SlideShare une entreprise Scribd logo
1  sur  4
Évaluation Big Data &
Open Data
LES RÈGLES DE L’ÉVALUATION
Le contexte
 Travail personnel à effectuer d’ici le 15 avril
 Par binôme ou trinôme (à constituer d’ici le 20 janvier au plus tard)
 Livrables attendus
 Une présentation écrite (Powerpoint, carte cognitive, …)
 Une présentation orale de 5 à 7 minutes
 Aucun rapport n’est attendu
 État d’esprit
 Vous faites un travail de recherche sur des données
 Vous le présentez à un supérieur hiérarchique (comme dans le monde réel)
2
Le travail à faire
 Choisir – au moins - deux jeux de données Open Data
 L’explorer
 Bâtir une analyse sur une hypothèse qui vous est propre
 Exemple : à partir des données Covid chercher à valider l‘efficacité du couvre-
feu
 C’est un mauvais exemple, un seul jeu de données
 Cette hypothèse pourra être validée ou réfutée
 Vous utilisez au maximum les méthodes vues en cours pour cela
 Vous préparez une présentation qui va « vendre » votre hypothèse
3
Construction des attendus
Quels sont les critères d’acceptation/ de notation de la présentation ?
 Présenter les jeux de données utilisés / des sources
 Présenter les hypothèses
 Présenter la/les méthodes utilisées pour valider/réfuter cette hypothèse
 Présenter les résultats sous forme
 Synthétique
 Graphique
 Le rendu peut se faire en français ou en anglais, au choix
4

Contenu connexe

Plus de Patrick Bury

09 big data mapreduce
09 big data mapreduce09 big data mapreduce
09 big data mapreducePatrick Bury
 
06 cloud souverain
06 cloud souverain06 cloud souverain
06 cloud souverainPatrick Bury
 
05 creation instance ovh
05 creation instance ovh05 creation instance ovh
05 creation instance ovhPatrick Bury
 
04 big data fournisseurs
04 big data fournisseurs04 big data fournisseurs
04 big data fournisseursPatrick Bury
 
03 big data stockage
03 big data stockage03 big data stockage
03 big data stockagePatrick Bury
 
03 big data échelle
03 big data échelle03 big data échelle
03 big data échellePatrick Bury
 
02 big data definition
02 big data definition02 big data definition
02 big data definitionPatrick Bury
 
01 big data introduction
01 big data introduction01 big data introduction
01 big data introductionPatrick Bury
 
16 graph databases
16 graph databases16 graph databases
16 graph databasesPatrick Bury
 
15 map reduce on azure
15 map reduce on azure15 map reduce on azure
15 map reduce on azurePatrick Bury
 
14 big data gitlab
14 big data gitlab14 big data gitlab
14 big data gitlabPatrick Bury
 
13 big data docker
13 big data docker13 big data docker
13 big data dockerPatrick Bury
 
10 big data hadoop
10 big data hadoop10 big data hadoop
10 big data hadoopPatrick Bury
 
09 big data mapreduce
09 big data mapreduce09 big data mapreduce
09 big data mapreducePatrick Bury
 
08 big data dataviz
08 big data dataviz08 big data dataviz
08 big data datavizPatrick Bury
 

Plus de Patrick Bury (20)

12 big data azure
12 big data azure12 big data azure
12 big data azure
 
09 big data mapreduce
09 big data mapreduce09 big data mapreduce
09 big data mapreduce
 
07 big data sgbd
07 big data sgbd07 big data sgbd
07 big data sgbd
 
06 cloud souverain
06 cloud souverain06 cloud souverain
06 cloud souverain
 
05 creation instance ovh
05 creation instance ovh05 creation instance ovh
05 creation instance ovh
 
04 big data fournisseurs
04 big data fournisseurs04 big data fournisseurs
04 big data fournisseurs
 
03 big data stockage
03 big data stockage03 big data stockage
03 big data stockage
 
03 big data échelle
03 big data échelle03 big data échelle
03 big data échelle
 
02 big data definition
02 big data definition02 big data definition
02 big data definition
 
01 open data
01 open data01 open data
01 open data
 
01 big data introduction
01 big data introduction01 big data introduction
01 big data introduction
 
16 graph databases
16 graph databases16 graph databases
16 graph databases
 
15 map reduce on azure
15 map reduce on azure15 map reduce on azure
15 map reduce on azure
 
14 big data gitlab
14 big data gitlab14 big data gitlab
14 big data gitlab
 
13 big data docker
13 big data docker13 big data docker
13 big data docker
 
12 big data azure
12 big data azure12 big data azure
12 big data azure
 
11 big data aws
11 big data aws11 big data aws
11 big data aws
 
10 big data hadoop
10 big data hadoop10 big data hadoop
10 big data hadoop
 
09 big data mapreduce
09 big data mapreduce09 big data mapreduce
09 big data mapreduce
 
08 big data dataviz
08 big data dataviz08 big data dataviz
08 big data dataviz
 

100 évaluation

  • 1. Évaluation Big Data & Open Data LES RÈGLES DE L’ÉVALUATION
  • 2. Le contexte  Travail personnel à effectuer d’ici le 15 avril  Par binôme ou trinôme (à constituer d’ici le 20 janvier au plus tard)  Livrables attendus  Une présentation écrite (Powerpoint, carte cognitive, …)  Une présentation orale de 5 à 7 minutes  Aucun rapport n’est attendu  État d’esprit  Vous faites un travail de recherche sur des données  Vous le présentez à un supérieur hiérarchique (comme dans le monde réel) 2
  • 3. Le travail à faire  Choisir – au moins - deux jeux de données Open Data  L’explorer  Bâtir une analyse sur une hypothèse qui vous est propre  Exemple : à partir des données Covid chercher à valider l‘efficacité du couvre- feu  C’est un mauvais exemple, un seul jeu de données  Cette hypothèse pourra être validée ou réfutée  Vous utilisez au maximum les méthodes vues en cours pour cela  Vous préparez une présentation qui va « vendre » votre hypothèse 3
  • 4. Construction des attendus Quels sont les critères d’acceptation/ de notation de la présentation ?  Présenter les jeux de données utilisés / des sources  Présenter les hypothèses  Présenter la/les méthodes utilisées pour valider/réfuter cette hypothèse  Présenter les résultats sous forme  Synthétique  Graphique  Le rendu peut se faire en français ou en anglais, au choix 4