Este documento discute conceitos e técnicas de visualização de dados, incluindo:
1) A visualização de dados permite que os seres humanos explorem grandes conjuntos de dados usando suas habilidades visuais.
2) Técnicas como posição, forma, cor e animação podem ser usadas para destacar padrões visuais nos dados.
3) A visualização de dados ajuda a reduzir a busca, reconhecer padrões e fazer inferências sobre os dados.
2. Roteiro
Introdução
Alguns Conceitos
Esquemas visuais mais usados
Interação, Sistematização e Processamento
Observações Conclusivas
3. Questões a serem
respondidas
• O que é Visualização de Informações?
• Por que seu uso?
• Princípios
• Técnicas mais usuais
• Exemplos de sistematização
• Estado da arte
• Como obter mais informações sobre o assunto?
4. O que é?
• A prática de se beneficiar das capacidades
cognitivas visuais para se expressar conhecimento
de maneira mais rápida e intuitiva.
• Também denominada Infovis
• Exemplo: a invasão francesa da Rússia
6. Evolução do Hardware
• Dobro do processamento a cada 18 meses (Moore’s Law)
• Dobro de tecnologia gráfica a cada 12 meses
• Tendência observada já há 50 anos
Fatos
Crescimento da produção/fluxo de dados
• Apenas em 2010, estimativa de 5 zetabytes (270 B)
• O armazenamento de novas informações tem crescido à
taxa de mais de 30 % ao ano
7. Evolução do Hardware
• Dobro do processamento a cada 18 meses (Moore’s Law)
• Dobro de tecnologia gráfica a cada 12 meses
• Tendência observada já há 50 anos
• Pelo menos mais 10 anos
Fatos
Crescimento da produção/fluxo de dados
• Apenas em 2010, estimativa de 5 zetabytes (270 B)
• O armazenamento de novas informações tem crescido à
taxa de mais de 30 % ao ano
“O propósito da computação é compreensão, e não
números.”
Richard Hamming (Turing Award, 1968)
8. http://publicationslist.org/junio
• Em contraste, habilidades humanas básicas não
mudam ao longo do tempo
• Bancos de dados com uma quantidade de
dados muito maior do que é possível para o
ser humano aproveitar
Não evolução do ser humano
Conseqüência
As técnicas de Visualização de
Informações reduzem este problema.
Fatos
9. Exibição de dados –
diferentes abordagens
• Computação gráfica: como
renderizar?
• Visualização científica: como
reproduzir graficamente?
• Visualização de informações: como
definir um design que personifique
meus dados?
10. Exibição de dados –
diferentes abordagens
• Computação gráfica: como
renderizar?
• Visualização científica: como
reproduzir graficamente?
• Visualização de informações: como
definir um design que personifique
meus dados?
Tabela Balancete
Trimestre Faturamento
1 70
2 20
3 5
4 5
11. Ciência Analítica
• Objetivos:
– Avaliar
– Prever
– Identificar alternativas
– Suporte à decisão
• Artefatos de racionalização, hierárquicos:
– Elementares: dados individuais, suposições, evidências...
– Padrões analíticos: correlação, tendência, classificação,
relacionamento, exceções, agrupamentos, estrutura, ...
– Artefatos de ordem superior: inferência lógica (se então, por
exemplo), casualidade temporal, modelos de regressão (padrões
funcionais), ...
– Complexos: hipóteses e cenários (explicações)
12. Ciência Analítica
Artefatos
Elementares
Ex.: dados e
suposições
Padrões
Analíticos
Ex.: tendência,
classificação,
relacionamento,
agrupamentos,...
Artefatos de
Ordem
Superior
Ex.: inferência
lógica (se
então, se e
somente se),
modelos de
regressão
Hipóteses
E
Cenários
(previsão,
avaliação,
explicação)
13. Ciência Analítica
Artefatos
Elementares
Ex.: dados e
suposições
Padrões
Analíticos
Ex.: tendência,
classificação,
relacionamento,
agrupamentos,...
Artefatos de
Ordem
Superior
Ex.: inferência
lógica (se
então, se e
somente se),
modelos de
regressão
Hipóteses
E
Cenários
(previsão,
avaliação,
explicação)
Principal abrangência da visualização
14. Ciência Analítica
Artefatos
Elementares
Ex.: dados e
suposições
Padrões
Analíticos
Ex.: tendência,
classificação,
relacionamento,
agrupamentos,...
Artefatos de
Ordem
Superior
Ex.: inferência
lógica (se
então, se e
somente se),
modelos de
regressão
Hipóteses
E
Cenários
(previsão,
avaliação,
explicação)
Principal abrangência da visualização
Mineração de dados e raciocínio suportado por visualização
15. Ciência Analítica
Artefatos
Elementares
Ex.: dados e
suposições
Padrões
Analíticos
Ex.: tendência,
classificação,
relacionamento,
agrupamentos,...
Artefatos de
Ordem
Superior
Ex.: inferência
lógica (se
então, se e
somente se),
modelos de
regressão
Hipóteses
E
Cenários
(previsão,
avaliação,
explicação)
Principal abrangência da visualização
Mineração de dados e raciocínio suportado por visualização
Profundo conhecimento de domínio
16. Ciência Analítica
• Objetivos:
– Avaliar
– Prever
– Identificar alternativas
– Suporte à decisão
• Artefatos de racionalização:
– Elementares: dados individuais, suposições, evidências...
– Padrões analíticos: correlação, tendência, classificação,
relacionamento, exceções, agrupamentos, estrutura, ...
– Artefatos de ordem superior: inferência lógica (se então, por
exemplo), casualidade temporal, modelos de regressão (padrões
funcionais), ...
– Complexos: hipóteses e cenários (explicações)
Outros recursos:
• Descartes R. 1637. Discourse on Method;
• Jones M. 1995. The Thinker’s Toolkit: 14 Powerful
Techniques for Problem Solving. Three Rivers Press;
• Heuer R. 1999. Psychology of Intelligence Analysis.
U.S. Government Printing Office;
• Adams JL. 2001. Conceptual Blockbusting: A Guide
to Better Ideas. Fourth edition, Perseus Publishing.
17. Roteiro
Introdução
Alguns Conceitos
Esquemas Visuais mais Usados
Interação, Sistematização e Processamento
Observações Conclusivas
20. Recursos – pré-atenção
• Mecanismo da visão, duas fases
– 1ª. Fase: pré-atenção instantânea e em paralelo
– 2ª. Fase: varredura demorada e seqüencial
Quantos números “4” há na cena?
21. Recursos – pré-atenção
Cor
PB
PD
PE
PA
PI
PJ
PL
PK
PC
PB
PD
PE
PA
PI
PJ
PL
PK
PC
PE
PI
PL
DIR
ESQ
ESQ
PD
PA
DIR
ESQ
PB
PJ
PK
PC
ESQ
DIR
ESQ
DIR
IDEOL.PART.
Estímulos pré-atentivos
4 canais
22. Recursos – pré-atenção
Estímulos pré-atentivos
4 canais
Posição
PB
PD
PE
PA
PI
PJ
PL
PK
PC
PA
PB
PD
PE
PC
PI
PJ
PL
PK
PE
PI
PL
DIR
ESQ
ESQ
PD
PA
DIR
ESQ
PB
PJ
PK
PC
ESQ
DIR
ESQ
DIR
IDEOL.PART.
23. Recursos – pré-atenção
Forma
PB
PD
PE
PA
PI
PJ
PL
PK
PC
PB
PD
PI
PJ
PA
PC
PL
PEPK
PE
PI
PL
DIR
ESQ
ESQ
PD
PA
DIR
ESQ
PB
PJ
PK
PC
ESQ
DIR
ESQ
DIR
IDEOL.PART.
Estímulos pré-atentivos
4 canais
24. Recursos – pré-atenção
Tempo
(animação
cor,
posição
e/ou forma) PE
PA
PI
PK
PE
PI
PL
DIR
ESQ
ESQ
PD
PA
DIR
ESQ
PB
PJ
PK
PC
ESQ
DIR
ESQ
DIR
IDEOL.PART.
Estímulos pré-atentivos
4 canais
PE
PA
PI
PK
26. Recursos – pré-atenção
• Posição: 1D, 2D e 3D;
• Forma: ponto, linha, área, volume, orientação,
comprimento, colinearidade, tamanho,
curvatura;
• Cor: matiz, saturação, brilho, textura;
• Tempo (animação): movimento e intermitência.
Estímulos pré-atentivos
27. Recursos – pré-atenção
• Posição: 1D, 2D e 3D;
• Forma: ponto, linha, área, volume, orientação,
comprimento, colinearidade, tamanho,
curvatura;
• Cor: matiz, saturação, brilho, textura;
• Tempo (animação): movimento e intermitência.
Mas o que isso tem a ver com computação?
Auxílio computacional:
• escalabilidade de dados (via SGBDs) e
de processamento
• interação: redefinição em tempo real da
apresentação de dados
• dimensão temporal
• algorítmico: combinação com mineração
de dados
Estímulos pré-atentivos
28. Recursos – pré-atenção
• Mecanismo da visão, duas fases
– 1ª. Fase: pré-atenção instantânea e em paralelo
– 2ª. Fase: varredura demorada e sequencial
Procedimento geral da visualização (Visualization
Mantra):
Visão geral (1ª. fase)
Zoom & filtragem (Interação)
Detalhes sob demanda (2ª. Fase)
36. Demonstração
Mundo: Renda X Emissão de Carbono
PROJEÇÃO ANIMADA
Dados de IDH
• Ano
• Nome do país
• Tamanho da população
• Grupo de renda
• Renda per capita (U$)
• Emissão de CO2 (ton/pessoa)
Software: Gapminder
(spreadsheet do Google Docs)
Análise Geral
Percepções
• Posição: correspondência, arranjo
• Forma: correspondência, diferenciação,
conectividade, significado
• Cor: correspondência
• Animação
Interpretações:
• Correlação
• Tendência
• Classificação
• Exceções
• Agrupamentos
• Estrutura
• Leitura
37. Demonstração
Mundo: Fertilidade X PopulaçãoPROJEÇÃO ANIMADA
Dados de IDH
• Ano
• Nome do país
• Filhos por mulher
• Tamanho da População
• Renda per capita
• Grupo de renda
Software: Gapminder
(spreadsheet do Google Docs)
38. http://publicationslist.org/junio
1. Mais Recursos
– Processamento perceptivo paralelo
– Percepção ao invés de cognição
– Expansão das memórias de curto e longo prazo do usuário
2. Busca Reduzida
– Informações agrupadas reduzem a varredura sequencial
– Leitura espacial instantânea
3. Melhor Reconhecimento de Padrões
– Reconhecer ao invés de relembrar
– Abstração e agregação
– Exposição estrutural
– Valor, relacionamento, tendência
Como a visualização
pode ajudar?
39. http://publicationslist.org/junio
Como a visualização
pode ajudar?
4. Inferência Perceptiva
– Alguns problemas se tornam óbvios
– O raciocínio é amplificado com pistas visuais
5. Monitoramento Perceptivo
– Alterações visuais saltam aos olhos
6. Mídia Manipulável
– Interação
42. Linhas Gerais de
Aplicação
Tarefas
Exploração analítica Descobrir hipótese
Apresentação confirmatória Verificar hipótese
Suporte à decisão Avaliar, prever, identificar
alternativas
Apresentação simples Apresentar o que você já
sabe
43. Linhas Gerais de
Aplicação
Tipos de dados
Multi-dimensional (tabular) Bancos de dados relacionais
Redes e árvores (grafos) Redes sociais, redes de
recomendação, redes de
computadores, localização
geográfica
Textos e documentos Repositórios de texto (artigos,
notícias, wikis)
Espacial-temporal
(1D, 2D, 3D e 4D)
Simulação e reprodução de
fenômenos científicos
56. http://publicationslist.org/junio
Técnicas Orientadas a Pixels
Padrões de Arranjo
• Design
• Arranjo dos pixels: apresentação depende da
ordem
• Mapeamento de Cores por valor de atributo
• Um atributo (dimensão) por janela
59. Esquemas visuais
mais usados
• Projeções geométricas
• Técnicas iconográficas
• Técnicas hierárquicas
• Técnicas orientadas a pixels
60. Introdução
Alguns Conceitos
Esquemas Visuais mais Usados
Interação, Sistematização e Processamento
Observações Conclusivas
Roteiro
61. http://publicationslist.org/junio
Interação e
Sistematização
• Interação: alteração dos parâmetros de posição, de forma e de
cor
• Principais:
– Filtragem interativa: alteração de cor (brushing) e de forma
(contorno de seleção)
– Transformação Espacial/Zoom: alteração de forma (escala) e
de posição (rotação e translação)
– Distorção: alteração de posição (diferentes perspectivas)
• Sistematização com expansão do espaço de exibição:
– Visões interligadas (linked-views)
– Múltiplos espaços de visualização
– Visualização em multi-resolução
O analista pode “sentir” melhor a cena de
análise, aumentando as possibilidades
de interpretação visual.
62. Análise Geral
Percepções
• Posição: correspondência, arranjo
• Forma: conectividade
• Cor: diferenciação
Interpretações:
• Correlação
• Tendência
• Sumarização
• Classificação
• Exceções
INTERAÇÃO VIA FILTRAGEM
INTERATIVA E LINK & BRUSH
SISTEMATIZAÇÃO POR VISÕES
INTERLIGADAS (linked-views)
Dados de veículos
• Milhas Por Galão
• # Cilindros (CYLINDERS)
• Autonomia (DISPLACEMENT)
• Potência (HORSEPOWER)
• Peso (WEIGHT)
• Aceleração (ACCELERATION)
• Ano (YEAR)
• Origem (AMER., EUROP., JAP.)
Software: VisTree
63. Ciência Analítica Visual
INTERAÇÃO VIA
TRANSFORMAÇÃO ESPACIAL
Dados de cidades
• Nome (CIDADE)
• Estado (UF)
• Latitude
• Longitude
Software: FastMapDB
Análise Geral
Percepções
• Posição: correspondência,
significado
• Cor: correspondência
Interpretações:
• Classificação
• Estrutura
• Agrupamentos
• Leitura
64. Ciência Analítica Visual
INTERAÇÃO VIA DISTORÇÃO
Dados de filmes
• Ano de produção
• Distribuidora (DISTRIBUTOR)
• Título (TITLE)
• Gênero
Software: TimeWall
Análise Geral
Percepções
• Posição: correspondência
• Forma: diferenciação,
significado
• Cor: correspondência
Interpretações:
• Tendência
• Classificação
• Exceções
• Agrupamentos
• Leitura
70. Ciência Analítica Visual
Autores
Autor AutorId
Autor1 1
Autor2 2
Autor3 3
Autor4 4
Autor5 5
Autoria
ArtigoId AutorId
A 1
A 2
B 1
B 4
C 2
C 5
D 3
D 4
Artigos
Artigo ArtigoId
Artigo1 A
Artigo2 B
Artigo3 C
71. Ciência Analítica Visual
Autores
Autor AutorId
Autor1 1
Autor2 2
Autor3 3
Autor4 4
Autor5 5
Autoria
ArtigoId AutorId
A 1
A 2
B 1
B 4
C 2
C 5
D 3
D 4
Artigos
Artigo ArtigoId
Artigo1 A
Artigo2 B
Artigo3 C
72. Ciência Analítica Visual
SISTEMATIZAÇÃO POR MULTI-
RESOLUÇÃO COM
SEGMENTAÇÃO HIERÁRQUICA
Dados de comunicação eletrônica
• Companhias
• Departamentos
• Pessoas
Software: GMine
Análise Geral
Percepções
• Posição: arranjo
• Forma: conectividade,
diferenciação
• Cor: diferenciação
Interpretações:
• Relacionamento
• Tendência
• Classificação
• Exceções
• Estrutura
• Agrupamentos
75. Introdução
Alguns Conceitos
Esquemas Visuais mais Usados
Interação, Sistematização e Processamento
Observações Conclusivas
Roteiro
76. Comparação com
Mineração de Dados
• Extração não trivial de informações
implícitas, potencialmente úteis e
previamente desconhecidas
• Caracteristicamente algorítmica
77. Visualização de Informações
+
Algoritmos de Mineração de Dados
Algoritmos de
Mineração de Dados
Visualização
de
Informações
Objetivo + –
Mensurável + –
Flexível – +
Interativo – +
Comparação com
Mineração de Dados
78. Visualização de Informações
+
Algoritmos de Mineração de Dados
Algoritmos de
Mineração de Dados
Visualização
de
Informações
Objetivo + –
Mensurável + –
Flexível – +
Interativo – +
Mineração Visual de Dados: utilização
de Visualização de Informações para
monitorar, guiar ou se beneficiar de
algoritmos de Mineração de Dados.
Comparação com
Mineração de Dados
80. Algoritmo k-medoid:
1. Selecione os elementos que serão os centros dos
agrupamentos
2. Verifique todos os pontos do conjunto e atribua a cada ponto
o agrupamento referente ao centro mais próximo
3. Recalcule os centros dos agrupamentos de acordo com os
agrupamentos definidos
4. Enquanto os centros trocarem de posição, vá para o passo 2
Minimizar
83. Estado da Arte
A Ciência Analítica Visual [2]
Tecnologias de dados:
● armazenamento
● disponibilização
● gerenciamento.
Formatos de dados
versáteis, orientados à
análise.
Procedimentos
sistemáticos de
análise:
● avaliação
● planejamento
● tomada de decisão.
Design de
técnicas de
visualização
e interação.
Disponibilização
e difusão.
84. Estado da Arte
A Ciência Analítica Visual [2]
Tecnologias de dados:
● armazenamento
● disponibilização
● gerenciamento.
Formatos de dados
versáteis, orientados à
análise.
Procedimentos
sistemáticos de
análise:
● avaliação
● planejamento
● tomada de decisão.
Design de
técnicas de
visualização
e interação.
Disponibilização
e difusão.
Formalização do fato de que a
ciência de InfoVis engloba uma
série de disciplinas, todas inter-
relacionadas.
85. Avaliação de técnicas de
análise visual de dados
• Tema amplo
• Critérios:
– Funcionalidade – as funcionalidades esperadas são oferecidas?
– Efetividade – a técnica agrega valor? Novas descobertas nos dados?
– Eficiência – a técnica promove melhor desempenho?
– Usabilidade – qual é a dificuldade em se usar o sistema? Há clareza?
– Utilidade – é possível se beneficiar da técnica?
• Metodologias:
– Avaliação analítica: baseada em modelos e em testes estruturados;
– Avaliação empírica: quantitativa ou qualitativa
86. Avaliação de técnicas de
análise visual de dados
• Tema amplo
• Critérios:
– Funcionalidade – as funcionalidades esperadas são oferecidas?
– Efetividade – a técnica agrega valor? Novas descobertas nos dados?
– Eficiência – a técnica promove melhor desempenho?
– Usabilidade – qual é a dificuldade em se usar o sistema? Há clareza?
– Utilidade – é possível se beneficiar da técnica?
• Metodologias:
– Avaliação analítica: baseada em modelos e em testes estruturados;
– Avaliação empírica: quantitativa ou qualitativa
• Há subjetividade semelhante ao que se observa em HCI
(Human-Computer Interaction);
• Devido ao contexto analítico, nem sempre as técnicas de HCI
podem ser aplicadas sem adaptação;
• Da mesma forma, há metodologias bastante satisfatórias,
mas com alto custo de aplicação.
87. Avaliação de técnicas de
análise visual de dados
• DECIDE1: um arcabouço para avaliação de sistemas
1. Determine os objetivos: o quê se quer avaliar?
2. Enumere questões relevantes sobre os objetivos;
3. Escolha a metodologia de avaliação: slide anterior;
4. Identifique os fatores práticos: usuários, equipamento, dados, ...
5. Gerencie as questões éticas;
6. Avalie, interprete e apresente os resultados.
1 J. Preece, Y. Rogers, and H. Sharp, Interaction Design. John Wiley & Sons, Inc., 2002
88. http://publicationslist.org/junio
Disseminação
• SAP: incorporou (da Inxight) as técnicas StarTree, TableLens
e TimeWall em seus produtos
• TIBCO (Spotfire): comercializa técnicas como Coordenadas
Paralelas, Scatter Plots e TreeMaps
• Advanced Visual Systems (AVS): abrange soluções para a
indústria e para a academia
• Outras empresas: Advizor Solutions, Compudigm, Dimension
5, Infommersion, Macrofocus, Purple Insight, ...
• Listagem completa: http://kisd.de/~marian/infovis/
89. Linhas de
Desenvolvimento
1. Paradigmas de Interação
Orientados ao usuário E.g.: perspective view
Orientados a sistema E.g.: linked views
2. Suporte da Ciência da Computação
Componentes E.g.: Graph-Tree
Aperfeiçoamentos E.g.: Keim’s color space
90. Linhas de
Desenvolvimento
3. Novos Designs
E.g.: Gapminder
E.g.: Table Lens
4. Suporte Teórico
Espaços de Design E.g.: design orientado à percepção
Estudo do sistema
perceptivo
E.g.: princípios de manipulação direta
5. Suporte de Desenvolvimento
Componentes E.g.: OpenGL
Toolkits E.g.: IVTK http://ivtk.sourceforge.net/
91. 3. Novos Designs
E.g.: Gapminder
E.g.: Table Lens
4. Suporte Teórico
Espaços de Design E.g.: design orientado à percepção
Estudo do sistema
perceptivo
E.g.: princípios de manipulação direta
5. Suporte de Desenvolvimento
Componentes E.g.: OpenGL
Toolkits E.g.: IVTK http://ivtk.sourceforge.net/
Linhas de
Desenvolvimento
92. 3. Novos Designs
E.g.: Gapminder
E.g.: Table Lens
4. Suporte Teórico
Espaços de Design E.g.: design orientado à percepção
Estudo do sistema
perceptivo
E.g.: princípios de manipulação direta
5. Suporte de Desenvolvimento
Componentes E.g.: OpenGL
Toolkits E.g.: IVTK http://ivtk.sourceforge.net/
Linhas de
Desenvolvimento
Ainda há muito o que se fazer em:
visualização de dados relacionais
escalabilidade de dados
uso combinado com mineração de dados
visualização 3D interativa
utilização da dimensão temporal (animação)
93. Discussão
• A visualização pode resolver todos os meus problemas
de análise de dados?
R.: Não. Análise de dados é um processo elaborado que
requer profundo conhecimento de domínio, objetivos
claros e trabalho intenso.
• Posso trabalhar sem visualização, então?
R.: Não. Apesar de seus limites, a visualização provê
benefícios bastante favoráveis, e não há substituto
para estes benefícios.
94. Discussão
• A visualização pode resolver todos os meus problemas
de análise de dados?
R.: Não. Análise de dados é um processo elaborado que
requer profundo conhecimento de domínio, objetivos claros
e trabalho intenso.
• Posso trabalhar sem visualização, então?
R.: Não. Apesar de seus limites, a visualização provê
benefícios bastante favoráveis, e não há substituto
para estes benefícios.
95. Discussão
• A visualização pode resolver todos os meus problemas
de análise de dados?
R.: Não. Análise de dados é um processo elaborado que
requer profundo conhecimento de domínio, objetivos claros
e trabalho intenso.
• Posso trabalhar sem visualização, então?
R.: Não. Apesar de seus limites, a visualização provê
benefícios bastante favoráveis, e não há substituto para
tais benefícios.
96. Livros Básicos
Visualização de
Informações
Robert SPENCE. “Information Visualization”, ACM
Press, 2001
Stuart K. Card, Jock D. MacKinlay, Ben
Shneiderman, Mackinlay Card (eds.). “Readings
in Information Visualization: Using Vision to
Think”, Morgan Kaufmann Series in Interactive
Technologies, Academic Press, 1999. ISBN 1-
55860-533-9
Colin WARE. “Information Visualization:
Perception for Design”, Morgan Kaufmann
Interactive Technologies Series, January 2000.
ISBN 1-55860-511-8
97. K. Cios et. al. - “Data Mining: A Knowledge
Discovery Approach”, Springer, 2007
Jiawei Han, Micheline Kamber. “Data Mining:
Concepts and Techniques”, Morgan Kaufmann,
2006
Pang-Ning Tan, Michael Steinbach, Vipin Kumar.
“Introduction to Data Mining”, Addison
Wesley, 2005
Livros Básicos
Mineração de Dados
98. Fontes de InfoVis
• http://www.wikivis.org/
• Revistas
– IEEE “Transactions on Visualization and Computer
Graphics”
– Palgrave “Information Visualization”
• Conferências
– IEEE Symposium on Information Visualization (InfoVis)
– IEEE Conference on Visualization (Vis)
– Joint Eurographics IEEE TVCG Symposium on
Visualization (EuroVis)
– International Conference on Visualisation (IV)
– International Symposium on Smart Graphics (SG)
99. Profissionais em InfoVis
• Em ordem alfabética:
– Agma Traina – ICMC-USP
– Carla M. D. S. Freitas - UFRGS
– Fernando Paulovich – ICMC-USP
– Luciana P. Nedel - UFRGS
– Maria Cristina F. de Oliveira – ICMC-USP
– Rosane Minghin – ICMC-USP
100. Outras áreas de
visualização
• Visualização Científica
• Visualização de Software
• Visualização Geográfica
• Visualização de Redes
• Ciência Analítica
• Realidade Virtual
• Realidade Aumentada
• Sonificação (som)
• Háptica (tato)
101. Prof. Dr.
José Fernando Rodrigues Júnior
http://www.icmc.usp.br/~junio
junio@icmc.usp.br
Principais áreas (maioria das publicações):
- Análise Visual de Dados
- Recuperação de dados baseada em
conteúdo
Áreas Secundárias (já publicado):
- Mineração de grafos
- Estruturas de dados para indexação
- Processamento de imagens
- E-learning
Fim.
Análise Visual de Dados:
conceitos, técnicas e
sistemas
102. Referências
• [1] “How Much Information?”
Lyman P and HR Varian, 2003. Disponível em
http://www.sims.berkeley.edu/how-much-info.
• [2] “Illuminating the Path: The Research and
Development Agenda for Visual Analytics”
James J. Thomas and Kristin A. Cook, editors.
IEEE Press, 2005. Disponível em
http://nvac.pnl.gov/agenda.stm.