Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

Graph
Search

fr|en

Se Connecter

Concept

Jeu de données

Résumé

vignette|Représentation du jeu de données Iris sur ses quatre dimensions|420x420px Un jeu de données (en anglais dataset ou data set) est un ensemble de valeurs « organisées » ou « contextualisées » (alias « données »), où chaque valeur est associée à une variable (ou attribut) et à une observation. Une variable décrit l'ensemble des valeurs décrivant le même attribut et une observation contient l'ensemble des valeurs décrivant les attributs d'une unité (ou individu statistique). Structure d'un jeu de données Un jeu de données peut avoir une structure tabulaire, par exemple un fichier CSV, une structure d'arbre, comme dans un fichier JSON ou XML, ou encore une structure de graphe, comme dans le RDF. Lorsque les données sont tabulaires, en principe, chaque ligne correspond à une observation et chaque colonne à une variable. Typologie En statistiques et en économétrie, on distingue les séries temporelles (ou série chronologique) dans lesquel

Source officielle

https://fr.wikipedia.org/wiki/Jeu_de_donn%C3%A9es

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (100)

Chargement

Afficher plus

Publications associées

Chargement

Personnes associées (115)

Personnes associées

Chargement

Unités associées (53)

Unités associées

Chargement

Concepts associés (17)

Concepts associés

Chargement

Cours associés (60)

This course introduces the key concepts and algorithms from the areas of information retrieval, data mining and knowledge bases, which constitute the foundations of today's Web-based distributed information systems.

Students understand basic concepts and methods of machine learning. They can describe them in mathematical terms and can apply them to data using a high-level programming language (julia/python/R).

This course teaches the basic techniques, methodologies, and practical skills required to draw meaningful insights from a variety of data, with the help of the most acclaimed software tools in the data science world (pandas, scikit-learn, Spark, etc.)

Afficher plus

Cours associés

Chargement

Séances de cours associées (205)

Séances de cours associées

Chargement

Publications associées (100)

Quantification and Classification of Handprint-based Net Positive Resource Efficiency Measures in the Swiss Industry Sector

Florian Elias Landerer

The task of the master project is to analyse a data set with information of several hundred companies from Switzerland. The goal is to find in the Swiss industry sector a classification/typology for the nature of resource efficiency of innovating companies and comparing their impacts in Switzerland and abroad.

2018

Chargement

A multi-class framework for a pedestrian cell transmission model accounting for population heterogeneity

Guy Alexander Cooper

This work is an extension of PedCTM, an aggregate and transient cell transmission model for multidirectional pedestrian flows in which pedestrian characteristics are assumed to be homogeneous across the population considered. Critically, one fundamental diagram relating pedestrian speed and flow to local pedestrian density is employed across the entire population. This work extends the model to population heterogeneity with a multi-class approach wherein each sub-population is assigned its own characteristic fundamental diagram. The model presented requires the implementation of an update cycle to minimize numerical dis- persion of pedestrians across all classes. In addition, multi-class dynamics introduces an element of competition in determining the flow constraints of the various classes. A priority scheme is implemented that allows for static, dynamic and stochastic determination of flow priorities throughout the network over the course of simulation. An attempt was made to base the class-specific fundamental diagrams off of inference from a dataset related to the PedFlux collaboration. Ultimately, however, the implementation made use of the Kladek formula for the speed-density relation. Preliminary simulations and results are presented to serve as a proof of concept.

2014

Chargement

A Graph Signal Processing Framework for the Classification of Temporal Brain Data

Sarah Itani

Graph Signal Processing (GSP) addresses the analysis of data living on an irregular domain which can be modeled with a graph. This capability is of great interest for the study of brain connectomes. In this case, data lying on the nodes of the graph are considered as signals (e.g., fMRI time-series) that have a strong dependency on the graph topology (e.g., brain structural connectivity). In this paper, we adopt GSP tools to build features related to the frequency content of the signals. To make these features highly discriminative, we apply an extension of the Fukunaga-Koontz transform. We then use these new features to train a decision tree for the prediction of autism spectrum disorder. Interestingly, our framework outperforms state-of-the-art methods on the publicly available ABIDE dataset.

IEEE2020

Chargement

Afficher plus