Cologne, Germany, Building Zones, 1905 (Raster Image)

This layer is a georeferenced raster image of the historic paper map entitled: Uebersichtsplan zur Banordnung für den Stadtkreis Cöln. It was published by Wilh. Gross in 1905. Scale 1:15,000. Covers Cologne, Germany. Map in German. The image inside the map neatline is georeferenced to the surface of the earth and fit to the Deutsches Hauptdreiecksnetz (DHDN) 3-degree Gauss-Kruger Zone 2 coordinate system. All map collar and inset information is also available as part of the raster image, including any inset maps, profiles, statistical tables, directories, text, illustrations, index maps, legends, or other information associated with the principal map. This map shows features such as roads, railroads, drainage, building zones, built-up areas and selected buildings, fortification, and more. Includes legend of zones. This layer is part of a selection of digitally scanned and georeferenced historic maps from The Harvard Map Collection as part of the Imaging the Urban Environment project. Maps selected for this project represent major urban areas and cities of the world, at various time periods. These maps typically portray both natural and manmade features at a large scale. The selection represents a range of regions, originators, ground condition dates, scales, and purposes.

Boston, Massachusetts Region LIDAR First Return Elevation Data, 2002

LIDAR (LIght Detection And Ranging) first return elevation data of the Boston, Massachusetts region from MassGIS at 1-meter resolution. This LIDAR data was captured in Spring 2002. LIDAR first return data (which shows the highest ground features, e.g. tree canopy, buildings etc.) can be used to produce a digital terrain model of the Earth's surface. This dataset consists of 74 First Return DEM tiles. The tiles are 4km by 4km areas corresponding with the MassGIS orthoimage index. This data set was collected using 3Di's Digital Airborne Topographic Imaging System II (DATIS II). The area of coverage corresponds to the following MassGIS orthophoto quads covering the Boston region (MassGIS orthophoto quad ID: 229890, 229894, 229898, 229902, 233886, 233890, 233894, 233898, 233902, 233906, 233910, 237890, 237894, 237898, 237902, 237906, 237910, 241890, 241894, 241898, 241902, 245898, 245902). The geographic extent of this dataset is the same as that of the MassGIS dataset: Boston, Massachusetts Region 1:5,000 Color Ortho Imagery (1/2-meter Resolution), 2001 and was used to produce the MassGIS dataset: Boston, Massachusetts, 2-Dimensional Building Footprints with Roof Height Data (from LIDAR data), 2002 [see cross references].

Learning representations for Information Retrieval

La recherche d'informations s'intéresse, entre autres, à répondre à des questions comme: est-ce qu'un document est pertinent à une requête ? Est-ce que deux requêtes ou deux documents sont similaires ? Comment la similarité entre deux requêtes ou documents peut être utilisée pour améliorer l'estimation de la pertinence ? Pour donner réponse à ces questions, il est nécessaire d'associer chaque document et requête à des représentations interprétables par ordinateur. Une fois ces représentations estimées, la similarité peut correspondre, par exemple, à une distance ou une divergence qui opère dans l'espace de représentation. On admet généralement que la qualité d'une représentation a un impact direct sur l'erreur d'estimation par rapport à la vraie pertinence, jugée par un humain. Estimer de bonnes représentations des documents et des requêtes a longtemps été un problème central de la recherche d'informations. Le but de cette thèse est de proposer des nouvelles méthodes pour estimer les représentations des documents et des requêtes, la relation de pertinence entre eux et ainsi modestement avancer l'état de l'art du domaine. Nous présentons quatre articles publiés dans des conférences internationales et un article publié dans un forum d'évaluation. Les deux premiers articles concernent des méthodes qui créent l'espace de représentation selon une connaissance à priori sur les caractéristiques qui sont importantes pour la tâche à accomplir. Ceux-ci nous amènent à présenter un nouveau modèle de recherche d'informations qui diffère des modèles existants sur le plan théorique et de l'efficacité expérimentale. Les deux derniers articles marquent un changement fondamental dans l'approche de construction des représentations. Ils bénéficient notamment de l'intérêt de recherche dont les techniques d'apprentissage profond par réseaux de neurones, ou deep learning, ont fait récemment l'objet. Ces modèles d'apprentissage élicitent automatiquement les caractéristiques importantes pour la tâche demandée à partir d'une quantité importante de données. Nous nous intéressons à la modélisation des relations sémantiques entre documents et requêtes ainsi qu'entre deux ou plusieurs requêtes. Ces derniers articles marquent les premières applications de l'apprentissage de représentations par réseaux de neurones à la recherche d'informations. Les modèles proposés ont aussi produit une performance améliorée sur des collections de test standard. Nos travaux nous mènent à la conclusion générale suivante: la performance en recherche d'informations pourrait drastiquement être améliorée en se basant sur les approches d'apprentissage de représentations.

Modeling and validation of the thermal behavior of buildings for the development of demand response methods

The representation of the thermal behaviour of the building is achieved through a relatively simple dynamic model that takes into account the effects due to the thermal mass of the building components. The model of a intra-floor apartment has been built in the Matlab-Simulink environment and considers the heat transmission through the external envelope, wall and windows, the internal thermal masses, (i.e. furniture, internal wall and floor slabs) and the sun gain due to opaque and see-through surfaces of the external envelope. The simulations results for the entire year have been compared and the model validated, with the one obtained with the dynamic building simulation software Energyplus.

Learning representations for Information Retrieval

La recherche d'informations s'intéresse, entre autres, à répondre à des questions comme: est-ce qu'un document est pertinent à une requête ? Est-ce que deux requêtes ou deux documents sont similaires ? Comment la similarité entre deux requêtes ou documents peut être utilisée pour améliorer l'estimation de la pertinence ? Pour donner réponse à ces questions, il est nécessaire d'associer chaque document et requête à des représentations interprétables par ordinateur. Une fois ces représentations estimées, la similarité peut correspondre, par exemple, à une distance ou une divergence qui opère dans l'espace de représentation. On admet généralement que la qualité d'une représentation a un impact direct sur l'erreur d'estimation par rapport à la vraie pertinence, jugée par un humain. Estimer de bonnes représentations des documents et des requêtes a longtemps été un problème central de la recherche d'informations. Le but de cette thèse est de proposer des nouvelles méthodes pour estimer les représentations des documents et des requêtes, la relation de pertinence entre eux et ainsi modestement avancer l'état de l'art du domaine. Nous présentons quatre articles publiés dans des conférences internationales et un article publié dans un forum d'évaluation. Les deux premiers articles concernent des méthodes qui créent l'espace de représentation selon une connaissance à priori sur les caractéristiques qui sont importantes pour la tâche à accomplir. Ceux-ci nous amènent à présenter un nouveau modèle de recherche d'informations qui diffère des modèles existants sur le plan théorique et de l'efficacité expérimentale. Les deux derniers articles marquent un changement fondamental dans l'approche de construction des représentations. Ils bénéficient notamment de l'intérêt de recherche dont les techniques d'apprentissage profond par réseaux de neurones, ou deep learning, ont fait récemment l'objet. Ces modèles d'apprentissage élicitent automatiquement les caractéristiques importantes pour la tâche demandée à partir d'une quantité importante de données. Nous nous intéressons à la modélisation des relations sémantiques entre documents et requêtes ainsi qu'entre deux ou plusieurs requêtes. Ces derniers articles marquent les premières applications de l'apprentissage de représentations par réseaux de neurones à la recherche d'informations. Les modèles proposés ont aussi produit une performance améliorée sur des collections de test standard. Nos travaux nous mènent à la conclusion générale suivante: la performance en recherche d'informations pourrait drastiquement être améliorée en se basant sur les approches d'apprentissage de représentations.

Old Law Building

Law building -- original building

Scene in front of Bus. Ad. Bldg. [Business Administration Building]

Lee Black & Kenneth Black, architects.

Chemistry [Building]

Architect: Smith, Hinchman & Grylls. Built 1909. Likely photographed from Burton Tower

Physics - Astronomy Bldg. [Building]

Built 1963. Albert Kahn Associates, architects. On verso: University of Michigan News Service; 3528 Administration Bldg.; Ann Arbor, Michigan 48104. Ann Arbor Chamber of Commerce

M. U. Economics Building

Built in 1856. First chemical laboratory at a state university. Building served medical students and others as both laboratory and classroom. Situated just west and south of the original medical building. Additions made to the one-story building in 1861, 1866, 1868, 1874. In 1880 a two-story addition was added with subsequent additions in 1889 and 1901. Became Economics Building in 1908. Pharmacology occupied north wing 1908-1981. Destroyed by fire Christmas Eve 1981. On verso: M.U. Information Services #1182 July 1959.

Rackham Building front view

Smith, Hinchman & Grylls, architects. W.B. Wood Co., construction. On verso: University of Michigan News Service, 3564 Administration Building, Ann Arbor, Michigan.

Rackham Building interior

Smith, Hinchman & Grylls, architects. W.B. Wood Co., construction

Rackham Building conference room

Smith, Hinchman & Grylls, architects. W.B. Wood Co., construction

Medical Building West

Spier & Rohns, architect. Cornerstone laid on October 15, 1901; building occupied in 1903. Originally West Medical Building; became Samuel Trask Dana Building. Also known as Natural Resources Building. On verso: University of Michigan, News Service, 564 Administration Building, Ann Arbor, Michigan

Haven Hall. Fire. June 1950. Students removing records from burning building

Jordan & Anderson, architect (1863); Spier & Rohns (1898). The old Law Building was renamed Haven Hall in 1933. It became one of the main buildings for LS&A used by Departments of History, Sociology and Journalism. The old Law Library became a study hall and Bureau of Government Library. Extension Division also had offices in Haven Hall.