variables d'environnement à modifier, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Daba'''<br />
** Migration de la webapp sur Sails (MVC -> réponse aux requêtes sur telle ou telle URL)<br />
** Rédaction d'une procédure de déploiement de la partie webapp (commandes à taper, variables d'environnement à modifie, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Xu'''<br />
** Résolution du problème de responsive design des graphes NVD3<br />
** Résolution des beugs liés à la présence de plusieurs graphes sur une même page web<br />
** Combinaison d'une multi bar chart avec line chart avec NVD3 ? Pour représenter l'évolution du négatif, neutre, positif + score<br />
<br />
== Sprint 6 : 11/02/2014 - 19/03/2014 ==<br />
* '''Daba, Xu, Jordan'''<br />
** Développement<br />
<br />
* '''Jordan '''<br />
** ''Storm''<br />
*** MAJ champs RT favoris et retweet<br />
*** MAJ du package Holmes suite à l’update de l’API<br />
*** MAJ du pom.xml et de l'appel aux méthodes suite à la MAJ de la librairie twitter4j<br />
*** Corriger le bug tweets démultiplés<br />
*** Changer l'insertion des données dans la base depuis Storm : remplacement d'une structure JSON par des DBObject de la librairie mongodb-driver<br />
*** Exemple fini avec barre de recherche tags (bouchonné puis depuis la BD)<br />
*** Créer un autre compte Twitter pour le dev<br />
*** Ne pas inclure les fichiers properties dans l'archive JAR<br />
*** Ajout pondération adj x2<br />
*** Déployer l’application<br />
** ''WebApp''<br />
*** Création d'une structure Express comme base<br />
*** Examples bouchonnés des graphes nvd3<br />
<br />
* '''Daba'''<br />
** ''Hello-twitter-nodejs''<br />
*** Ajouter connexion à la base mongoDB + requetes basiques (find + filtre mot clé et sur l’heure de la dernière requête)<br />
*** Timer de 15 secondes associé à une websocket, tant que active) -> Plus de timer cat le Watcher apporte du vrai temps réel<br />
*** Watcher nodejs MongoDB<br />
**** Affichage temps reel des tweets inserés dans une collection<br />
**** Affichage temps réel des résultats du watcher sur une page web<br />
**** Affichage temps réel des résultats du watcher sur une page web en n'envoyant à la page web que les résultats filtré pas des TAGs<br />
**** Ajouter la prise en charge "multi-utilisateurs"<br />
***** Comment savoir à qui distribuer un tweet récupéré par le watcher?(association mot-clés/ socket active)<br />
**** Requêtes MongoDB pour les graphes<br />
<br />
* '''Xu'''<br />
** ''WebApp''<br />
*** Implémentation de la structure Twitter Bootstrap (mobile first) telle que décrite par la conception IHM concrète Balsamiq Mockup et discuté avec Viseo.<br />
*** Intégrations des graphes bouchonnés sur le front<br />
*** Affichage des tweets<br />
<br />
= Liens associés =<br />
Big Data :<br />
* [http://storm-project.net/ Storm project]<br />
* [http://hadoop.apache.org/ Apache Hadoop]<br />
* [http://en.wikipedia.org/wiki/MapReduce MapReduce]<br />
<br />
<br />
Frameworks :<br />
* [http://nodejs.org/ Node.js]<br />
* [http://expressjs.com/ Expressjs]<br />
* [http://socket.io/ Socket.io]<br />
* [http://sailsjs.org/ Sails.js]<br />
<br />
<br />
BD :<br />
* [http://www.mongodb.org/ MongoDB]<br />
<br />
<br />
IHM :<br />
* [http://nvd3.org/ NVD3]<br />
<br />
= Tutoriels =<br />
<br />
* NodeJS (avec Express et SocketIO pour les websockets)<br />
<br />
Ce tutoriel permet d'ouvrir un stream sur un mot et d'afficher en temps-réel les tweets qui lui sont associés.<br />
Les token d'accès dans le fichier credentials.js doivent être créés au préalable dans "Twitter administration tools". (Il faut disposer d'un compte Twitter).<br />
<br />
- Installer NodeJS ( [http://nodejs.org/ Node.js] )<br />
- Lancer mongode<br />
- cd <Répertoire><br />
- npm install<br />
- node app.js<br />
- Aller à localhost:3000 puis taper un mot dans la barre de recherche.</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=Analyse_d%E2%80%99opinion_%C2%AB_temps_r%C3%A9el_%C2%BB_%C3%A0_partir_de_Twitter/FicheSuivi&diff=16517Analyse d’opinion « temps réel » à partir de Twitter/FicheSuivi2014-03-27T10:48:12Z<p>Mame Daba.Diouf: </p>
<hr />
<div>= Présentation du projet =<br />
<br />
Ce projet de 5ème année s'établit sur une durée de 2 mois, en partenariat avec l'entreprise Viseo.<br />
<br />
Dans une problématique de disposer d'un outil d'aide à la décision en lien avec des produits cosmétiques, une application basée sur l'analyse sentimentale de Tweets devra être développée. Celle-ci devra permettre de déterminer le sentiment général exprimé autour d'une marque. Les informations traitées devront ensuite être restituées en temps réel au sein d'interfaces multi-display.<br />
<br />
* Démonstration : [http://vodinteprwes01.viseo.net/ http://vodinteprwes01.viseo.net/]<br />
<br />
= À propos de l'équipe =<br />
<br />
Etudiants :<br />
* Jordan Calvi <jordan.calvi@hotmail.fr> <-- Chef de projet<br />
* Xu Feng <x.feng@outlook.com><br />
* Mame Daba Diouf <diouf-daba@hotmail.com><br />
<br />
Encadrant Polytech :<br />
* Didier Donsez<br />
<br />
Encadrants Viseo :<br />
* Fatoumata Camara<br />
* Cédric Lopez<br />
<br />
= Téléchargements =<br />
* Cahier des charges<br />
* Software Requirements Specification<br />
* Dossier de conception<br />
* Code source<br />
* Manuel<br />
* Rapport<br />
<br />
= Progression =<br />
== Sprint 1 : 27/01/2014 - 03/02/2014 ==<br />
* Première compréhension du sujet<br />
* Premier état de l'art des technologies<br />
* Prise de contact avec les encadrants Viseo<br />
* Élaboration d'une liste de questions pour les encadrants Viseo<br />
* Première réunion avec les encadrants Viseo pour relever le besoin<br />
<br />
== Sprint 2 : 04/02/2014 - 10/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Relève du besoin<br />
** Cahier des charges<br />
** Début de rédaction du document de spécifications<br />
** Etat de l'art des technologies<br />
<br />
* '''Jordan'''<br />
** Etude de l’API Twitter et de Twitter Storm (connecter Storm à l’API Twitter, dictionnaire cosmétique et traitement de données en flux avec dictionnaire émotions)<br />
** Restitution des données (données pertinentes et exemples de graphes axé aide à la décision librairie nvd3.js VS highcharts) : Pie chart (positive negative neutral), Line Chart (trends), Bar chart (actual sentiment)<br />
<br />
* '''Daba'''<br />
** Etude de Tweetping (nodejs, socket.io, processing.js, (backbone.js))<br />
*** liste des données extraites par Tweetping et autres applications<br />
*** leur type<br />
** Aspect temps réel coté front (mettre en place une mini appli fonctionnelle issu d’un tuto -> nodejs + websocket)<br />
<br />
* '''Xu'''<br />
** Etude de mongodb<br />
**(Etude de hadoop)<br />
*** lien entre les deux (connecteurs ?), début de recherche sur l’organisation des données JSON (stockage des tweets préfiltrés et prétraité) ex: nom_du_twittos, date, contenu, langue, negative, neutre, positive -> 0 à 1 ou 0 à 100, opinion(somme), etc.<br />
<br />
== Sprint 3 : 11/02/2014 - 17/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Implémentations partiales pour validation des technologies<br />
<br />
* '''Jordan'''<br />
** Apache Storm, Twitter4j, Twitter API et Holmes API<br />
<br />
* '''Daba'''<br />
** Node.js et Sails.js<br />
<br />
* '''Xu'''<br />
** MongoDB et NVD3<br />
<br />
== Sprint 4 : 18/02/2014 - 26/02/2014 ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Preuve de concepte<br />
** Interconnexion des parties<br />
<br />
== Sprint 5 : 27/02/2014 - 10/03/2014 (interruption du 1 au 9 mars) ==<br />
<br />
* '''Daba, Xu, Jordan'''<br />
** Recenser les fonctionnalités orienté utilisateur et apporter une représentation graphique adaptée<br />
** Conception IHM (mobile en priorité)<br />
** Validation de la conception du frontal pour implémentation<br />
<br />
* '''Jordan'''<br />
** Storm<br />
*** Ajout des champs "retweeted" et "favorite_count" aux tweets traités, en base<br />
*** Insertion des mots clés du fichier txt en base, à la première lecture -> pour la recherche par tagué et le top des mots clés recherchés<br />
*** Rédaction d'une procédure de déploiement de Storm (commandes à taper, variables d'environnement à modifier, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Daba'''<br />
** Migration de la webapp sur Sails (MVC -> réponse aux requêtes sur telle ou telle URL)<br />
** Rédaction d'une procédure de déploiement de la partie webapp (commandes à taper, variables d'environnement à modifie, liste des dépendances) pour déploiement ultérieur<br />
<br />
* '''Xu'''<br />
** Résolution du problème de responsive design des graphes NVD3<br />
** Résolution des beugs liés à la présence de plusieurs graphes sur une même page web<br />
** Combinaison d'une multi bar chart avec line chart avec NVD3 ? Pour représenter l'évolution du négatif, neutre, positif + score<br />
<br />
== Sprint 6 : 11/02/2014 - 19/03/2014 ==<br />
* '''Daba, Xu, Jordan'''<br />
** Développement<br />
<br />
* '''Jordan '''<br />
** ''Storm''<br />
*** MAJ champs RT favoris et retweet<br />
*** MAJ du package Holmes suite à l’update de l’API<br />
*** MAJ du pom.xml et de l'appel aux méthodes suite à la MAJ de la librairie twitter4j<br />
*** Corriger le bug tweets démultiplés<br />
*** Changer l'insertion des données dans la base depuis Storm : remplacement d'une structure JSON par des DBObject de la librairie mongodb-driver<br />
*** Exemple fini avec barre de recherche tags (bouchonné puis depuis la BD)<br />
*** Créer un autre compte Twitter pour le dev<br />
*** Ne pas inclure les fichiers properties dans l'archive JAR<br />
*** Ajout pondération adj x2<br />
*** Déployer l’application<br />
** ''WebApp''<br />
*** Création d'une structure Express comme base<br />
*** Examples bouchonnés des graphes nvd3<br />
<br />
* '''Daba'''<br />
** ''Hello-twitter-nodejs''<br />
*** Ajouter connexion à la base mongoDB + requetes basiques (find + filtre mot clé et sur l’heure de la dernière requête)<br />
*** Timer de 15 secondes associé à une websocket, tant que active) -> Plus de timer cat le Watcher apporte du vrai temps réel<br />
*** Watcher nodejs MongoDB<br />
**** Affichage temps reel des tweets inserés dans une collection<br />
**** Affichage temps réel des résultats du watcher sur une page web<br />
**** Affichage temps réel des résultats du watcher sur une page web en n'envoyant à la page web que les résultats filtré pas des TAGs<br />
**** Ajouter la prise en charge "multi-utilisateurs"<br />
***** Comment savoir à qui distribuer un tweet récupéré par le watcher?(association mot-clés/ socket active)<br />
**** Requêtes MongoDB pour les graphes<br />
<br />
* '''Xu'''<br />
** ''WebApp''<br />
*** Implémentation de la structure Twitter Bootstrap (mobile first) telle que décrite par la conception IHM concrète Balsamiq Mockup et discuté avec Viseo.<br />
*** Intégrations des graphes bouchonnés sur le front<br />
<br />
= Liens associés =<br />
Big Data :<br />
* [http://storm-project.net/ Storm project]<br />
* [http://hadoop.apache.org/ Apache Hadoop]<br />
* [http://en.wikipedia.org/wiki/MapReduce MapReduce]<br />
<br />
<br />
Frameworks :<br />
* [http://nodejs.org/ Node.js]<br />
* [http://expressjs.com/ Expressjs]<br />
* [http://socket.io/ Socket.io]<br />
* [http://sailsjs.org/ Sails.js]<br />
<br />
<br />
BD :<br />
* [http://www.mongodb.org/ MongoDB]<br />
<br />
<br />
IHM :<br />
* [http://nvd3.org/ NVD3]<br />
<br />
= Tutoriels =<br />
<br />
* NodeJS (avec Express et SocketIO pour les websockets)</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13245EA2013-Visual Data Analytics2013-11-11T13:29:25Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF <Mame-Daba.Diouf@e.ujf-grenoble.fr><br />
* '''Enseignants :''' Georges-Pierre Bonneau, Didier Donsez ([[EA2013]])<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
Visual Data Analytics ou analyse visuelle de données est la combinaison de techniques d'analyse automatisées avec des visualisations interactives pour une compréhension efficace, de raisonnement et de décision sur la base d'ensemble de données très volumineux et complexes. Cette analyse s'inscrit dans un contexte de Big Data où la surcharge d'information constitue un danger dans le sens où les données peuvent être présentées ou traitées de manière inappropriée. De nombreux outils existent dans le but de prendre en main ces ensembles de données pour permettre la prise de décision dans plusieurs domaines.<br />
<br />
== Mots-clé ==<br />
<br />
données, analyse, visualisation, compréhension, décision, Big Data.<br />
<br />
== Abstract ==<br />
<br />
Visual Data Analytics is the combination of automated with interactive visualizations for effective understanding, reasoning and decision on the overall basis of very large and complex data analysis techniques. This analysis is in the context of Big Data where information overload is a danger in the sense that the data can be displayed or processed improperly. Many tools exist to take control of these data sets to enable decision-making in several areas.<br />
<br />
== Keywords ==<br />
<br />
data, analysis, visualization, understanding, decision, Big Data.<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/ Google Analytics]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com/ SAS]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com/ xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==<br />
<br />
* [http://www.visual-analytics.eu/faq/ Visual-analytics]<br />
* [http://strata.oreilly.com/2013/05/11-essential-features-that-visual-analysistools-should-have.html/ Essential features that visual analysis tools should have]<br />
* [http://en.wikipedia.org/wiki/Visual_analytics/ Wiki Visual Analytics]<br />
* Thomas J.J., Cook K.A.: Illuminating the Path. IEEE Computer Society Press,Los Alamitos (2005)</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13244EA2013-Visual Data Analytics2013-11-11T13:29:03Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF <Mame-Daba.Diouf@e.ujf-grenoble.fr><br />
* '''Enseignants :''' Georges-Pierre Bonneau, Didier Donsez ([[EA2013]])<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
Visual Data Analytics ou analyse visuelle de données est la combinaison de techniques d'analyse automatisées avec des visualisations interactives pour une compréhension efficace, de raisonnement et de décision sur la base d'ensemble de données très volumineux et complexes. Cette analyse s'inscrit dans un contexte de Big Data où la surcharge d'information constitue un danger dans le sens où les données peuvent être présentées ou traitées de manière inappropriée. De nombreux outils existent dans le but de prendre en main ces ensembles de données pour permettre la prise de décision dans plusieurs domaines.<br />
<br />
== Mots-clé ==<br />
<br />
données, analyse, visualisation, compréhension, décision, Big Data.<br />
<br />
== Abstract ==<br />
<br />
Visual Data Analytics is the combination of automated with interactive visualizations for effective understanding, reasoning and decision on the overall basis of very large and complex data analysis techniques. This analysis is in the context of Big Data where information overload is a danger in the sense that the data can be displayed or processed improperly. Many tools exist to take control of these data sets to enable decision-making in several areas.<br />
<br />
== Keywords ==<br />
<br />
data, analysis, visualization, understanding, decision, Big Data.<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/ Google Analytics]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com/ SAS]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com/ xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==<br />
<br />
* [http://www.visual-analytics.eu/faq/ Visual-analytics]<br />
* [http://strata.oreilly.com/2013/05/11-essential-features-that-visual-analysistools-should-have.html/ Essential features that visual analysis tools should have]<br />
* [http://en.wikipedia.org/wiki/Visual_analytics/ Wiki Visual Analytics]<br />
* Thomas J.J., Cook K.A.: Illuminating the Path. IEEE Computer Society Press,Los Alamitos (2005)</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13243EA2013-Visual Data Analytics2013-11-11T13:28:33Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF <Mame-Daba.Diouf@e.ujf-grenoble.fr><br />
* '''Enseignants :''' Georges-Pierre Bonneau, Didier Donsez ([[EA2013]])<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
Visual Data Analytics ou analyse visuelle de données est la combinaison de techniques d'analyse automatisées avec des visualisations interactives pour une compréhension efficace, de raisonnement et de décision sur la base d'ensemble de données très volumineux et complexes. Cette analyse s'inscrit dans un contexte de Big Data où la surcharge d'information constitue un danger dans le sens où les données peuvent être présentées ou traitées de manière inappropriée. De nombreux outils existent dans le but de prendre en main ces ensembles de données pour permettre la prise de décision dans plusieurs domaines.<br />
<br />
== Mots-clé ==<br />
<br />
données, analyse, visualisation, compréhension, décision, Big Data.<br />
<br />
== Abstract ==<br />
<br />
Visual Data Analytics is the combination of automated with interactive visualizations for effective understanding, reasoning and decision on the overall basis of very large and complex data analysis techniques. This analysis is in the context of Big Data where information overload is a danger in the sense that the data can be displayed or processed improperly. Many tools exist to take control of these data sets to enable decision-making in several areas.<br />
<br />
== Keywords ==<br />
<br />
data, analysis, visualization, understanding, decision, Big Data.<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/ Google Analytics]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com/ SAS]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com/ xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==<br />
<br />
* [http://www.visual-analytics.eu/faq/ Visual-analytics]<br />
* [http://strata.oreilly.com/2013/05/11-essential-features-that-visual-analysistools-should-have.html/ Essential features that visual analysis tools should have]<br />
* [http://en.wikipedia.org/wiki/Visual_analytics/ Wiki Visual Analytics]<br />
* Thomas J.J., Cook K.A.: Illuminating the Path. IEEE Computer Society Press,Los Alamitos (2005)</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13242EA2013-Visual Data Analytics2013-11-11T13:28:18Z<p>Mame Daba.Diouf: /* Abstract */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF <Mame-Daba.Diouf@e.ujf-grenoble.fr><br />
* '''Enseignants :''' Georges-Pierre Bonneau, Didier Donsez ([[EA2013]])<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
Visual Data Analytics ou analyse visuelle de données est la combinaison de techniques d'analyse automatisées avec des visualisations interactives pour une compréhension efficace, de raisonnement et de décision sur la base d'ensemble de données très volumineux et complexes. Cette analyse s'inscrit dans un contexte de Big Data où la surcharge d'information constitue un danger dans le sens où les données peuvent être présentées ou traitées de manière inappropriée. De nombreux outils existent dans le but de prendre en main ces ensembles de données pour permettre la prise de décision dans plusieurs domaines.<br />
<br />
== Mots-clé ==<br />
<br />
données, analyse, visualisation, compréhension, décision, Big Data.<br />
<br />
== Abstract ==<br />
<br />
Visual Data Analytics is the combination of automated with interactive visualizations for effective understanding, reasoning and decision on the overall basis of very large and complex data analysis techniques. This analysis is in the context of Big Data where information overload is a danger in the sense that the data can be displayed or processed improperly. Many tools exist to take control of these data sets to enable decision-making in several areas.<br />
<br />
== Keywords ==<br />
<br />
data, analysis, visualization, understanding, decision, Big Data.<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/ Google Analytics]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com/ SAS]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com/ xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==<br />
<br />
* [http://www.visual-analytics.eu/faq/ Visual-analytics]<br />
* [http://strata.oreilly.com/2013/05/11-essential-features-that-visual-analysistools-should-have.html/ Essential features that visual analysis tools should have]<br />
* [http://en.wikipedia.org/wiki/Visual_analytics/ Wiki Visual Analytics]<br />
* Thomas J.J., Cook K.A.: Illuminating the Path. IEEE Computer Society Press,Los Alamitos (2005)</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13241EA2013-Visual Data Analytics2013-11-11T13:27:25Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF <Mame-Daba.Diouf@e.ujf-grenoble.fr><br />
* '''Enseignants :''' Georges-Pierre Bonneau, Didier Donsez ([[EA2013]])<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
Visual Data Analytics ou analyse visuelle de données est la combinaison de techniques d'analyse automatisées avec des visualisations interactives pour une compréhension efficace, de raisonnement et de décision sur la base d'ensemble de données très volumineux et complexes. Cette analyse s'inscrit dans un contexte de Big Data où la surcharge d'information constitue un danger dans le sens où les données peuvent être présentées ou traitées de manière inappropriée. De nombreux outils existent dans le but de prendre en main ces ensembles de données pour permettre la prise de décision dans plusieurs domaines.<br />
<br />
== Mots-clé ==<br />
<br />
données, analyse, visualisation, compréhension, décision, Big Data.<br />
<br />
== Abstract ==<br />
<br />
Visual Data Anlaytics is the combination of automated with interactive visualizations for effective understanding, reasoning and decision on the overall basis of very large and complex data analysis techniques. This analysis is in the context of Big Data where information overload is a danger in the sense that the data can be displayed or processed improperly. Many tools exist to take control of these data sets to enable decision-making in several areas.<br />
<br />
== Keywords ==<br />
<br />
data, analysis, visualization, understanding, decision, Big Data.<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/ Google Analytics]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com/ SAS]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com/ xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==<br />
<br />
* [http://www.visual-analytics.eu/faq/ Visual-analytics]<br />
* [http://strata.oreilly.com/2013/05/11-essential-features-that-visual-analysistools-should-have.html/ Essential features that visual analysis tools should have]<br />
* [http://en.wikipedia.org/wiki/Visual_analytics/ Wiki Visual Analytics]<br />
* Thomas J.J., Cook K.A.: Illuminating the Path. IEEE Computer Society Press,Los Alamitos (2005)</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13240EA2013-Visual Data Analytics2013-11-11T13:08:37Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/ Google Analytics]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com/ SAS]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com/ xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==<br />
<br />
* [http://www.visual-analytics.eu/faq/ Visual-analytics]<br />
* [http://strata.oreilly.com/2013/05/11-essential-features-that-visual-analysistools-should-have.html/ Essential features that visual analysis tools should have]<br />
* [http://en.wikipedia.org/wiki/Visual_analytics/ Wiki Visual Analytics]<br />
* Thomas J.J., Cook K.A.: Illuminating the Path. IEEE Computer Society Press,Los Alamitos (2005)</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13239EA2013-Visual Data Analytics2013-11-11T13:08:01Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/ Google Analytics]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com/ SAS]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com/ xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==<br />
<br />
* [http://www.visual-analytics.eu/faq/ Visual-analytics]<br />
* [http://strata.oreilly.com/2013/05/11-essential-features-that-visual-analysistools-should-have.html/ Essential features that visual analysis tools should have]<br />
* [http://en.wikipedia.org/wiki/Visual_analytics]<br />
* Thomas J.J., Cook K.A.: Illuminating the Path. IEEE Computer Society Press,Los Alamitos (2005)</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13238EA2013-Visual Data Analytics2013-11-11T13:02:55Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==<br />
<br />
* [http://www.visual-analytics.eu/faq/]</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13237EA2013-Visual Data Analytics2013-11-11T13:01:13Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13236EA2013-Visual Data Analytics2013-11-11T13:00:59Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13235EA2013-Visual Data Analytics2013-11-11T13:00:37Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13234EA2013-Visual Data Analytics2013-11-11T12:58:50Z<p>Mame Daba.Diouf: /* Démonstration */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Systèmes d'exploitations des visiteurs|Systèmes d'exploitations des visiteurs]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Fournisseurs de services des visiteurs|Fournisseurs de services des visiteurs]]<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13233EA2013-Visual Data Analytics2013-11-11T12:57:20Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Vue d'ensemble de l'audience|Vue d'ensemble de l'audience]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13232EA2013-Visual Data Analytics2013-11-11T12:55:46Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2.5|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2.5|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2.5|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13231EA2013-Visual Data Analytics2013-11-11T12:55:04Z<p>Mame Daba.Diouf: /* Démonstration */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=File:GoogleAnalytics3.JPG&diff=13230File:GoogleAnalytics3.JPG2013-11-11T12:54:27Z<p>Mame Daba.Diouf: </p>
<hr />
<div></div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=File:GoogleAnalytics2.JPG&diff=13229File:GoogleAnalytics2.JPG2013-11-11T12:54:08Z<p>Mame Daba.Diouf: </p>
<hr />
<div></div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=File:GoogleAnalytics1.JPG&diff=13228File:GoogleAnalytics1.JPG2013-11-11T12:53:39Z<p>Mame Daba.Diouf: </p>
<hr />
<div></div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13227EA2013-Visual Data Analytics2013-11-11T12:53:22Z<p>Mame Daba.Diouf: /* Démonstration */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=1|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
[[File:googleAnalytics2.JPG|thumb|upright=1|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
[[File:googleAnalytics3.JPG|thumb|upright=1|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13226EA2013-Visual Data Analytics2013-11-11T12:52:23Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
[[File:googleAnalytics1.JPG|thumb|upright=1|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13225EA2013-Visual Data Analytics2013-11-11T12:51:08Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
* Site web utilisé: [http://xuf-en.weebly.com]<br />
* Code de suivi (collé dans le code de chaque page dont nous souhaitons effectuer le suivi):<br />
<script><br />
(function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){<br />
(i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),<br />
m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)<br />
})(window,document,'script','//www.google-analytics.com/analytics.js','ga');<br />
<br />
ga('create', 'UA-45058591-1', 'weebly.com');<br />
ga('send', 'pageview');<br />
<br />
</script><br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13224EA2013-Visual Data Analytics2013-11-11T12:34:49Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005) est un logiciel d’analyse d’audience Internet et du comportement des internautes et permet la création de rapports.<br />
[http://www.google.com/analytics/]<br />
* SAS Visual Analytics (2012) est un outil destiné aux entreprises et qui permet d'améliorer les performances, de limiter les risques et de faciliter les prises de décision. [http://www.sas.com]<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13223EA2013-Visual Data Analytics2013-11-11T12:29:39Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse et algorithme ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005)<br />
* SAS Visual Analytics (2012)<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
=== Démonstration ===<br />
<br />
# Google Analytics<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13222EA2013-Visual Data Analytics2013-11-11T12:28:13Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
* Google Analytics (2005)<br />
* SAS Visual Analytics (2012)<br />
* Tableau<br />
* SpotFire<br />
* QlikView<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13221EA2013-Visual Data Analytics2013-11-11T12:26:22Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13220EA2013-Visual Data Analytics2013-11-11T12:25:48Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
=== Outils ===<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13219EA2013-Visual Data Analytics2013-11-11T12:25:15Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13218EA2013-Visual Data Analytics2013-11-11T12:24:38Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13217EA2013-Visual Data Analytics2013-11-11T12:23:34Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse ===<br />
<br />
[[File:processus.JPG|thumb|upright=2|alt=Processus d'analyse visuelle de données|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|upright=2|alt=Algorithme d'analyse visuelle de données|Algorithme d'analyse visuelle de données]]<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=File:Algo.JPG&diff=13216File:Algo.JPG2013-11-11T12:21:49Z<p>Mame Daba.Diouf: </p>
<hr />
<div></div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13215EA2013-Visual Data Analytics2013-11-11T12:21:18Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse ===<br />
<br />
[[File:processus.JPG|thumb|upright=2.5|alt=Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
[[File:algo.JPG|thumb|alt=Algorithme d'analyse visuelle de données]]<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=File:Processus.JPG&diff=13214File:Processus.JPG2013-11-11T12:17:47Z<p>Mame Daba.Diouf: </p>
<hr />
<div></div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13213EA2013-Visual Data Analytics2013-11-11T12:17:19Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
* Ingénierie: pour une amélioration de l'environnement de production.<br />
<br />
* Sécurité: pour le déclenchement d'alertes en cas de détection de situations alarmantes.<br />
<br />
* Finance: pour l'analyse des fils d’actualité, des données commerciales en temps réel et les indicateurs économiques fondamentaux.<br />
<br />
* Environnement: pour expliquer les changements dans les populations animales ou dans les processus météorologiques et climatiques.<br />
<br />
* Socio-économiques: influes les décisions politiques, les effets économiques, culturels et démographiques.<br />
<br />
<br />
=== Processus d'analyse ===<br />
<br />
[[File:processus.JPG|thumb|upright=2.5|alt=Exemple de graphe RDF|Processus d'analyse visuelle de données]]<br />
<br />
Le processus de Visual Data Analytics combine des méthodes d'analyse automatique et visuelle avec un couplage étroit à travers l'interaction humaine dans le but d'acquérir des connaissances à partir d'un ensemble de données. La première étape consiste à pré-traiter et transformer les données pour calculer les différentes représentations. Les tâches de pré-traitement comprennent le nettoyage des données, la normalisation, le regroupement ou l'intégration de sources de données hétérogènes. <br />
<br />
Après la transformation, l'analyste peut choisir entre l'application de méthodes d'analyse visuelle ou automatique. Si une analyse automatique est utilisée d'abord, les méthodes d'extraction de données sont appliquées pour générer des modèles de données d'origine. Une fois qu'un modèle est créé, l'analyste doit l'évaluer et l'affiner en modifiant les paramètres ou en sélectionnant d'autres algorithmes d'analyse.<br />
<br />
Si une exploration visuelle est effectuée en premier, l'utilisateur doit confirmer les hypothèses générées par une analyse automatisée. L'interaction de l'utilisateur avec la visualisation est nécessaire pour révéler des informations utiles.<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13212EA2013-Visual Data Analytics2013-11-11T11:30:50Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
* synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
* détecter l’attendu et découvrir l’inattendu<br />
* fournir des évaluations compréhensibles et en temps opportun<br />
* communiquer efficacement les évaluations.<br />
<br />
=== Domaines d'application ===<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13211EA2013-Visual Data Analytics2013-11-11T11:30:05Z<p>Mame Daba.Diouf: /* Domaines d'application */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
# synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
# détecter l’attendu et découvrir l’inattendu<br />
# fournir des évaluations compréhensibles et en temps opportun<br />
# communiquer efficacement les évaluations.<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13210EA2013-Visual Data Analytics2013-11-11T11:29:43Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
=== Définitions ===<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
# synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
# détecter l’attendu et découvrir l’inattendu<br />
# fournir des évaluations compréhensibles et en temps opportun<br />
# communiquer efficacement les évaluations.<br />
<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
== Domaines d'application ==<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13209EA2013-Visual Data Analytics2013-11-11T11:29:17Z<p>Mame Daba.Diouf: /* Définitions */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
== Domaines d'application ==<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13208EA2013-Visual Data Analytics2013-11-11T11:29:03Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
=== Motivations ===<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
== Définitions ==<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
# synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
# détecter l’attendu et découvrir l’inattendu<br />
# fournir des évaluations compréhensibles et en temps opportun<br />
# communiquer efficacement les évaluations.<br />
<br />
== Domaines d'application ==<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13207EA2013-Visual Data Analytics2013-11-11T11:28:39Z<p>Mame Daba.Diouf: /* Motivations */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
== Définitions ==<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
# synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
# détecter l’attendu et découvrir l’inattendu<br />
# fournir des évaluations compréhensibles et en temps opportun<br />
# communiquer efficacement les évaluations.<br />
<br />
== Domaines d'application ==<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13206EA2013-Visual Data Analytics2013-11-11T11:27:57Z<p>Mame Daba.Diouf: /* Présentation */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
== Motivations ==<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
== Définitions ==<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
# synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
# détecter l’attendu et découvrir l’inattendu<br />
# fournir des évaluations compréhensibles et en temps opportun<br />
# communiquer efficacement les évaluations.<br />
<br />
== Domaines d'application ==<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=13205EA2013-Visual Data Analytics2013-11-11T11:27:31Z<p>Mame Daba.Diouf: /* Synthèse */</p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
== Motivations ==<br />
<br />
Aujourd'hui, les données sont produites à une vitesse exponentielle et la capacité à les collecter et à les stocker augmente à un rythme plus rapide que la capacité à les analyser: elles sont générées plus vite qu'elles ne peuvent être digérées. Au cours des dernières décennies, un grand nombre de méthodes automatiques d'analyse de données ont été développées. Cependant la nature complexe de nombreux problèmes rend indispensable le fait d'inclure l'intelligence humaine à un stade précoce dans le processus d'analyse des données. <br />
<br />
Les méthodes Visual Analytics permettent aux décideurs de combiner leur flexibilité humaine, la créativité et les connaissances de base de stockage et de transformation des capacités des ordinateurs d'aujourd'hui pour mieux comprendre les problèmes de demain.<br />
<br />
== Définitions ==<br />
<br />
Visual Data Analytics est la science de raisonnement analytique basée sur des interfaces visuelle interactives.<br />
<br />
Le domaine de l'analyse visuelle de données se concentre sur le traitement des volumes massifs, hétérogènes et dynamiques d'informations (Big Data) grâce à l'intégration du jugement humain au moyen de représentations visuelles et des techniques d'interaction dans le processus d'analyse.<br />
<br />
C'est un ensemble d'outils et de techniques qui permettent de :<br />
# synthétiser les informations à partir de données massives, dynamiques, ambiguës et souvent contradictoires<br />
# détecter l’attendu et découvrir l’inattendu<br />
# fournir des évaluations compréhensibles et en temps opportun<br />
# communiquer efficacement les évaluations.<br />
<br />
== Domaines d'application ==<br />
<br />
== Références ==</div>Mame Daba.Dioufhttps://air.imag.fr/index.php?title=EA2013-Visual_Data_Analytics&diff=12976EA2013-Visual Data Analytics2013-10-30T17:43:30Z<p>Mame Daba.Diouf: </p>
<hr />
<div>== Présentation ==<br />
* '''Titre :''' Visual Data Analytics<br />
* '''Auteur :''' Mame Daba DIOUF<br />
* '''Télécharger :''' [[File:Visual_Data_Analytics_DIOUF.pdf]]<br />
<br />
<br />
== Résumé ==<br />
<br />
<br />
== Mots-clé ==<br />
<br />
== Abstract ==<br />
<br />
== Keywords ==<br />
<br />
== Synthèse ==<br />
<br />
== Références ==</div>Mame Daba.Diouf