KOD research group is structured around three main
research themes:
- data mining (association rule mining and clustering) and machine learning (probabilistic graphical models),
- knowledge engineering,
- knowledge visualization.
The transverse ambition of our research group is to improve the performance, in terms of complexity but
also "actionability" of mining and learning algorithms by integrating domain and/or user knowledge.
This integration is proposed via new coupling with knowledge models (ontologies) or via user interaction through adaptated and interactive visual supports.
News COD
-
BDA 2013 - Nantes, 22-25 Octobre 2013
Les thématiques de la conférence couvrent un large spectre de problèmes
liés au stockage, la représentation, l'interrogation, la protection et
l'intégration de données dans les applications personnelles,
administratives ...
Publié à 8 oct. 2013, 08:09 par Philippe Leray
-
Soutenances de thèse
Pas moins de 5 soutenances de thèse prévues d'ici la fin de l'année 2013 :Toader Gherasim30 septembre 2013, 14h, amphi 2, LINA Polytech site de la Chantrerie ...
Publié à 27 sept. 2013, 09:47 par Philippe Leray
-
Why data scientists are in demand and how they enable big data
Un article à lire sur Zdnet
Publié à 11 juil. 2013, 01:24 par Philippe Leray
-
IHM 2013 - Atelier Fouille visuelle de données temporelles - 12 nov. 2013
Page officielleL’objectif de cet atelier est de réunir autour des chercheurs de trois communautés
différentes : visualisation d’information, IHM et fouille de données.
L’accent sera mis sur ...
Publié à 23 juin 2013, 23:15 par Philippe Leray
-
Projet SAMOGWAS sélectionné par l'ANR (AAP Modèles Numériques)
Le projet SAMOGWAS, Modèles graphiques avancés pour les étudesd'association à l'échelle du génome, porté par Christine Sinoquet, a été sélectionné cette année dans l'appel Modèles Numériques ...
Publié à 14 juin 2013, 05:54 par Philippe Leray
| En bref
L’équipe COD est structurée autour de trois grandes
thématiques de recherche :
- la fouille de données (fouille de règles d’association et classification non supervisée) et l’apprentissage (modèles graphiques probabilistes),
- l’ingénierie des connaissances,
- la visualisation des connaissances.
L’ambition transversale de l’équipe est d’améliorer les performances -en terme de complexité mais
aussi ”d’actionnabilité”- des algorithmes de fouille et d’apprentissage en y intégrant des connaissances
du domaine et/ou des utilisateurs. Cette intégration s’effectue via un couplage avec des modèles de connaissances (ontologies) ou via une interaction avec l’utilisateur grâce à des supports visuels interactifs
adaptés.
|
|
