Web de données (RDF + Sparql)

  • Durée : 12h.
  • Horaires et dates : 9h30-12h30 les 13-19-27/01/2017 et le 02/02.
  • Lieu : salle informatique, Ecole nationale des chartes (ENC), 65 rue de Richelieu, Paris.
  • Enseignement : Gautier Poupeau (INA).
  • Inscription en ligne.

 

Le Web sémantique et sa place dans l’écosystème de la donnée

L’objectif de ce cycle est de donner aux étudiants les moyens de comprendre le fonctionnement des technologies du Web sémantique et leur place par rapport aux autres approches autour de la donnée (Big Data, Open Data, Data viz).

Il est découpé en trois parties :

  • L’écosystème de la donnée : présentation théorique des différentes approches de la donnée ;
  • Les technologies du Web sémantique : présentation théorique et exercices pratiques pour appréhender RDF, les ontologies, RDF/XML, SPARQL
  • Traiter les données : exercices pratiques avec les logiciels Dataiku et Talend Data Integration pour récupérer des données, les appréhender, les nettoyer, les relier, les stocker, les interroger.

Première partie : l’écosystème de la donnée

Séance 1 : 5 janvier 2017 (15h-18h)

Ce premier cours a pour objectif de présenter les principes généraux des différentes approches autour de la donnée (Big Data, Open Data, Linked Data, Data viz) et de les remettre en perspective les unes par rapport aux autres. Les problématiques techniques seront présentées à la lumière des aspects fonctionnels et informationnels.

  • En guise d’introduction : du document à la donnée
  • Data *
    • Stocker et traiter les données : Big Data
    • Mettre à disposition les données : Open Data
    • Permettre l’interopérabilité des données : Linked Data ou Web de données
    • Visualiser les données : Data Viz

Exercices pratiques :

    • classer des jeux de données mis à disposition sur le Web selon la typologie des « 5 étoiles » de Tim Berners-Lee
    • découverte en commun d’un jeu de données libre du domaine culturel

Deuxième partie : les technologies du Web sémantique

Les trois séances dédiées aux technologies du Web sémantique alterneront présentations théoriques et exercices pratiques. Elles ont pour objectif de donner aux étudiants les bases pour leur permettre de comprendre la place et le fonctionnement général des différentes technologies associées au Web sémantique. Elles sont organisées suivant l’idée que les technologies du Web sémantique constituent un « langage » pour les machines permettant de construire l’interopérabilité.

Séance 2 : 13 janvier 2017 (9h30 – 12h30)
      • L’architecture du Web et les caractéristiques du protocole HTTP
      • Place des URIs, syntaxe, principe de construction et problématique de la maintenabilité des URIs
      • La grammaire RDF

Exercice pratique : construire les triplets et un graphe RDF théorique à partir de deux sources de données hétérogènes

Séance 3 : 19 janvier 2017 (9h30 – 12h30)
      • Présentation des ontologies (classes, propriétés, logique, inférence et équivalence)
      • Présentation des principales ontologies existantes : Dublin Core, SKOS, FOAF
      • Présentation des modèles conceptuels FRBR et CIDOC-CRM et leur rapport avec les ontologies
      • Les syntaxes de RDF (RDF/XML, Turtle, Json/LD)

Exercice pratique : écrire des triplets RDF avec la syntaxe RDF/XML, deux exercices au choix seront proposés : décrire une personne avec FOAF ou décrire un référentiel avec SKOS.

Séance 4 : 2 février (9h30 – 12h30)
      • SPARQL
      • Présentation de réalisations utilisant les technologies du Web sémantique

Exercice pratique : effectuer des requêtes SPARQL sur le sparql endpoint de Dbpedia-fr et de Wikidata.

Troisième partie : traiter les données

Cette dernière partie aura pour objectif de montrer comment, à partir de données récupérées en ligne, on peut les nettoyer, les relier et les transformer en RDF en vue de leur stockage à l’intérieur d’un triple store ou base de données RDF. Nous démontrerons ainsi la capacité des technologies du Web sémantique à permettre l’interopérabilité entre des données hétérogènes.

Séance 5 : 10 février (9h30 – 12h30)

Cette séance sera dédiée à la problématique de la préparation des données. En effet, il s’agit d’une étape primordiale dans le processus de traitement des données qu’il est nécessaire de parfaitement maîtriser si on veut réussir son projet. Nous découvrirons les différentes étapes et tâches de la préparation de données grâce à la version gratuite du logiciel Dataiku (www.dataiku.com) et à plusieurs jeux de données en rapport avec les monuments historiques que nous récupérerons sur le site data.gouv.fr.
Les étudiants devront avoir au préalable installés le logiciel Dataiku sur leur machine (cf. www.dataiku.com/dss/trynow/, attention pour les utilisateurs de Windows, il faudra au préalable installer le logiciel Virtual Box).

Séance 6 : 17 février (9h30 – 12h30)

Cette dernière séance a pour objectif de découvrir les logiciels de traitement de données fonctionnant sur le principe du « pipeline ». Issu du monde de l’informatique décisionnelle, les logiciels de ce type deviennent un élément essentiel des systèmes d’information modernes. Ils présentent l’intérêt de permettre le développement très rapide de véritables chaînes de traitement automatique de données qui vont de la récupération des données, à leur traitement, leur mise en relation et leur stockage dans d’autres formats de données.
Pour découvrir ce nouveau paradigme de développement, nous utiliserons la version communautaire du logiciel Talend Open Studio for Data Integration (http://talend.com). L’objectif sera de transformer le jeu de données préparé précédemment, de le relier avec d’autres jeux de données récupérés par ailleurs et de transformer le tout en RDF/XML avant de le stocker dans un triple store.
Les étudiants devront avoir au préalable installés le logiciel Talend Open Studio for Data Integration (cf. http://fr.talend.com).


Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *