Note du 29 juin 2020
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
5 crédits
30.0 h + 30.0 h
Q1
Enseignants
Lee John;
Langue
d'enseignement
d'enseignement
Anglais
Thèmes abordés
Visualisation of information, data, tasks, tools, perception, visualizing tabular and spatial data, graphs and trees, links with machine learning, interaction, multiple views.
Acquis
d'apprentissage
d'apprentissage
A la fin de cette unité d’enseignement, l’étudiant est capable de : | |
| 1 |
With respect to the AA referring system defined for the Master in Data Science Engineering the course contributes to the development, mastery and assessment of the following skills : · DATA 1.2 · DATA 2.1, 2.2, 2.3, 2.4, 2.5 · DATA 5.1, 5.2, 5.3, 5.4, 5.5 · DATA 6.1, 6.2, 6.3 At the end of the course, students will be able to : · Understand perceptive and cognitive processes behind visualisation · Relate tasks and visualisation tools · Categorize data types · Analyze an existing visualisation · Design an appropriate visualization · Validate visualisations · Implement visualisation tools |
La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Contenu
· What and why information visualisation?
· Data abstraction: types of data and of datasets
· Which visualisation for which task?
· Validating visualisations
· Display and ocular perception
· Visualisation channels (colour, size, shape, angle, ...)
· Tabular data: lists, matrices, tensors
· Spatial data: scalar, vector and tensor fields
· Networks and trees
· Link between machine learning and visualisation: clustering, dimensionality reduction, graph embedding
· Interactive visualisation
· Multiple views
· Advanced topics in visualisation
· Data abstraction: types of data and of datasets
· Which visualisation for which task?
· Validating visualisations
· Display and ocular perception
· Visualisation channels (colour, size, shape, angle, ...)
· Tabular data: lists, matrices, tensors
· Spatial data: scalar, vector and tensor fields
· Networks and trees
· Link between machine learning and visualisation: clustering, dimensionality reduction, graph embedding
· Interactive visualisation
· Multiple views
· Advanced topics in visualisation
Méthodes d'enseignement
Lectures, practical sessions on computers, project
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
Oral Exam
Ressources
en ligne
en ligne
Site Moodle du cours: https://moodleucl.uclouvain.be/course/view.php?id=12042
Bibliographie
Visualization analysis & Design, Tamara Munzner, CRC Press, 2015.
Support de cours
- Slides of the course, available on Moodle
Faculté ou entité
en charge
en charge
EPL
