View
33
Download
1
Category
Preview:
DESCRIPTION
SCC0141 - Bancos de Dados e Suas Aplicações. Visualização de Informação Prof. Jose Fernando Rodrigues Junior. Roteiro. Introdução Alguns Conceitos Esquemas visuais mais usados Interação, Sistematização e Processamento Observações Conclusivas. Questões a serem respondidas. - PowerPoint PPT Presentation
Citation preview
SCC0141 - Bancos de Dados e Suas Aplicações
Visualização de Informação
Prof. Jose Fernando Rodrigues Junior
Roteiro
Introdução Alguns Conceitos Esquemas visuais mais usados Interação, Sistematização e Processamento Observações Conclusivas
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?
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
O problema
Dados
Humano
Objetivo: discernimento
Transferência dedados
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
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)
• 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
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?
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
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)
Ciência Analítica
Artefatos Elementares
Ex.: dados e suposições
PadrõesAnalíticos
Ex.: tendência,classificação,
relacionamento, agrupamentos,...
Artefatos deOrdem
Superior
Ex.: inferência lógica (se
então, se e somente se), modelos de regressão
HipótesesE
Cenários
(previsão, avaliação,
explicação)
Ciência Analítica
Artefatos Elementares
Ex.: dados e suposições
PadrõesAnalíticos
Ex.: tendência,classificação,
relacionamento, agrupamentos,...
Artefatos deOrdem
Superior
Ex.: inferência lógica (se
então, se e somente se), modelos de regressão
HipótesesE
Cenários
(previsão, avaliação,
explicação)
Principal abrangência da visualização
Ciência Analítica
Artefatos Elementares
Ex.: dados e suposições
PadrõesAnalíticos
Ex.: tendência,classificação,
relacionamento, agrupamentos,...
Artefatos deOrdem
Superior
Ex.: inferência lógica (se
então, se e somente se), modelos de regressão
HipótesesE
Cenários
(previsão, avaliação,
explicação)
Principal abrangência da visualização
Mineração de dados e raciocínio suportado por visualização
Ciência Analítica
Artefatos Elementares
Ex.: dados e suposições
PadrõesAnalíticos
Ex.: tendência,classificação,
relacionamento, agrupamentos,...
Artefatos deOrdem
Superior
Ex.: inferência lógica (se
então, se e somente se), modelos de regressão
HipótesesE
Cenários
(previsão, avaliação,
explicação)
Principal abrangência da visualização
Mineração de dados e raciocínio suportado por visualização
Profundo conhecimento de domínio
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.
Roteiro
Introdução Alguns Conceitos Esquemas Visuais mais Usados Interação, Sistematização e Processamento Observações Conclusivas
Princípio da Visualização
Dados
Humano
Transferência dedados
Princípio da Visualização
• Os olhos têm acesso privilegiado ao cérebro• Mais de 50 % do cérebro é dedicado à visão
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?
Recursos – pré-atenção
Cor
PB PD
PE
PA
PI
PJ
PL
PK
PCPB 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-atentivos4 canais
Recursos – pré-atençãoEstímulos 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.
Recursos – pré-atenção
Forma
PB PD
PE
PA
PI
PJ
PL
PK
PCPB PD
PI
PJ
PAPC
PL
PEPK
PE
PI
PL
DIR
ESQ
ESQ
PD
PA
DIR
ESQ
PB
PJ
PK
PC
ESQ
DIR
ESQ
DIR
IDEOL.PART.
Estímulos pré-atentivos4 canais
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-atentivos4 canais
PE
PA
PI
PK
Recursos – pré-atençãoEstímulos pré-atentivos
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
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
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)
Recursos – pré-atenção
Qual o estado com maior nível salarial?
Qual a relação entre salário e educação?
Comportamentos incomuns (outliers)?
Recursos – pré-atenção
Salário annual Per Capita (U$)
Nív
el e
du
ca
cio
nal
(%
co
m c
urs
o s
up
eri
or)
Recursos:pré-atenção percepção raciocíonio
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
Recursos:pré-atenção percepção raciocíonio
Pré-atenção:• Posição• Forma• Cor• Tempo
Observação Raciocínio
Projeto/Sistematização
/UtilizaçãoPercepção(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
Recursos:pré-atenção percepção raciocíonio
Canal:
Posição ●Forma ●
Cor ●Tempo ●
Padrões visuais:
● Correspondência● Diferenciação● Conectividade● Arranjo● Significado● Variação
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)
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?
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
Demonstração
Mundo: Distribuição de renda
DemonstraçãoMundo: Distribuição de renda
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
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
Projeto e desenvolvimento
Sistematização
Dados “crus”
Dados estruturado
s
DesignVisual
Visualização
Transformações do Dados
Mapeamento Visual
TransformaçõesVisuais
DadosFormato Visual
ProcessamentoPré-visualização
Técnicasde
Visualização
Técnicasde Interação
Visual
Sistema de Visualização
Introdução Alguns Conceitos Esquemas Visuais mais Usados Interação, Sistematização e Processamento Observações Conclusivas
Roteiro
Esquemas visuais mais usados
• Projeções geométricas
• Técnicas iconográficas
• Técnicas hierárquicas
• Técnicas orientadas a pixels
Classificação que segue à organização visual
Projeção geométricaCoordenadas Paralelas
X0
X0: 5
X1
X1: 1
X2
X2: 10 X3
X3: 7
Atributo 0 Atributo 1 Atributo 2 Atributo 3
10
0
Projeção geométricaCoordenadas 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
• Matriz de Scatter Plots
– Projeção dos atributos combinados
– Correlação
Projeção geométricaMatriz 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
Projeção geométricaTable 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
•Peso: 5
•Peso: 10•MPG: 1•Potência: 5
•Aceleração: 2
Técnicas Iconográficas Star Glyphs
# D
E C
ILIN
DR
OS
MILHAS POR GALÃO (MPG)
Técnicas Hierárquicas Sobreposição Dimensional
POTÊNCIA
# D
E C
ILIN
DR
OS
MPG
PE
SO
Técnicas Hierárquicas Treemaps
Técnicas Orientadas a Pixels Padrões de Arranjo
• Design• Arranjo dos pixels: apresentação depende da ordem
• Mapeamento de cores por valor de atributo
Esquemas visuais mais usados
• Projeções geométricas
• Técnicas iconográficas
• Técnicas hierárquicas
• Técnicas orientadas a pixels
Introdução Alguns Conceitos Esquemas Visuais mais Usados Interação, Sistematização e Processamento Observações Conclusivas
Roteiro
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.
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
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
Interação - Distorção espacial StarTree
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
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
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
BoxPlot – Visão geral da distribuição de variáveis
BoxPlot – Visão geral da distribuição de variáveis
Introdução Alguns Conceitos Esquemas Visuais mais Usados Interação, Sistematização e Processamento Observações Conclusivas
Roteiro
Comparação com Mineração de Dados
• Extração não trivial de informações implícitas, potencialmente úteis e previamente desconhecidas
• Caracteristicamente algorítmica
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
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
Exemplo: monitoramento visual do algoritmo k-medoid para detecção de clusters.
Mineração de Dados
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
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.
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
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.
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/
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
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/
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
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)
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.
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.
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.
Livros BásicosVisualização 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
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 BásicosMineração de Dados
Outras áreas de visualização
• Visualização Científica• Visualização de Software• Visualização Geográfica• Visualização de Redes• Ciência Analítica• Realidade Virtual• Realidade Aumentada• Sonificação (som)• Háptica (tato)
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.
• Software: www.icmc.usp.br/~junio
Recommended