User Tools

Site Tools


admin:course_admin

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
admin:course_admin [2013/01/24 17:51]
bpinaud *
admin:course_admin [2013/01/24 18:26] (current)
bpinaud
Line 24: Line 24:
   * Avis étudiants : entre 2 et 3 pour chaque critère. Ils n'ont pas tout compris   * Avis étudiants : entre 2 et 3 pour chaque critère. Ils n'ont pas tout compris
  
 +Abdalah NDoye => 7
 +  * Très insufisant
 +  * Avis étudiants : ils n'ont pas voulu être méchant. On est plus proche du 2 que du 3 sur chaque critère.
  
 +Cassan & Faux => 14
 +  * Vote Wikipedia: données déjà prises en main, on travaille à partir d'une visu noeud-lien pour tenter de comprendre les données, on cherche une approche pour détecter et voir les communautés. Discussion (avec les étudiants),​ l'​analyse des coeff de clustering et degree semble confirmer qu'on a bien des '​petites'​ communautés réparties un peu partout (10K arêtes pour 7K sommets, avec un coeff de clustering significatif).
 +  * 7k participants,​ ~100 000 votes
 +  * utilisation de Louvain et betweeness centrality
 +  * noeuds liens et histogrammes excel mais c'est suffisant
 +  * bonne présentation
 +  * avis étudiants : plutôt 4 mais ils ont noté les deux premiers critères (difficulté du problème et des données) à 3
  
-Perrot ​Lyazidi +Lelièvre, Djemiel ​Marmiesse => 17 
-  * Données joueurs d'​échecQuestions ​plus 'triviales'​ / Pas facile ​de voir venir des questions qui trouveraient réponse par l'​analyse ​d'​un ​graphe (qu'il faudrait construire)Du coup, on est en droit d'attendre des visus plus sophistiquées (parce que la prise en main et l'analyse des données est plus '​immédiate'​).+  * High energy physics papers: données volumineuses et bruitées, nécessité de filtrer (fait), puis on se focalise sur la plus grande composante connexe (fait)On cherche à trouver des communautés de papiers (donc de chercheurs) qui se cite plus fréquemment. Piste d'exploiration:​ Louvain ou clustering pour identifier les comms, métrique basique pour confirmer des tendances. 
 +  * gros travail ​de nettoyage ​des données 
 +  * visu d'​un ​nuage des mots clés les plus utilisésUtilisation de wordle ​en ligne 
 +  * graphe tulip avec animation pour voir l'évolution dans le temps du nombre de publi 
 +  * utilisation de 3 visualisation mais pas de lien entre les visus 
 +  * présentation ​en svg mais quelques soucis de lisibilité parfois 
 +  * Avis étudiants : entre 4 et 5. Mais c'était le premier groupe à passer. On sent les étudiants ​plus motivés que pour les derniers groupes
  
-Da Silva & Badiola+ 
 +Da Silva & Badiola ​=> 18
   * Email Enron: prise en main des données exigeantes (volumineuses,​ textes, champ email). Q.: détection des liens hiérarchiques (?), corruption ?   * Email Enron: prise en main des données exigeantes (volumineuses,​ textes, champ email). Q.: détection des liens hiérarchiques (?), corruption ?
 +  * gros travail de prise en main des données
 +  * Reconstituer la hiérarchie des personnes dans l'​entreprise
 +  * véritable démarche scientifique. Validation du travail par rapport aux résultats de précédentes études
 +  * construction d'une pyramide.
 +  * Nettoyage des données grâce à la visu => malin
 +  * Utilisation de plusieurs métrique bien comprises pour mettre en évidence l'​importance des personnes
 +  * présentation très dynamique et bien illustrée
 +  * Avis des étudiants : équivalent à au trinome mais peut-être légèrement plus critique. Excellent travail de toute façon
  
-Ruffet ​Farhat +Oudot Jolliet => 13 
-  * Gnutella: problème de données ​volumineuses,​ évolution dans le temps. Une idée, discutée avec eux en séance. On observe un coeff de clustering faible, ce qui pourrait indiquer qu'une apprhc epar arbre couvrant est pertinente ​(arbre auquel on agrégerait le reste des données, ​pour assurer ainsi une certaine stabilité ​du dessin).+  * Analyse des données ​sur les attentats sur l'ensemble du globe (Global Terrorism database) 
 +  * Nombreuses variables très variées => bonne compréhension ​des données 
 +  * Répartition incidents victimes/​années 
 +  * utilisation assez basique de la googlemap tulip 
 +  * rien de bien novateurtravail moyen 
 +  * problème de gestion ​du temps 
 +  * Avis des étudiants : travail moyen sur tous les critères
  
-Cassan & Faux 
-  * Vote Wikipedia: données déjà prises en main, on travaille à partir d'une visu noeud-lien pour tenter de comprendre les données, on cherche une approche pour détecter et voir les communautés. Discussion (avec les étudiants),​ l'​analyse des coeff de clustering et degree semble confirmer qu'on a bien des '​petites'​ communautés réparties un peu partout (10K arêtes pour 7K sommets, avec un coeff de clustering significatif). 
  
-Lelièvre, Djemiel & Marmiesse +Gachet & Gillet ​=> 12
-  * High energy physics papers: données volumineuses et bruitées, nécessité de filtrer (fait), puis on se focalise sur la plus grande composante connexe (fait). On cherche à trouver des communautés de papiers (donc de chercheurs) qui se cite plus fréquemment. Piste d'​exploiration:​ Louvain ou clustering pour identifier les comms, métrique basique pour confirmer des tendances. +
- +
-Gachet & Gillet+
   * Financial data, GeoView, Hierarchical graph (flux orientés).   * Financial data, GeoView, Hierarchical graph (flux orientés).
 +  * Retrouver des transaction financières frauduleuses en recherchant des motifs sur le graphe
 +  * googlemap, bubbletree
 +  * colorscale de bleu pour montrer les montants des transactions : bof
 +  * moyen...
 +  * Avis des étudiants : travail moyen
 +
 +Perrot & Lyazidi => 14
 +  * Données joueurs d'​échec. Questions plus '​triviales'​ / Pas facile de voir venir des questions qui trouveraient réponse par l'​analyse d'un graphe (qu'il faudrait construire). Du coup, on est en droit d'​attendre des visus plus sophistiquées (parce que la prise en main et l'​analyse des données est plus '​immédiate'​).
 +  * Repérer les meilleurs joueurs, influence de la couleur utilisée pour la partie, progression des joueurs
 +  * 65053 parties et 8631 joueurs sur 100 mois ainsi que la couleur jouée
 +  * mise en avant de communauté de joueurs
 +  * Utilisation de moyennes (pas d'​écart type)
 +  * création d'une hiérarchie de sous-graphes pour chaque mois
 +  * Algo à modèle de force pour voir les groupes de joueurs sur chaque mois
 +  * présentation ok
 +  * avis des étudiants : avis mitigés. Globalement 3 mais on trouve des 2 et des 4.
 +
 +Ruffet & Farhat => 10
 +  * Changement de jeu de données peu de temps avant la fin. Utilisation du dataset de VAST challenge 2008
 +  * affichage simple de l'​évolution des communications entre les usagers
 +  * 400 sommets, 10 jours de communication
 +  * aucune curiosité
 +  * graphes dynamiques mais pas de démo
 +  * pas d'algo de layout. On a juste vu un dessin statique random
 +  * Retrouve quand même des résultats basiques connus
 +  * Présentation trop rapide
 +  * Avis des étudiants : bof. globalement entre 2 et 3
/net/html/perso/melancon/Visual_Analytics_Course/data/attic/admin/course_admin.1359046313.txt.gz · Last modified: 2013/01/24 17:51 (external edit)