Marc Plantevit

2012m2tp2

Anonymous (anonymous@undisclosed.example.com) — 2012-11-05T07:04:46+00:00

TP2: Découverte de discriminations dans une base de données L'objectif de ce TP est de, via l'utilisation de l'API weka (règles d'association) ou de solveur ad-hoc (motifs graduels), de développer une méthode de détection de discriminations (traitements inégaux de personnes d'un sous-ensemble particulier de personnes, e.g., femmes) dans un jeu données.

2012m2tp3

Anonymous (anonymous@undisclosed.example.com) — 2012-11-18T20:38:05+00:00

TP3 : Mise en oeuvre du processus KDD sur un problème réel Vous allez mettre en oeuvre les techniques (et d'autres) que vous avez vues dans les précédents TPs sur des problèmes réels. Deux choix sont possibles : * Choisir un problème sur

collaborations

Anonymous (anonymous@undisclosed.example.com) — 2013-11-12T06:46:15+00:00

Ongoing Projects: ANR-11-Cosinus FOSTER * ANR-11-Cosinus FOSTER * Spatio-temporal data mining: application to the understanding and monitoring of soil erosion * With computer scientists of the LIRIS, LSIIT, LISTIC and PPME (coordinator) laboratories, specialists in data mining and image processing, Geologists of the PPME and IPGS laboratories, with a strong knowledge in soil erosion mechanisms, Bluecham Company, specialist in decision support systems.

data_sets

Anonymous (anonymous@undisclosed.example.com) — 2013-10-15T07:03:25+00:00

Static Attributed Graphs Co-authorship network This data set depicts a co-authorship graph built from the DBLP digital library. Each vertex represents an author who published at least one paper in one of the major conferences and journals of the Data Mining and Database communities between January 1990 and February 2011. Each edge links two authors who co-authored at least one paper (no matter the conference or journal). The vertex properties are the number of publications in each of the 29…

dm_2016

Anonymous (anonymous@undisclosed.example.com) — 2016-12-22T09:41:49+00:00

Data Mining Généralités * Licence 3, semestre d'Automne. * Volume horaire : 20h CM + 22h TD + 18h TP Intervenants * CMs (début le 08/09/2016) : Fabien de Marchi et Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr) * TDs (début le 13/09/2016) : Roland Kotto-Kombi,

dm_ds_2017

Anonymous (anonymous@undisclosed.example.com) — 2018-11-19T08:45:15+00:00

Data Mining Généralités * Master 2 Data Science, semestre d'Automne. Intervenants * CMs (début le 24/09/2018) : Fabien de Marchi et Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr) Emplois du Temps L'emploi du temps de chaque groupe est disponible sur ADE.

dm_ds_2019

Anonymous (anonymous@undisclosed.example.com) — 2019-11-25T06:09:26+00:00

Data Mining Généralités * Master 2 Data Science, semestre d'Automne. Intervenants * CMs (début le 23/09/2019) : Fabien de Marchi et Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr) Emplois du Temps L'emploi du temps de chaque groupe est disponible sur ADE.

dm_ds_2020

Anonymous (anonymous@undisclosed.example.com) — 2020-11-29T14:12:11+00:00

Data Mining Généralités * Master 2 Informatique, parcours Data Science, semestre d'Automne. Intervenants * CMs (début le 08/09/2018) : Fabien de Marchi et Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr) Emplois du Temps L'emploi du temps de chaque groupe est disponible sur ADE.

dm_tiw_2017

Anonymous (anonymous@undisclosed.example.com) — 2017-12-04T09:34:10+00:00

Data Mining Généralités * Master 2 Technologie de l'Information et du Web, semestre d'Automne. Intervenants * CMs (début le 08/09/2016) : Fabien de Marchi et Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr) Emplois du Temps L'emploi du temps de chaque groupe est disponible sur ADE.

dm_tiw_2018

Anonymous (anonymous@undisclosed.example.com) — 2019-01-29T09:52:05+00:00

Découverte de Connaissances dans les Données (DCD) Généralités * Master 2 Technologie de l'Information et du Web, semestre d'Automne. Intervenants * CMs (début le 08/09/2018) : Fabien de Marchi et Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr) Emplois du Temps

dm_tiw_2019

Anonymous (anonymous@undisclosed.example.com) — 2019-12-02T11:37:50+00:00

dm_tiw_2020

Anonymous (anonymous@undisclosed.example.com) — 2021-03-08T07:48:09+00:00

graph_distances

Anonymous (anonymous@undisclosed.example.com) — 2020-11-25T16:09:29+00:00

Comparaison des méthodes d'apprentissage profond de similarité entre graphes Thèmes : Machine Learning, IA, Graphes, Deep Learning Encadrant(s) : Marc Plantevit Laboratoire : LIRIS Equipe : DM2L Contexte et Objectif Dans de nombreux domaines où les données sont représentées sous forme de graphes, l'apprentissage d'une métrique de similarité entre les graphes est considéré comme un problème clé qui peut faciliter davantage diverses tâches d'apprentissage, telles que la classification, le cl…

graph_metric_learning

Anonymous (anonymous@undisclosed.example.com) — 2020-11-25T15:59:19+00:00

Apprentissage de métriques interprétables entre graphes Thèmes : Machine Learning, IA, Data Mining, graphe, metric learning, optimisation convexe, enumération de sous-graphes Encadrant(s) : Marc Plantevit Laboratoire : LIRIS Equipe : DM2L Contexte et Objectif

hdr

Anonymous (anonymous@undisclosed.example.com) — 2018-12-15T21:54:01+00:00

Habilitation à Diriger des Recherches In this Habilitation à Diriger des Recherches, I present the main results I have contributed to in the areas pattern mining in augmented graphs. ---------- Materials: * The report is available here:

lif10_2013

Anonymous (anonymous@undisclosed.example.com) — 2014-09-04T14:28:20+00:00

LIF10 2012-2013 automne : Fondements des bases de données Généralités * Licence 3, semestre d'Automne. * Volume horaire : 20h CM + 22h TD + 18h TP Prochain CC : CC3 le 10/12/2013 (séance de TD) Emplois du Temps L'emploi du temps de chaque groupe est disponible sur ADE.

lif10_2014a

Anonymous (anonymous@undisclosed.example.com) — 2015-02-26T05:05:48+00:00

LIF10 2014-2015 automne : Fondements des bases de données Généralités * Licence 3, semestre d'Automne. * Volume horaire : 20h CM + 22h TD + 18h TP Intervenants * CMs (début le 09/09/2014) : Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr) + Emmanuel Coquery (Intervention

lif10_2016a

Anonymous (anonymous@undisclosed.example.com) — 2016-12-01T14:50:08+00:00

LIFBDW2 2016-2017 automne : Base de données avancées Généralités * Licence 3, semestre d'Automne. * Volume horaire : 20h CM + 22h TD + 18h TP Intervenants * CMs (début le 08/09/2016) : Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr) + Emmanuel Coquery (Intervention

lifbdw2_2017a

Anonymous (anonymous@undisclosed.example.com) — 2017-12-01T08:40:48+00:00

LIFBDW2 2017-2018 Automne : Bases de données avancées Généralités * Licence 3, semestre d'Automne. * Volume horaire : 20h CM + 22h TD + 18h TP Intervenants * CMs (début le 08/09/2017) : Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr)

lifbdw2_2018a

Anonymous (anonymous@undisclosed.example.com) — 2018-12-06T12:19:36+00:00

LIFBDW2 2018-2019 Automne : Bases de données avancées Généralités * Licence 3, semestre d'Automne. * Volume horaire : 20h CM + 22h TD + 18h TP Intervenants * CMs (début le 11/09/2018) : Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr)

lifbdw2_2019a

Anonymous (anonymous@undisclosed.example.com) — 2019-12-11T14:56:02+00:00

LIFBDW2 2019-2020 Automne : Bases de données avancées Généralités * Licence 3, semestre d'Automne. * Volume horaire : 20h CM + 22h TD + 18h TP Intervenants * CMs (début le 10/09/2019) : Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr)

lifbdw2_2020a

Anonymous (anonymous@undisclosed.example.com) — 2020-12-02T14:39:40+00:00

LIFBDW2 2020-2021 Automne : Bases de données avancées Généralités * Licence 3, semestre d'Automne. * Volume horaire : 20h CM + 22h TD + 18h TP Intervenants * CMs (début le 08/09/2020) : Marc Plantevit (marc(dot)plantevit[at]univ-lyon1.fr)

m1ens2016_project

Anonymous (anonymous@undisclosed.example.com) — 2016-04-20T08:41:42+00:00

M1ENS -- DBDM -- DM Project The goal of this project is to apply the concepts and the technologies previously seen. To this end, you have to choose a public (or personal) data set that has to be validated. On the considered dataset, you have to either bring some insights according to an already given task (e.g., classification task) or define your self the general aims and discover some knowledge from the data (produce added value from the data). To this end, you can use any data mining/ma…

m1ens2017_project

Anonymous (anonymous@undisclosed.example.com) — 2017-05-10T17:59:25+00:00

M1ENS -- DBDM -- DM Project The goal of this project is to apply the concepts and the technologies previously seen. To this end, you have to choose one of the following datasets. On the considered dataset, you have to either bring some insights according to an already given task or combination of tasks (e.g., clustering, pattern mining ) or define yourself the general aims and discover some knowledge from the data (produce added value from the data). To this end, you can use any data mini…

m2dm12_13

Anonymous (anonymous@undisclosed.example.com) — 2012-11-18T20:14:10+00:00

Fouille de Données M2TI -- 2012/2013 Concepts Abordés * Processus ECD (KDD). * Itemsets, Règles d'association, Apriori. * Classes de contraintes (montones, anti-monotones, convertibles AM/M, etc.). * Fouille de séquences (approches générer/élaguer et Pattern-growth, contraintes spécifiques aux séquences).

ml4neuro

Anonymous (anonymous@undisclosed.example.com) — 2020-12-03T15:23:41+00:00

Annotation semi-automatique de phrases issues d'expériences en Neurosciences Thèmes : Natural Language Processing, Text Mining, Encadrant(s) : Marc Plantevit, Maëlle Moranges, Ludovic Moncla, Jacques Fize Laboratoire : LIRIS Equipe : DM2L Contexte et Objectif

obb

Anonymous (anonymous@undisclosed.example.com) — 2020-11-26T09:39:02+00:00

Open the black box: exploration de réseaux de neurones à l'aide de règles robustes Thèmes : XAI, Machine Learning, Data Mining, Deep Learning Encadrant(s) : Marc Plantevit Laboratoire : LIRIS Equipe : DM2L Contexte et Objectif Les réseaux de neurones profonds (DNN) offrent dans bien des contextes applicatifs les meilleures performances de l'état de l'art. Cependant de nombreuses questions restent largement éludées : Comment perçoivent-ils le monde (e.g., les données) ? Comment les neurone…

olfamining

Anonymous (anonymous@undisclosed.example.com) — 2015-01-19T10:20:21+00:00

OLFAMINING : Prédiction de la qualité des odeurs à partir de données moléculaires complexes L'objectif scientifique du projet est d'explorer certains verrous scientifiques dans l'extraction de connaissances dans des bases de données complexes et hétérogènes, en partant d'une application concrète dans le domaine des neurosciences.

others

Anonymous (anonymous@undisclosed.example.com) — 2021-10-26T16:28:40+00:00

Editorial Board Membership * Data Mining and Knowledge Discovery since March 2019 * Dami and Mach ECMLPKDD journal since 2016 Conference PC Membership * ECMLPKDD: 2022(JT), 2021, 2020, 2019, 2018, 2017, 2016, 2015, 2014, 2013, 2012 * SIAM DM: 2022, 2021, 2020, 2019, 2018, 2017

pom

Anonymous (anonymous@undisclosed.example.com) — 2019-04-17T07:45:28+00:00

M1-IF Projet d'Orientation en Master 2 (MIF11) Objectif L'objectif de cette UE est guider les étudiants dans leurs choix professionnels, qui commencent, pour les étudiants de M1, par le choix de leur futur M2 et bien souvent par le choix d’une orientation entre industrie ou recherche.

pom18antichaine

Anonymous (anonymous@undisclosed.example.com) — 2018-10-25T11:01:39+00:00

Analyse et visualisation de données hiérarchiques (décrivant des phénomènes réels) Thèmes : fouille de données (data mining), apprentissage statistique (machine learning), problème d'énumération, big data, data science Encadrant(s) :

pom18cosmicredundancy

Anonymous (anonymous@undisclosed.example.com) — 2018-10-24T15:02:27+00:00

Analyse de trajectoires à l'aide de graphes attribués : réduction de la redondance de la sortie des algorithmes Thèmes : Machine Learning, Data Mining, Analyse de graphes, Mobilité Encadrant(s) : Marc Plantevit Laboratoire : LIRIS Equipe :

pom18cosmicsampling

Anonymous (anonymous@undisclosed.example.com) — 2018-10-24T15:03:23+00:00

Analyse de trajectoires à l'aide de graphes attribués : vers un algorithme d'échantillonnage de sous-graphes exceptionnels Thèmes : Machine Learning, Data Mining, Analyse de graphes, Mobilité, Echantillonnage (e.g., Metropolis-Hasting)

pom18recsys

Anonymous (anonymous@undisclosed.example.com) — 2020-11-25T15:06:03+00:00

XRecSys : Explicabilité des systèmes de recommandation Thèmes : Machine Learning, Data Mining, Système de recommandation, Sequence embedding, Deep Neural Networks, Explainable Artificial Intelligence Encadrant(s) : Marc Plantevit Laboratoire :

pom18sampling

Anonymous (anonymous@undisclosed.example.com) — 2018-10-24T14:54:05+00:00

Implémentation et comparaison d'algorithmes d'échantillonnage de motifs Thèmes : fouille de données (data mining), apprentissage statistique (machine learning), problème d'énumération, big data, data science Encadrant(s) : Marc Plantevit, Anes Bendimerad, Adnene Belfodil

pom18vote

Anonymous (anonymous@undisclosed.example.com) — 2018-10-24T15:31:52+00:00

Analyse et visualisation des votes du parlement européen Thèmes : fouille de données (data mining), apprentissage statistique (machine learning), visualisation, big data, data science Encadrant(s) : Marc Plantevit, Adnene Belfodil Laboratoire :

pominteractif18

Anonymous (anonymous@undisclosed.example.com) — 2017-10-27T07:55:00+00:00

Fouille de données interactive * Thèmes : Fouille de données (data mining), Machine Learning, Visualisation, Apprentissage de préférences * Encadrant : Marc Plantevit * Laboratoire : LIRIS * Equipe : DM2L (Data Mining and Machine Learning) Résumé du projet Produire des connaissances à partir des données est désormais un objectif majeur chez les propriétaires des données. Toutefois, les méthodes de fouille de données ne sont pas adaptées pour traiter des mégadonnées puisqu'el…

pomparltrack

Anonymous (anonymous@undisclosed.example.com) — 2016-11-14T20:11:21+00:00

Plateforme d'analyse des votes du parlement européen Contexte En 2012 d'après l'INSEE, 78 % des personnes de plus de 15 ans habitant en France ont un accès internet chez eux. Dans ce contexte, les réseaux sociaux sur internet sont devenus un moyen de communication incontournable.

pomrec18

Anonymous (anonymous@undisclosed.example.com) — 2017-10-27T09:04:58+00:00

Systèmes de recommandation dans des contextes d'apprentissage * Thèmes : Fouille de données (data mining), Machine Learning, Recherche d'Information * Encadrant : Marc Plantevit, Céline Robardet * Laboratoire : LIRIS * Equipe : DM2L (Data Mining and Machine Learning) Description

pomseqemm16

Anonymous (anonymous@undisclosed.example.com) — 2016-11-02T06:57:00+00:00

Découverte de séquences exceptionnelles : vers une approche Exceptional Model Mining * Thèmes : Fouille de données (data mining), extraction de séquences, problèmes d'énumération, big data, data science. * Encadrant : Marc Plantevit

pomseqmcts18

Anonymous (anonymous@undisclosed.example.com) — 2017-10-19T06:47:00+00:00

Fouille de séquences par recherche arborescente de Monte Carlo * Thèmes : Fouille de données (data mining), extraction de séquences, problèmes d'énumération, Monte Carlo Tree Search (MCTS), big data, data science. * Encadrant : Marc Plantevit, Mehdi Kaytoue

pomseqsamp18

Anonymous (anonymous@undisclosed.example.com) — 2017-10-19T06:59:24+00:00

Echantillonnage direct de sequences * Thèmes : Fouille de données (data mining), extraction de séquences, problèmes d'énumération, échantillonnage, big data, data science. * Encadrant : Marc Plantevit, Mehdi Kaytoue * Laboratoire :

pomsequence

Anonymous (anonymous@undisclosed.example.com) — 2016-10-24T07:16:13+00:00

Heuristiques d'énumération pour la fouille de séquences * Thèmes : Fouille de données (data mining), extraction de séquences, problèmes d'énumération, big data, data science. * Encadrant : Marc Plantevit * Laboratoire : LIRIS * Equipe :

pomsport18

Anonymous (anonymous@undisclosed.example.com) — 2017-10-19T14:58:46+00:00

(Predictive / Descriptive) Sport Analytics * Thèmes : Fouille de données (data mining), Machine Learning. * Encadrant : Marc Plantevit * Laboratoire : LIRIS * Equipe : DM2L (Data Mining and Machine Learning) Contexte Dans les compétitions sportives, l'analyse de données joue désormais un rôle clé (voir par exemple, le film

pomtrajectory18

Anonymous (anonymous@undisclosed.example.com) — 2017-10-20T06:52:56+00:00

Analyse de trajectoires * Thèmes : Fouille de données (data mining), Machine Learning, time series, trajectoires * Encadrant : Marc Plantevit * Laboratoire : LIRIS * Equipe : DM2L (Data Mining and Machine Learning) Contexte Les progrès dans les techniques de localisation et d'informatique mobile ont généré des données de trajectoires spatiales massives, représentant la mobilité d'une diversité d'objets en mouvement, tels que des personnes, des véhicules et des animaux. De n…

preferencebasedpatternminingtutorial

Anonymous (anonymous@undisclosed.example.com) — 2016-09-16T13:32:15+00:00

Tutorial on Preference-based Pattern Mining Speakers The authors of the tutorial are, in alphabetical order, Bruno Crémilleux, Marc Plantevit and Arnaud Soulet. All have extensive experience in research on pattern mining and how to discover useful patterns.

prim

Anonymous (anonymous@undisclosed.example.com) — 2015-10-06T20:15:42+00:00

M1-IF Projet de Recherche (MIF20) Objectif L'objectif du projet de recherche est de confronter les étudiants au monde de la recherche après leur première expérience du monde de l'entreprise en fin de licence, ceci afin de permettre à ceux-ci un choix éclairé entre M2 recherche et M2 professionnel à l'issue du M1.

prim1314

Anonymous (anonymous@undisclosed.example.com) — 2013-10-15T13:03:45+00:00

Projet de Recherche : Sujets – Année 2013/2014 Caractérisation de qualité(s) d'odeurs via des approches de fouille de données Classification supervisée de qualités d'odeurs Découverte de motifs déclencheurs dans des graphes dynamiques : Application à la prédiction de nouveaux liens

prim1314olfamining1

Anonymous (anonymous@undisclosed.example.com) — 2013-10-16T15:17:25+00:00

Fouille de données olfactives Caractérisation de qualités d'odeurs Encadrants : Fabien de Marchi (Fabien(dot)deMarchi(-AT-)liris.cnrs.fr), Marc Plantevit (Marc(dot)Plantevit(-AT-)liris.cnrs.fr), et Mehdi Kaytoue (Mehdi(dot)Kaytoue(-AT-)liris.cnrs.fr)

prim1314olfamining2

Anonymous (anonymous@undisclosed.example.com) — 2013-10-17T06:45:11+00:00

Classification supervisée : Prédiction de qualités d'odeurs Encadrants : * Marc Plantevit * Fabien de Marchi * Mehdi Kaytoue Contexte Le centre de recherche en Neurosciences de Lyon (CRNL) a réalisé une collecte inédite d'informations concernant des qualités d'odeur perçues par l’Homme, chacune associée à une ou plusieurs molécules connues (propriétés physico-chimiques et structures géométriques).Un enjeu majeur (e.g. en parfumerie, alimentaire, …) est de développer des méthodes pou…

prim1314triggering

Anonymous (anonymous@undisclosed.example.com) — 2013-10-15T17:15:05+00:00

Fouille de graphes dynamiques attribués Des motifs pour expliquer les changements topologiques Encadrants : Marc Plantevit (Marc(dot)Plantevit(AT)liris.cnrs.fr) & Mehdi Kaytoue (Mehdi(dot)Kaytoue(AT)liris.cnrs.fr) Contexte On se place dans le cadre de l'étude des graphes attribués. Un réseau social est un exemple de graphe attribué, où les noeuds sont les individus, les attributs caractérisent ces individus (âge, nombre de messages,

prim1415escargot

Anonymous (anonymous@undisclosed.example.com) — 2014-10-24T16:28:32+00:00

Fouille interactive de trajectoires contextuelles * Thèmes : Fouille de données (data mining), analyse de grands graphes, interaction, aspect anytime, big data, data science. * Encadrant : Marc Plantevit, Albrecht Zimmermann, Mehdi Kaytoue, Céline Robardet

prim1415logs

Anonymous (anonymous@undisclosed.example.com) — 2014-11-03T08:24:18+00:00

Interrogation et analyse de logs * Thèmes : Fouille de données (data mining), extraction de séquences, analyse de logs , big data, data science. * Encadrant : Marc Plantevit, Céline Robardet * Laboratoire : LIRIS * Equipe : DM2L (Data Mining and Machine Learning) Contexte

prim1415sequence

Anonymous (anonymous@undisclosed.example.com) — 2014-10-24T06:40:26+00:00

prim1415tkde

Anonymous (anonymous@undisclosed.example.com) — 2014-10-24T07:35:39+00:00

Analyse Interactive de Graphes Attribués : applications à l'analyse de réseaux de co-auteurs * Thèmes : Fouille de données (data mining), fouille de graphes, interaction, réseaux sociaux, big data, data science. * Encadrant : Marc Plantevit

prim1415velov

Anonymous (anonymous@undisclosed.example.com) — 2014-11-03T11:23:41+00:00

Comparaisons de méthodes de data mining et de machine learning au travers de l'étude du système Velo'v * Thèmes : Fouille de données (data mining), apprentissage artificiel (machine learning), données spatio-temporelles, big data, data science.

prim1516gazouille_comm

Anonymous (anonymous@undisclosed.example.com) — 2015-10-29T06:38:16+00:00

Détection d'événements dans medias sociaux géolocalisés * Thèmes : Data mining, réseaux sociaux, big data, data science. * Encadrant : Marc Plantevit * Laboratoire : LIRIS * Equipe : DM2L (Data Mining and Machine Learning) Contexte Les réseaux sociaux (e.g., Twitter, Instagram,

prim1516gazouille_nosql

Anonymous (anonymous@undisclosed.example.com) — 2015-10-20T12:12:09+00:00

Intégration d'un moteur NoSQL dans une plateforme d'analyse de medias sociaux * Thèmes : BD, réseaux sociaux, big data, data science. * Encadrant : Marc Plantevit, Pierre Houdyer * Laboratoire : LIRIS * Equipe : DM2L (Data Mining and Machine Learning) Contexte Les réseaux sociaux (e.g., Twitter, Instagram,

prim1617cityminer

Anonymous (anonymous@undisclosed.example.com) — 2016-10-31T08:12:19+00:00

Caractérisation et recommandation de zones urbaines à partir de données sociales. Contexte Avec l’avènement des médias sociaux et des données ouvertes, il est important d’analyser ces données afin de décrire finement l’activité d’une ville (i.e., politique publique, SHS, …). Dans ce contexte, un algorithme CityMiner a été développé. S’appuyant sur une modélisation des données sous forme de graphes attribués, il permet de découvrir des zones urbaines exceptionnelles (i.e., des zones dont la …

prim1617twitter

Anonymous (anonymous@undisclosed.example.com) — 2016-10-31T07:49:01+00:00

Analyse de réseaux sociaux : vers une pensée intra-communautaire unique ? Contexte En 2012 d'après l'INSEE, 78 % des personnes de plus de 15 ans habitant en France ont un accès internet chez eux. Dans ce contexte, les réseaux sociaux sur internet sont devenus un moyen de communication incontournable.

projet_dcd_2020

Anonymous (anonymous@undisclosed.example.com) — 2020-11-29T14:13:54+00:00

Projet DCD L'objectif de ce projet est de mettre en oeuvre une approche complète de fouille de données depuis le prétraitement des données jusqu'à l'évaluation de la méthode de fouille. Vous pouvez utiliser l'outil Knime ou n'importe quel autre outil ou librairie (e.g., Scikit-learn, Weka, MOA, prototypes). Vous devez donc produire une chaîne de traitement mettant en jeu des algorithmes de fouille de données afin de produire de la valeur ajoutée sur les données étudiées. Il est également possi…

projet_dcd_alt_2020

Anonymous (anonymous@undisclosed.example.com) — 2021-03-08T08:16:24+00:00

projet_dm_2020

Anonymous (anonymous@undisclosed.example.com) — 2020-11-30T10:46:45+00:00

Projet Data Mining L'objectif de ce projet est de mettre en oeuvre une approche complète de fouille de données depuis le prétraitement des données jusqu'à l'évaluation de la méthode de fouille. Vous pouvez utiliser l'outil Knime ou n'importe quel autre outil ou librairie (e.g., Scikit-learn, Weka, MOA, prototypes). Vous devez donc produire une chaîne de traitement mettant en jeu des algorithmes de fouille de données afin de produire de la valeur ajoutée sur les données étudiées. Il est égaleme…

publications

Anonymous (anonymous@undisclosed.example.com) — 2020-10-04T16:14:35+00:00

Publications Due to copyright concerns, most of my papers are not available online. However, if you are interested by one of them, feel free to email me, I will send you a draft version and some slides. The complete list of my publications is avalaible on:

research

Anonymous (anonymous@undisclosed.example.com) — 2013-12-16T09:41:47+00:00

Research Interests: Data Mining My research is mainly devoted to data mining, especially to pattern mining. * Sequence mining; * Multidimensional data mining; * Graph mining; * Dynamic graph mining; * Attributed graph mining. ----------

sidebar

Anonymous (anonymous@undisclosed.example.com) — 2015-09-03T08:36:35+00:00

* start * Research * Teaching * Publications * Collaborations * Data Sets * Others Practical Information: Teaching: Bâtiment Nautibus 43, Bd du 11 Novembre 1918 69622 Villeurbanne Cedex. ☏: +33(0)472 43 16 35 email: marc.plantevit-at-univ-lyon1.fr Research: Bureau 501.319 Bâtiment Blaise Pascal

start

Anonymous (anonymous@undisclosed.example.com) — 2021-02-17T14:25:34+00:00

Latest news: * February 2021, starting a new 3-year term on the Editorial Board for Data Mining and Knowledge Discovery. * January 2021, our paper Explicit and implicit measures of emotions: Data-science might help to account for data complexity and heterogeneity

sujet_network

Anonymous (anonymous@undisclosed.example.com) — 2012-10-25T15:56:21+00:00

Découvertes d'Attributs Déclencheurs dans des Réseaux : Cas d'un Réseau de Co-citations Mots clés : Fouille de données (Data mining), analyse de réseaux, systèmes complexes, graphes (dynamiques attribués) Contexte et Objectifs

teaching

Anonymous (anonymous@undisclosed.example.com) — 2020-12-03T15:16:31+00:00

LIFBDW2 : Bases de Données Avancées * Licence 3, semestre d'Automne. * Page de l'UE MIF11 : Projet d'orientation en Master 2 (ex TER) L'objectif de cette UE est de guider les étudiants dans leurs choix professionnels, qui commencent, pour les étudiants de M1, par le choix de leur futur M2 et bien souvent par le choix d’une orientation entre industrie ou recherche. Cette UE obligatoire vaut 6 crédits et correspond à un travail personnel conséquent de la part de l'étudiant : de jan…

teddy

Anonymous (anonymous@undisclosed.example.com) — 2013-10-04T09:17:07+00:00

Temporal Dependency Discovery In Data Streams With Marian Scuturici (Database Team, LIRIS), Céline Robardet (DM2L Team, LIRIS) and Antoine Fraboulet (HiKoB). This work was partially funded by the LIRIS Project Stream Mining. TEDDY Algorithm

tiw2_2013_tp2

Anonymous (anonymous@undisclosed.example.com) — 2013-11-18T09:41:07+00:00

KNIME : Prise en main, conception et étude de Workflows KNIME (the Konstanz Information Miner) est une plateforme opensource qui intègre de nombreux composants de Fouille de données et d'apprentissage statistique grâce à des concepts modulaires de workflows. Une interface graphique permet ainsi d'assembler des noeuds pour

tiw2_2013_tp3

Anonymous (anonymous@undisclosed.example.com) — 2013-11-26T07:08:47+00:00

TIW2 : Fouille de Données -- TP3 L'objectif de ce TP est de mettre en application les concepts et les technologies vues précédemment. Pour cela, vous devez choisir deux jeux de données de votre choix parmi les liens suivants Sur les deux jeux de données choisis, vous devez soit apporter des éléments de réponses par rapport à des questionnements relatifs au jeu de données (contexte), soit trouver par vous même des connaissances intéressantes. Pour cela, vous pouvez utiliser n'importe quelle…

tiw2_2013_tp3m2r

Anonymous (anonymous@undisclosed.example.com) — 2013-11-27T06:15:38+00:00

Analyse d'articles scientifiques Certains sont plus longs que d'autres, ce qui ne veut nécessairement pas dire qu'ils sont plus accessibles. Vous pouvez rapidement récupérer les informations bibliographiques sur les articles sur . Le site peut vous être également utile.

tiw2_2014_tp2

Anonymous (anonymous@undisclosed.example.com) — 2014-11-17T06:01:27+00:00

tiw2_2014_tp3

Anonymous (anonymous@undisclosed.example.com) — 2014-11-27T12:49:49+00:00

TIW2 : Fouille de Données -- TP3 L'objectif de ce TP est de mettre en application les concepts et les technologies vues précédemment. Pour cela, vous devez choisir un jeu de données parmi les liens suivants Sur le jeu de données considéré, vous devez soit apporter des éléments de réponses par rapport à des questionnements relatifs au jeu de données (contexte), soit trouver par vous même des connaissances intéressantes (créer de la plus value à partir des données). Pour cela, vous pouvez …

tiw2_2015_tp2

Anonymous (anonymous@undisclosed.example.com) — 2015-11-16T06:03:12+00:00

tiw2_2015_tp3

Anonymous (anonymous@undisclosed.example.com) — 2015-12-14T20:35:09+00:00

tiw2_articles_2014

Anonymous (anonymous@undisclosed.example.com) — 2014-11-10T14:27:15+00:00

M2TIW2 : Etude d'article Certains sont plus longs que d'autres, ce qui ne veut nécessairement pas dire qu'ils sont plus accessibles. Vous pouvez rapidement récupérer les informations bibliographiques sur les articles sur . Le site peut vous être également utile.

tiw2_articles_2015

Anonymous (anonymous@undisclosed.example.com) — 2015-11-25T05:46:09+00:00

trigat

Anonymous (anonymous@undisclosed.example.com) — 2013-10-15T07:51:21+00:00

Triggering Patterns of Topology Changes in Dynamic Graphs Abstract To describe the dynamics taking place in networks that structurally change over time, we propose an approach to search for attributes whose value changes impact the topology of the graph. In several applications, it appears that the variations of a group of attributes are often followed by some structural changes in the graph that one may assume they generate. We formalize the triggering pattern discovery problem as a method jo…

web4repro

Anonymous (anonymous@undisclosed.example.com) — 2020-11-30T17:54:33+00:00

Création d'un site web pour le partage de donnéesscientifiques et l'analyse des méthodes sous-jacentes Thèmes : Data sharing, Web Development, Data visualization, Human-machine interfaces Encadrant(s) : Maëlle Moranges Laboratoire : CRNL / LIRIS