317 research outputs found
Code Flows: Visualizing Structural Evolution of Source Code
No full textUnderstanding detailed changes done to source code is of great importance in software maintenance. We present Code Flows, a method to visualize the evolution of source code geared to the understanding of fine and mid-level scale changes across several file versions. We enhance an existing visual metaphor to depict software structure changes with techniques that emphasize both following unchanged code as well as detecting and highlighting important events such as code drift, splits, merges, insertions and deletions. The method is illustrated with the analysis of a real-world C++ code system.
Manon-Lescaut : ouverture / D. F. E. Auber. Souvenir d'enfance / Robert Schumann. Brises d'orient. L'almée / Féli[ci]en David ; [arr. pour piano]
No full textTitre uniforme : Auber, Daniel-François-Esprit (1782-1871). Compositeur. [Manon Lescaut. AWV 45]. Extrait ; arr. pour pianoTitre uniforme : Schumann, Robert (1810-1856). Compositeur. [Kinderszenen. Op. 15]. ExtraitTitre uniforme : David, Félicien (1810-1876). Compositeur. [L'almée]Titre uniforme : Couperin, François (1668-1733). Compositeur. [Les moissonneurs]Titre uniforme : Heller, Stephen (1813-1888). Compositeur. [Eglogue. Piano (1845)]Titre uniforme : Chopin, Frédéric (1810-1849). Compositeur. [Nocturnes. Piano. CT 109. Mi bémol majeur]Titre uniforme : Mendelssohn Bartholdy, Felix (1809-1847). Compositeur. [Gondellied. Piano (1837). La majeur]Collection : Piano revueCollection : Piano revuePiano, Musique de -- +* 1800......- 1899......+:19e siècle:Piano, Musique de (musique
Auber (eig. Ober), Familie
No full textJacques (eig. Jakub Dawid; Jakob David, Jacob): * 8.5.1851 (1857?) Tarnow/Galizien (Tarnów/PL), † 11.9.1925 Wien. Geiger, Komponist, Musikpädagoge
Auber (eig. Ober), Familie
No full textJacques (eig. Jakub Dawid; Jakob David, Jacob): * 8.5.1851 (1857?) Tarnow/Galizien (Tarnów/PL), † 11.9.1925 Wien. Geiger, Komponist, Musikpädagoge
Gran Ballet del Marqués de Cuevas
No full textDe cada obra s'ha digitalitzat un programa sencer. De la resta s'han digitalitzat les parts que són diferents.Empresa: José F. ArquerOrquestra Simfònica del Gran Teatre del Liceu, director André Girard i Gustave CloezPrograma de la temporada de ballet de la primavera del 1956 amb el següent repertori: El molino encantado, amb música de Franz Schubert orquestrada per Gustave Cloez i coreografiada per David Lichine; Doña Inés de Castro, d'Ana Ricarda amb música de Joaquim Serra; Gran Paso a dos Clásico, amb música de Daniel Auber; El Ángel Gris, amb música de Claude Debussy i coreografia de George Skibine; El Príncipe Igor, amb música d'Aleksandr Borodin i coreografia de Mikhail Fokí
Les musiciens et la musique. Introduction par André Hallays.
No full textA selection of articles from the Journal des débats, 1835-1863. --- Introduction.--Mozart.--Cherubini.--Auber.--Lesueur.--Meyerbeer.--Herold.--Donizetti.--Halévy.--Bellini.--Adam.--Glinka.--Félicien David.--Ambroise Thomas.--Gounod.--Henry Litolff.--Offenbach.--Ernest Reyer.--Bizet
Tulip
No full textThis paper briefly presents some of the most important capabilities of a graph visualization software called Tulip1. This software has been developed in order to experiment tools such as clustering, graph drawing and metrics coloring for the purpose of information visualization. The main Tulip's characteristics are: a graph model which allows clustering with data sharing, and a general property evaluation mechanism that makes the most part of the software reusable and easily extendable. This software has been written in C++ and uses the Tulip graph library, the OpenGL library and the QT library [5]. The current version is fully usable and enables to visualize graphs with about 500.000 elements on a personal computer
Tulip : A huge graph visualisation framework
No full textInternational audienceThe research by the information visualization community (“Info Viz”) shows clearly that using a visual representation of data-sets enables faster analysis by the end users. Several scientific reasons explain these results. First of all, the visual perception system is the most powerful of all the human perception systems. In the human brain, 70% of the receptors and 40% of the cortex are used for the vision process [27,34]. Furthermore, human beings are better at “recognition” tasks than at “memorization” tasks [10]. This implies that textual representations are less efficient than visual metaphors when one wants to analyze huge data-sets. This comes from the fact that reading is both a memorization task and a recognition task
Visualization for the explanation of deep neural networks
No full textLa compréhension du monde qui nous entoure passe par l’observation et l’analyse des phénomènes qui le régissent. L’observation de ces phénomènes nécessite la collecte systématique de grandes quantités de données afin de construire des modèles représentatifs de la réalité. Finalement, les modèles sont utilisés pour extraire des connaissances et des propriétés sur l’objet d’étude. Plus les données sont complexes, plus il est difficile pour un humain de trouver des règles de traitement ou des concepts à extraire. C’est là que les algorithmes d’IA (par exemple, l’apprentissage automatique/ apprentissage profond) entrent en jeu. La performance supérieure de ces algorithmes n’étant plus à démontrer, ils sont largement utilisés dans les matières où une prise de décision est nécessaire. Outre l’empreinte écologique préoccupante de ces outils, l’aspect éthique est également en jeu. En effet, ces algorithmes sont souvent considérés comme des “boîtes noires”, prenant des décisions arbitraires sans justification. La question de la responsabilité, en cas de mauvaise décision, se pose. Il devient nécessaire de construire des systèmes permettant de comprendre le comportement (bon ou mauvais) de ces algorithmes afin d’améliorer la confiance que l’on peut accorder à leurs décisions. Ce problème a donné naissance à un champ de recherche appelé XAI (eXplainable AI), qui est actuellement en pleine expansion. Cette thèse rassemble plusieurs contributions permettant d’analyser à plusieurs échelles et sous plusieurs angles, le comportement de réseaux de neurones entraînés, à partir de visualisations à destination d’experts, mais également d’utilisateurs non-experts. Plus précisément, nous proposons deux manières complémentaires d’analyser le fonctionnement d’un réseau. La première s’intéresse à l’architecture d’un réseau de neurones et à ses composants. Le but de cette méthode est de montrer comment évolue la discrimination des classes tout au long du réseau, pour un problème de classification. La seconde manière étudie le fonctionnement d’un réseau du point de vue des données qu’il traite. A l’échelle de données individuelles, puis à l’échelle de groupes de données, une méthode de visualisation est proposée pour illustrer les caractéristiques des données incitant un réseau à aboutir à une prédiction plutôt qu’une autre. Ces méthodes sont également accompagnées d’une visualisation pour comparer les performances de modèles à une échelle fine : celle des classes.The understanding of the world that surrounds us requires the observation and analysis of the phenomena that govern it. The observation of these phenomena requires the systematic collection of large quantities of data to build models representative of the reality. Eventually, the models are used to extract knowledge and properties about the object of study. The more complex the data, the more difficult it becomes for a human to find processing rules or concepts to extract. This is where AI (e.g. machine / deep learning) algorithms come in to help. The superior performance of these algorithms being no longer in question, they are widely used in matters where decision making is required. In addition to the worrying ecological footprint of these tools, the ethical aspect is also at stake. Indeed, these algorithms are often considered as “black boxes”, making arbitrary decisions without justification. The question of responsability, in case of bad decision arises. It becomes necessary to build systems enabling to understand the behavior (either good or bad) of such algorithms in order to improve the trust we can put in their decisions. This problem has given rise to a field of research called XAI (eXplainable AI), which is currently in full expansion. This thesis brings together a number of contributions enabling us to analyze the behavior of trained neural networks at several scales and from several angles, based on visualizations intended for both experts and non-expert users. More specifically, we propose two complementary ways of analyzing how a network works. The first focuses on the architecture of a neural network and its components. The aim of this method is to show how class discrimination evolves throughout the network, for a classification problem. The second approach studies the operation of a network from the point of view of the data it processes. On the scale of individual data, then on the scale of groups of data, a visualization method is proposed to illustrate the characteristics of the data that lead a network to make one prediction rather than another. These methods are also accompanied by a visualization to compare the performance of models on a finer scale: that of classes
- …
