Infovis tutorial
•
1 gostou•530 visualizações
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.
Recomendados
Mais conteúdo relacionado
Destaque
Semelhante a Infovis tutorial
Semelhante a Infovis tutorial (20)
Mais de Universidade de São Paulo
Mais de Universidade de São Paulo (20)
Infovis tutorial
- 1. http://publicationslist.org/junio José Fernando Rodrigues Júnior Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação - 2012 - Análise Visual de Dados: conceitos, técnicas e sistemas
- 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
- 19. Princípio da Visualização • Os olhos têm acesso privilegiado ao cérebro • Mais de 50 % do cérebro é dedicado à visão
- 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
- 25. Recursos – pré-atenção Estímulos pré-atentivos
- 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)
- 29. http://publicationslist.org/junio Recursos – pré-atenção Qual o estado com maior nível salarial? Qual a relação entre salário e educação? Comportamentos incomuns (outliers)?
- 30. http://publicationslist.org/junio Recursos – pré-atenção Salário annual Per Capita (U$) Níveleducacional(%comcursosuperior)
- 31. Recursos: pré-atenção percepção raciocíonio
- 32. Recursos: pré-atenção percepção raciocíonio Pré-atenção: • Posição • Forma • Cor • Tempo Percepção (padrões visuais): • Correspondência • Diferenciação • Conectividade • Arranjo • Significado • Variação Interpretação (padrões analíticos): • Correlação • Tendência • Classificação • Relacionamento • Sumarização • Exceções • Agrupamentos • Estrutura • Leitura, ... Observação Raciocínio
- 33. Recursos: pré-atenção percepção raciocíonio Pré-atenção: • Posição • Forma • Cor • Tempo Observação Raciocínio Projeto/ Sistematização /Utilização Percepção (padrões visuais): • Correspondência • Diferenciação • Conectividade • Arranjo • Significado • Variação Etapa natural com pouca carga cognitiva Conhecimento de domínio Interpretação (padrões analíticos): • Correlação • Tendência • Classificação • Relacionamento • Sumarização • Exceções • Agrupamentos • Estrutura • Leitura, ... Geração de conclusões com base no domínio dos dados
- 34. Recursos: pré-atenção percepção raciocíonio Canal: Posição ● Forma ● Cor ● Tempo ● Padrões visuais: ● Correspondência ● Diferenciação ● Conectividade ● Arranjo ● Significado ● Variação
- 35. Recursos: pré-atenção percepção raciocíonio
- 36. Demonstração Mundo: Renda X Emissão de Carbono PROJEÇÃO ANIMADA Dados de IDH • Ano • Nome do país • Tamanho da população • Grupo de renda • Renda per capita (U$) • 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
- 40. Demonstração Mundo: Distribuição de renda
- 41. Demonstração Mundo: Distribuição de renda
- 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
- 46. Introdução Alguns Conceitos Esquemas Visuais mais Usados Interação, Sistematização e Processamento Observações Conclusivas Roteiro
- 47. Esquemas visuais mais usados • Projeções geométricas • Técnicas iconográficas • Técnicas hierárquicas • Técnicas orientadas a pixels Classificação que segue à organização visual
- 48. Projeção geométrica Coordenadas Paralelas X0 X0: 5 X1 X1: 1 X2 X2: 10 X3 X3: 7 Atributo 0 Atributo 1 Atributo 2 Atributo 3 10 0
- 49. Projeção geométrica Coordenadas Paralelas COORDENADAS PARALELAS Dados de veículos • Milhas Por Galão • # Cilindros (CYLINDERS) • Autonomia (DISPLACEMENT) • Potência (HORSEPOWER) • Peso (WEIGHT) • Aceleração (ACCELERATION) • Ano (YEAR) • Origem (AMER., EUROP., JAP.) Software: VisTree Análise Geral Percepções • Posição: correspondência, arranjo • Forma: conectividade • Cor: diferenciação Interpretações: • Correlação • Tendência • Sumarização • Classificação • Exceções Base de Dados
- 50. • Matriz de Scatter Plots – Projeção dos atributos combinados – Correlação Projeção geométrica Matriz de Scatter PlotsMATRIZ DE SCATTER PLOTS Dados de veículos • Milhas Por Galão • # Cilindros (CYLINDERS) • Autonomia (DISPLACEMENT) • Potência (HORSEPOWER) • Peso (WEIGHT) • Aceleração (ACCELERATION) • Ano (YEAR) • Origem (AMER., EUROP., JAP.) Software: VisTree Análise Geral Percepções • Posição: correspondência, arranjo Interpretações: • Correlação • Tendência • Exceções
- 51. http://publicationslist.org/junio Projeção geométrica Table Lens TABLE LENS Dados de filmes • Rank de arrecadação (RANK) • Lançamento (RELEASE DATE) • Arrecadação (CUMULATIVE GROSS) • Distribuidora (DISTRIBUTOR) • Título (TITLE) Software: Table Lens Análise Geral Percepções • Posição: correspondência, arranjo • Forma: correspondência, significado • Cor: diferenciação Interpretações: • Correlação • Tendência • Classificação • Exceções • Leitura
- 52. http://publicationslist.org/junio •Peso: 5 •Peso: 10 •MPG: 1 •Potência: 5 •Aceleração: 2 Técnicas Iconográficas Star Glyphs
- 53. http://publicationslist.org/junio #DECILINDROS MILHAS POR GALÃO (MPG) Técnicas Hierárquicas Sobreposição Dimensional POTÊNCIA #DECILINDROS MPG PESO
- 55. 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
- 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
- 57. Técnicas Orientadas a Pixels Matriz de correlações
- 58. Técnicas Orientadas a Pixels Matriz de correlações
- 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
- 65. Interação - Distorção espacial StarTree
- 67. http://publicationslist.org/junio Processamento: pré- processamento e suporte estatístico • Redução de dimensionalidade: n-dimensional k-dimensional, onde n < k • Agregação: por exemplo, sumarização estatística • Seleção: por exemplo, amostragem • Segmentação: por exemplo, particionamento hierárquico
- 68. REDUÇÃO DE DIMENSIONALIDADE E INTERAÇÃO POR TRANSFORMAÇÃO ESPACIAL Dados de exames de câncer (biopsia) • Identificador (ID) • 9 exames laboratoriais • Classificador (CLASS) Software: FastMapDB Análise Geral Percepções • Posição: correspondência, arranjo • Cor: correspondência Interpretações: • Classificação • Estrutura • Exceções • Agrupamentos
- 69. Ciência Analítica Visual AGREGAÇÃO ESTATÍSTICA Dados de veículos •Dados de veículos • Milhas Por Galão • # Cilindros (CYLINDERS) • Autonomia (DISPLACEMENT) • Potência (HORSEPOWER) • Peso (WEIGHT) • Aceleração (ACCELERATION) • Ano (YEAR) • Origem (AMER., EUROP., JAP.) Software: VisTree Análise Geral Percepções • Posição: correspondência, diferenciação, arranjo • Forma: correspondência, diferenciação, conectividade • Cor: correspondência, diferenciação Interpretações: • Sumarização • Correlação • Relacionamento • Tendência • Classificação • Exceções • Agrupamentos
- 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
- 73. BoxPlot – Visão geral da distribuição de variáveis
- 74. BoxPlot – Visão geral da distribuição de variáveis
- 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
- 79. Exemplo: monitoramento visual do algoritmo k- medoid para detecção de clusters. 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
- 82. Estado da Arte A Ciência Analítica Visual [2]
- 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.