En raison de la crise du COVID-19, les informations ci-dessous sont susceptibles d’être modifiées,
notamment celles qui concernent le mode d’enseignement (en présentiel, en distanciel ou sous un format comodal ou hybride).
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 |
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
En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.
Lectures, practical sessions on computers, project.All activities can switch from presential to comodal or distancial depending on sanitary conditions.
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.
Oral Exam. Practical modalities depend on sanitary conditions.
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
Force majeure
Méthodes d'enseignement
Cours magistral à distance et/ou enregistrement vidéo. Travaux pratiques sur ordinateur, et projet à réaliser individuellement ou en binôme.
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
Examen oral par Teams à livre ouvert, si un examen oral en présentiel sur le site de LLN n'est pas permis; les questions peuvent porter sur le projet.
Programmes / formations proposant cette unité d'enseignement (UE)
Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
d'apprentissage
Master [120] en science des données, orientation statistique
Master [120] : ingénieur civil en mathématiques appliquées
Master [120] : ingénieur civil en science des données
Master [120] en science des données, orientation technologies de l'information