Descripteur
Termes IGN > informatique > intelligence artificielle > ingénierie des connaissances > découverte de connaissances
découverte de connaissancesSynonyme(s)extraction du savoir extraction de connaissancesVoir aussi |
Documents disponibles dans cette catégorie (271)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Titre : Co-visualization of air temperature and urban data for visual exploration Type de document : Article/Communication Auteurs : Jacques Gautier , Auteur ; Mathieu Brédif , Auteur ; Sidonie Christophe , Auteur Editeur : New-York : IEEE Computer society Année de publication : 2020 Projets : URCLIM / Masson, Valéry Conférence : IEEE VIS 2020, (VAST, INFOVIS, SCIVIS), premier forum for advances in visualization and visual analytics 25/10/2020 30/10/2020 en ligne vers VIS.org Importance : 5 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Termes IGN] analyse géovisuelle
[Termes IGN] distribution spatiale
[Termes IGN] exploration de données géographiques
[Termes IGN] ilot thermique urbain
[Termes IGN] modèle 3D de l'espace urbain
[Termes IGN] morphologie urbaine
[Termes IGN] rendu (géovisualisation)
[Termes IGN] représentation graphique
[Termes IGN] température de l'air
[Termes IGN] visualisation 3D
[Vedettes matières IGN] GéovisualisationRésumé : (auteur) Urban climate data remain complex to analyze regarding their spatial distribution. The co-visualization of simulated air temperature into urban models could help experts to analyze horizontal and vertical spatial distributions. We design a co-visualization framework enabling simulated air temperature data exploration, based on the graphic representation of three types of geometric proxies, and their co-visualization with a 3D urban model with various possible rendering styles. Through this framework, we aim at allowing meteorological researchers to visually analyze and interpret the relationships between simulated air temperature data and urban morphology. Numéro de notice : C2020-005 Affiliation des auteurs : UGE-LASTIG (2020- ) Autre URL associée : VIS 2020 Thématique : GEOMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/VIS47514.2020.00021 Date de publication en ligne : 01/02/2021 En ligne : https://doi.org/10.1109/VIS47514.2020.00021 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96161 Documents numériques
en open access
Co-visualization... - pdf auteur -Adobe Acrobat PDF Extraction de connaissances pour la description de l'environnement maritime côtier à partir de textes d'aide à la navigation / Léa Lamotte in Revue des Nouvelles Technologies de l'Information, E.36 (2020)
[article]
Titre : Extraction de connaissances pour la description de l'environnement maritime côtier à partir de textes d'aide à la navigation Type de document : Article/Communication Auteurs : Léa Lamotte, Auteur ; Nathalie Abadie , Auteur ; Eric Saux, Auteur ; Eric Kergosien, Auteur Année de publication : 2020 Projets : 2-Pas d'info accessible - article non ouvert / Masson, Valéry Conférence : EGC 2020, 20e conférence internationale francophone Extraction et Gestion des Connaissances 27/01/2020 31/01/2020 Bruxelles Belgique vers VIS.org Article en page(s) : pp 341 - 348 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] découverte de connaissances
[Termes IGN] exploration de texte
[Termes IGN] information géographique
[Termes IGN] littoral
[Termes IGN] traitement du langage naturelRésumé : (auteur) Les référentiels de données géoréférencées sont de plus en plus utilisés pour permettre l'annotation spatiale de documents textuels et ainsi faciliter l'accès à leur contenu, voire son analyse spatiale. En revanche, peu de travaux se sont intéressés à l'extraction d'information géographique à partir de textes pour alimenter de tels référentiels. Le travail présenté dans cet article explore les potentialités de l'extraction d'information spatiale indirecte (noms de lieux, relations spatiales, etc.) dans les textes des Instructions Nautiques produites par le Service Hydrographique et Océanographique de la Marine (SHOM). La méthode proposée combine une approche lexicale et une approche à base de patrons linguistiques, puis est comparée aux principales approches d'extraction d'information géographique en français. Numéro de notice : A2020-571 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96012
in Revue des Nouvelles Technologies de l'Information > E.36 (2020) . - pp 341 - 348[article]
Titre : Knowledge graphs and big data processing Type de document : Monographie Auteurs : Valentina Janev, Éditeur scientifique ; Damien Graux, Éditeur scientifique ; Hajira Jabeen, Éditeur scientifique ; Emanuel Sallinger, Éditeur scientifique Editeur : Berlin, Heidelberg, Vienne, New York, ... : Springer Année de publication : 2020 Importance : 307 p. Format : 17 x 25 cm ISBN/ISSN/EAN : 978-3-030-53199-7 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Systèmes d'information
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] données massives
[Termes IGN] écosystème
[Termes IGN] énergie
[Termes IGN] exploration de données
[Termes IGN] ingénierie des connaissances
[Termes IGN] intelligence artificielle
[Termes IGN] réseau sémantique
[Termes IGN] segmentation sémantique
[Termes IGN] système à base de connaissancesRésumé : (éditeur) This open access book is part of the LAMBDA Project (Learning, Applying, Multiplying Big Data Analytics), funded by the European Union, GA No. 809965. Data Analytics involves applying algorithmic processes to derive insights. Nowadays it is used in many industries to allow organizations and companies to make better decisions as well as to verify or disprove existing theories or models. The term data analytics is often used interchangeably with intelligence, statistics, reasoning, data mining, knowledge discovery, and others. The goal of this book is to introduce some of the definitions, methods, tools, frameworks, and solutions for big data processing, starting from the process of information extraction and knowledge representation, via knowledge processing and analytics to visualization, sense-making, and practical applications. Each chapter in this book addresses some pertinent aspect of the data processing chain, with a specific focus on understanding Enterprise Knowledge Graphs, Semantic Big Data Architectures, and Smart Data Analytics solutions. This book is addressed to graduate students from technical disciplines, to professional audiences following continuous education short courses, and to researchers from diverse areas following self-study courses. Basic skills in computer science, mathematics, and statistics are required. Note de contenu : 1- Ecosystem of big data
2- Knowledge graphs: The layered perspective
3- Big data outlook, tools, and architectures
4- Creation of knowledge graphs
5- Federated query processing
6- Reasoning in knowledge graphs: An embeddings spotlight
7- Scalable knowledge graph processing using SANSA
8- Context-based entity matching for big data
9- Survey on big data applications
10- Case study from the energy domain
11-Numéro de notice : 25928 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE/SOCIETE NUMERIQUE Nature : Monographie DOI : 10.1007/978-3-030-53199-7 En ligne : https://doi.org/10.1007/978-3-030-53199-7 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96189 La modélisation en géographie / Denise Pumain (2020)
Titre : La modélisation en géographie : villes et territoires Type de document : Monographie Auteurs : Denise Pumain, Éditeur scientifique Editeur : Londres : ISTE Editions Année de publication : 2020 Collection : Méthodologies de modélisation en sciences sociales num. 2 Importance : 246 p. ISBN/ISSN/EAN : 978-1-78405-672-8 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] conception cartographique
[Termes IGN] échelle géographique
[Termes IGN] exploration de données géographiques
[Termes IGN] modèle de simulation
[Termes IGN] modélisation spatiale
[Termes IGN] représentation cartographique
[Termes IGN] territoire
[Termes IGN] ville
[Termes IGN] visualisation dynamiqueIndex. décimale : 37.20 Analyse spatiale et ses outils Résumé : (Editeur) La modélisation des villes et des territoires a beaucoup progressé depuis 20 ans grâce aux systèmes d’information géographique, à la mise à disposition sur Internet de grandes masses de données géolocalisées, et à la montée en performance des méthodes informatiques pour la simulation et l’exploration des modèles dynamiques. La modélisation en géographie explique les différentes étapes de la construction de ces modèles, depuis leurs bases conceptuelles jusqu’à leurs utilisations pratiques, permettant de mieux comprendre les formes d’organisation et les processus de l’évolution des villes et territoires. Cet ouvrage rend ainsi accessibles les fondements théoriques de la construction et les délicates opérations de la sélection d’un modèle, les applications des fractales et des lois d’échelle à la connaissance de la morphologie des villes et l’organisation des transports urbains. Il présente en détail des méthodes inédites de construction et d’exploration des modèles et de visualisation des données et des résultats. Note de contenu : 1. La complexité en géographie
2. Choisir des modèles pour expliquer les dynamiques des villes et des territoires
3. Effets de la distance et dépendance d’échelles dans les modèles géographiques de villes et de territoires
4. Modélisation territoriale incrémentale
5. Méthodes d’exploration des modèles de simulation
6. Visualiser les modèlesNuméro de notice : 26337 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Monographie Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95353 ContientRéservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 26337-01 37.20 Livre Centre de documentation Géomatique Disponible
Titre : Representation learning for natural language processing Type de document : Monographie Auteurs : Zhiyuan Liu, Éditeur scientifique ; Yankai Lin, Éditeur scientifique ; Maosong Sun, Éditeur scientifique Editeur : Berlin, Heidelberg, Vienne, New York, ... : Springer Année de publication : 2020 Importance : 334 p. ISBN/ISSN/EAN : 978-981-1555732-- Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] apprentissage profond
[Termes IGN] données massives
[Termes IGN] exploration de données
[Termes IGN] représentation des connaissances
[Termes IGN] réseau neuronal convolutif
[Termes IGN] réseau sémantique
[Termes IGN] traitement du langage naturelRésumé : (Editeur) This open access book provides an overview of the recent advances in representation learning theory, algorithms and applications for natural language processing (NLP). It is divided into three parts. Part I presents the representation learning techniques for multiple language entries, including words, phrases, sentences and documents. Part II then introduces the representation techniques for those objects that are closely related to NLP, including entity-based world knowledge, sememe-based linguistic knowledge, networks, and cross-modal entries. Lastly, Part III provides open resource tools for representation learning techniques, and discusses the remaining challenges and future research directions. The theories and algorithms of representation learning presented can also benefit other related domains such as machine learning, social network analysis, semantic Web, information retrieval, data mining and computational biology. This book is intended for advanced undergraduate and graduate students, post-doctoral fellows, researchers, lecturers, and industrial engineers, as well as anyone interested in representation learning and natural language processing. Note de contenu :
1. Representation Learning and NLP
1.1 Motivation
1.2 Why Representation Learning Is Important for NLP
1.3 Basic Ideas of Representation Learning
1.4 Development of Representation Learning for NLP
1.5 Learning Approaches to Representation Learning for NLP
1.6 Applications of Representation Learning for NLP
1.7 The Organization of This Book
2. Word Representation
2.1 Introduction
2.2 One-Hot Word Representation
2.3 Distributed Word Representation
2.4 Contextualized Word Representation
2.5 Extensions
2.6 Evaluation
3. Compositional Semantics
3.1 Introduction
3.2 Semantic Space
3.3 Binary Composition
3.4 N-Ary Composition
4. Sentence Representation
4.1 Introduction
4.2 One-Hot Sentence Representation
4.3 Probabilistic Language Model
4.4 Neural Language Model
4.5 Applications
5. Document Representation
5.1 Introduction
5.2 One-Hot Document Representation
5.3 Topic Model
5.4 Distributed Document Representation
5.5 Applications
6. Sememe Knowledge Representation
6.1 Introduction
6.2 Sememe Knowledge Representation
6.3 Applications
7. World Knowledge Representation
7.1 Introduction
7.2 Knowledge Graph Representation
7.3 Multisource Knowledge Graph Representation
7.4 Applications
8. Network Representation
8.1 Introduction
8.2 Network Representation
8.3 Graph Neural Networks
9. Cross-Modal Representation
9.1 Introduction
9.2 Cross-Modal Representation
9.3 Image Captioning
9.4 Visual Relationship Detection
9.5 Visual Question Answering
10. Resources
10.1 Open-Source Frameworks for Deep Learning
10.2 Open Resources for Word Representation
10.3 Open Resources for Knowledge Graph Representation
10.4 Open Resources for Network Representation
10.5 Open Resources for Relation Extraction
11. OutlookNuméro de notice : 26515 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Recueil / ouvrage collectif DOI : 10.1007/978-981-15-5573-2 En ligne : http://doi.org/10.1007/978-981-15-5573-2 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97296 PermalinkPermalinkAnalysis of collaboration networks in OpenStreetMap through weighted social multigraph mining / Quy Thy Truong in International journal of geographical information science IJGIS, vol 33 n° 7 - 8 (July - August 2019)PermalinkChamps et objets pour mieux représenter les phénomènes dans leur contexte géographique / Anne Ruas in Revue internationale de géomatique, vol 29 n° 2 (avril - juin 2019)PermalinkCarSenToGram: geovisual text analytics for exploring spatiotemporal variation in public discourse on Twitter / Caglar Koylu in Cartography and Geographic Information Science, Vol 46 n° 1 (January 2019)PermalinkChallenging deep image descriptors for retrieval in heterogeneous iconographic collections / Dimitri Gominski (2019)PermalinkConception et évaluation de techniques d'interaction non-visuelle basées sur un dispositif personnel / Sandra Bardot (2019)PermalinkSeeing the past with computers: Experiments with augmented reality and computer vision for history / Kevin Kee (2019)PermalinkA hybrid ensemble learning method for tourist route recommendations based on geo-tagged social networks / Lin Wan in International journal of geographical information science IJGIS, vol 32 n° 11-12 (November - December 2018)PermalinkNRand‐K : Minimizing the impact of location obfuscation in spatial analysis / Mayra Zurbaran in Transactions in GIS, vol 22 n° 5 (October 2018)Permalink