[PDF] Lexploration du Big Data par sa visualisation – Application au projet

View - Download Lexploration du Big Data par sa visualisation – Application au projet

Previous PDF

Next PDF

$SSOLFDWLRQDXSURMHW*(R7ZHHW par

Philippe

travail de Bachelor pour analyse par le logiciel conclusions et recommandations formulées dans le travail de Bachelor, seul

Je tiens à

ire

Mr. Jean

Genève, et Michael Chrusciel, étudiant en

.s pistes disponibles Une multitude de données sont créées grâce à différents outils. laisse une trace digitale. Des données peuvent également être créées passivement

Tout ceci

mondiales ont été créées au cours des deux dernières années. parcourir chaque enregistrement un à un. Il faut pouvoir trou par Twitter.

Déclaration

Remerciements

Résumé

Liste des figures

1. -

1.1 Qui utilise le Big Data

1.1.1 Histoire 1970

1.1.2 Histoire 1980

1.1.3 Histoire 1990

1.1.4 Histoire 2015

1.1.5 Impact sociologique

1.1.6 Les 4 V

1.1.7 Définition

2. Quelles sont les catégories existantes

2.1 Catégorisation générale

2.1.1 Structurée et semi

2.1.2 Non

2.2 Catégorisation IBM

3.

Big Data

3.1 Affichage classique

3.2 Affichage moderne

3.2.1 Carte

3.2.2 Texte

3.2.3 Données

3.2.3.1 Comparaison

3 Entre les instances

3.2.3.1.2 En fonction du temps

3.2.3.2 Distribution

3.2.3.2.1 Une variable

3.2.3.2.2 Deux variables

3.2.3.3 Relation

3.2.3.3.1 Deux variables

3.2.3.3.2 Trois variables

3.2.3.4 Composition

3.2.3.4.1 Statique dans le temps

3.2.3.4.2 Evoluant dans le temps

3.2.3.5 Connexion

3.2.3 Cartographique de fond

3.2.3.7 Animation

3.2.3.8 Infographie

3.2.4 Choisir le bon graphique

3.2.5 Bonnes pratiqu

3.2.6 Erreurs à ne pas commettre

3.2.6.1 Comment fausser un graphique

4. Quelles sont les technologies

5.

5.1 Besoins

5.2 GEoTweet et le Big Data

5.2.1 4 V

5.2.2 Catégorisation IBM

5.3 Interfaces pertinentes

5.3.1 Répartition des langues à Genève

5.3.1.1 Thermique

5.3.1.1.1 Carte

5.3.1.1.2 Classement

5.3.1.1.3 Chronologie

5.3.1.1.4 Rejouer

5.3.1.2 Quartiers

5.3.1.2.1 Carte

5.3.1.2.2 Classement

5.3.1.2.3 Chronologie

5.3.1.2.4 Derniers tweets

5.3.1.2.5 Ecrire un tweet

5.3.2 Rayonnement de Genève dans le monde

5.4 Proposition de vues

5.4.1 Répartition des langues à Genève

5.4.2 Rayonnem

5.5 Choix technologiques

5.6

6. Conclusion

Bibliographie

Figure 1

Figure 2

Figure 3

Figure 4

Figure 5

Figure 6

Figure 7

Figure 8

Figure 9

Figure 10

Figure 11

Figure 12

Figure 13

Figure 14

Figure 15

Figure 16

Figure 17

Figure 18

Figure 19

Figure 20

Figure 21

Figure 22

Figure 23

Figure 24

Figure 25

Figure 26

Figure 27

1.FHTXHOH%LJ'DWD

1.1 1.1.1 Dans les années 1970, les principaux fabricants de produits de grande consommation, Cette dernière expédiait des employés dans plusieurs boutiques réparties dans douze

et les rabais qui y étaient liés. Ces données étaient ensuite transmises aux fabricants et

pro 1.1.2 A la fin des années 1980, la société IRI répandit les scanners de codes onnées récoltées par transformer son modèle économique en se basant sur le Big Data. devenue un modèle économique durable en grande p Sam Walton a partagé ces données en temps rée 1 exiger la (amélioration du rendement) et les promotions à mettre en place. aux fabricants via son serv en adaptant leur stratégie. 1.1.3 t ouverte aux commerces aux e 1.1.4 sociaux, les téléphones portable encore plus rapidement avec le client en se basant sur la géolocalisation et ainsi lui 1 grills si ces derniers sont en

Google, Facebook et Wal

1.1.5 effet, le Big Data est souvent sujets à controverse

Google Trends

recherche en fonction des années

Source

Il est évident que le Big Data est lié à des questions socio

et cette origine partagée conduit à de multiples définitions, ambigües et parfois

par le passé. Dès lors, en quoi le Big Data diffère techniques classiques de traitement des données qui travaillent sur des échantillons plus Figure 1 : Google Trend sur le terme " Big Data » définition apparaît. 1.1.6 Le conseil et de recherche) qui, dans un rapport de 2001, ne faisait aucune mention explicite

Gartner a proposé une déf

trois propriétés permettent néanmoi pour " Véracité ». Cet indice aborde la question concernant l

Volume

Data.

Vélocité

Variété

est possible de catégoriser ces données. Ce point sera détaillé au chapitre

Véracité

Ex : à partir

1.1.7 civilisation et 2010, un. débuté en 2000 avec un tél qui ont été sauvegardés, ce qui é c nous faisons ou entreprenons dans nos vies laisse ou laissera une trace digitale qui 2. Nous avons vu précédemment que le Big Data pouvait être constitué de références onomie, etc. Il est évident que régulièrement. Il faut donc trouver un moyen pertinent pour regrouper les données de 2.1

La plupart des publ

ou externes. David Meer, partenaire à Strategy's consumer et auteur de plusieurs 2.1.1 seront caractérisés par leur

Concernant le semi

sont structurées : auteur, date, position géographique, longueur du mes

Données crées

form ou une étude de marché. L

Données provoquées

Données transactionnelles

achète quelque chose ou cli rendu compte il y a quelques années que la vente de transactionnelles sont généralement structurées et internes.

Données compilées

se chargeront de les analyser. Les données c

Données expérimentales

e monde réel mieux 2.1.2

Les données de type non

aucune limite et que quasiment toutes les données récoltées sont utilisables.

Données capturées

Facebook, Tweets, vidéos mises en ligne sur YouTube et commentaires 2.2

IBM, qui a déjà démontré son intérêt pour le Big Data au travers de sa définition des 4 V

Les 4 V) requerra une analyse en temps réel, alors que des données de

Méthodologie de traitement

prédictive, analytique, requêtes ad hoc ou rapports

Fréquence des données et taille

données : o o o

Type de données

Format du contenu

Source des données -

o o o o o o o o

Client des données

o o e moyen des o des chiffres de statistiques de vente o o : visites). o

Matériel

matériel peut

Source

Figure 2 : Classification du Big Data selon IBM

3.

SRXUYLVXDOLVHUOHV%LJ'DWD

peut

à comprendre les informations véhiculées et les idées qui en découlent. Selon

de Big Data, le for 3.1 Traditionnellement, les rapports analysant les Big Data utilisent différents types de

Diagramme circulaire

Graphe à barres

Graphique en courbe

La visualisation de données au travers de graphiques ne leurs octroient pas uniquement breuses

Source

Actuellement, à cause de la quantité énorme de données, une feuille de calcul ne permet Figure 3 : Feuille de calcul représentant des statistiques de ventes

Source

Les données affiché

Au contraire,

trop de segments le rendent illisible. Les données sont bien plus rapidement est plus rapide de se horizontales si celles

Figure 4 :

Source

Placées côte à côte, il devient facile de savoir quel 3.2 ent n

Figure 5 : Graphe à barres des ventes

3.2.1 Une carte fournit déjà une forte représentation visuelle. Le gain en termes plusieurs décimales à

Source

géographiques pures et les données plus complexes liées à des coordonnées. Cette

Source

Figure 6 : Carte avec de simples points

géographiques

Figure 7 : NYC Crime Map

3.2.2 La visualisation de mots la plus courante passe au travers de nuages de mots. Un amas a notre produit ou compagnie et offre un moyen rap s t domineraient le nuage.

Source

3.2.3 fasse sens sans être ui existe entre les données : Figure 8 : Nuage de mot du discours prononcé par Obama lors de sa victoire aux élections de 2008

3.2.3.1

Le principal critère pour choisir un graphique qui doit effectuer une comparaison dépend représent

3.2.3.1.1

Graphique en colonne

sement entre les

Source

variables en même temps pour autant que ces variables partagent le même axe des X ison de villes en fonction de leur population, millio

Figure 9 : Graphique en colonne

Graphique à barres horizontales

colonned de cinquante villes.

Graphique en colonnes

De plus, la chronologie sur laquelle les données sont réparties ne doit pas être trop tailles égales rupture da variables, pour autant que les axes des X et Y soient identiques.

Source

3.2.3.2

Une distribution est un jeu de données possédant une seule instance et une ou plus

Figure 10 : Graphique à lignes

Ex : millimètres de pluies par mois à Londres.

Histogramme à ligne

seul un

Source

Figure 11 : Histogramme

3.2.3.2.2

quotesdbs_dbs28.pdfusesText_34

[PDF] Big Data pour l`intelligence de la production

[PDF] Big Deal : Remplir son contrat

[PDF] big disk quadra

[PDF] Big Fish - La Clef

[PDF] big girls boogie

[PDF] Big Helga - Michael Bethke

[PDF] Big Hit Collection : Goal

[PDF] BIG HOUSE COTIGNAC WITH DETACHABLE PLOT - Anciens Et Réunions

[PDF] Big is beautiful - douze ans d`acquisitions de grands

[PDF] BIG JIM

[PDF] BIG JIM - Keli France

[PDF] Big list_EN - 1865 – 2015 : La vallée de Chamonix fête les 150 ans

[PDF] Big Lottery New Beg Flyer 2.pub - Faire Du Bénévolat

[PDF] Big Mamou - CowCountry Rangers - Anciens Et Réunions

[PDF] Big Mamou - Western country - Anciens Et Réunions