Analiza wizualna

Image
Szeroki zakres analityki wizualnej

Analityka wizualna to interdyscyplinarne podejście, które łączy zalety różnych obszarów badawczych . Celem metody analityki wizualnej jest zdobycie wiedzy z niezwykle dużych i złożonych zbiorów danych. Podejście to łączy zalety automatycznej analizy danych ze zdolnością ludzi do szybkiego wizualnego uchwycenia wzorców lub trendów. Odpowiednie mechanizmy interakcji pozwalają na wizualną eksplorację danych i uzyskanie wglądu. Został wprowadzony w 2004 roku i opisany rok później w książce „Iluminating the Path”.

motywacja

Image
Przepływ pracy analizy wizualnej. Na podstawie: DA Keim, J. Kohlhammer, GP Ellis, F. Mansmann: Mastering The Information Age - Solving Problem with Visual Analytics. Eurographics, 2010.

Stale rosnąca ilość danych do przetworzenia doprowadziła do opracowania coraz większych nośników pamięci . Często jednak ilość zebranych danych nie jest filtrowana ani czyszczona w celu późniejszego przetworzenia, ale zamiast tego jest zapisywana jako surowe dane. Dane te są same w sobie bezużyteczne, ale mogą zawierać ważne informacje. Przy pomocy metody analizy wizualnej ten zalew danych jest analizowany elektronicznie, dzięki czemu człowiek zawsze ma wpływ na automatycznie generowane wyniki. Korzystając z odpowiednich interaktywnych wizualizacji , ludzie mogą dowolnie kontrolować proces analizy. W przeciwieństwie do czystej wizualizacji informacji , ludziom nie tylko przedstawia się wyniki, ale także daje się im możliwość interwencji w analizę i wpływania na algorytmy .

proces

Dane: heterogeniczne źródła danych muszą być najpierw wstępnie przetworzone (np. Skorygowane, znormalizowane itp.) Przed analizą wizualną lub automatyczną.

Modele: Za pomocą technik eksploracji danych generowane są modele oryginalnych danych, które są następnie wizualizowane w celu oceny lub dalszych ulepszeń.

Wizualizacja: Aby sprawdzić modele przez użytkownika, generowane są wizualizacje, które wzbogacane są o techniki interakcji w celu analizy.

Procedura opiera się na następującym paradygmacie:

„ Najpierw analiza - pokaż to, co ważne - powiększ, filtruj i dalej analizuj - szczegóły na żądanie ”

Ciągła zmiana między procesami wizualnymi i automatycznymi jest ważną cechą procesu analizy wizualnej. Sfałszowane wyniki można zatem rozpoznać na wczesnym etapie, aby uzyskać lepszy i bardziej wiarygodny wynik końcowy.

obszary zastosowań

Obszary zastosowań, w których trzeba przetwarzać i wizualizować duże ilości danych, korzystają z analizy wizualnej.

Na przykład:

  1. Fizyka i astronomia: Rozpoznawanie nieoczekiwanych zjawisk w ogromnych i dynamicznych strumieniach danych.
  2. Kontrola katastrof: Analiza sytuacji nadzwyczajnych w celu opracowania odpowiednich środków zaradczych, które pomogą ograniczyć szkody (klęski żywiołowe itp.).
  3. Biologia i medycyna: analiza dużych ilości danych biologicznych (genom człowieka itp.).
  4. Business Intelligence : analiza danych klientów.
  5. Modelowanie polityki i e-administracja: analiza danych do tworzenia polityki.

Obszary badawcze

Badania nad analityką wizualną dotyczą wielu interdyscyplinarnych aspektów, od analizy danych po percepcję wzrokową i interakcję człowiek-komputer .

Są to na przykład:

  1. Eksploracja danych i odkrywanie wiedzy w bazach danych : analiza danych heterogenicznych
  2. Wizualizacja informacji : interaktywna wizualizacja danych abstrakcyjnych za pomocą komputera
  3. Systemy inteligentne i adaptacyjne : systemy, które dostosowują się do wiedzy i umiejętności użytkowników
  4. Percepcja wzrokowa : badania i wyniki ludzkich umiejętności wzrokowych związanych z poznaniem , zwłaszcza z zadaniami poznawczymi do eksploracji i analizy
  5. Użyteczność i doświadczenie użytkownika : użyteczność ( użyteczność ) i doświadczenie użytkownika pod względem zrozumienia i doświadczenia

Instytucje badawcze

Indywidualne dowody

  1. ↑ DA Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: Analiza wizualna: zakres i wyzwania. Visual Data Mining, 2008, s. 76–90.
  2. ^ D. Keim, S. North, C. Panse, M. Sips: Visual Data Mining w dużych zestawach punktów geoprzestrzennych. W: IEEE Grafika komputerowa i aplikacje. Nr 12, 2004, str. 36-44.
  3. ↑ DA Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: Analiza wizualna: zakres i wyzwania. Visual Data Mining, 2008, s. 82.
  4. ^ J. Kohlhammer, U. Proff, A. Wiener: Visual Business Analytics. Skuteczny dostęp do danych i informacji. dpunkt.verlag, 2013.
  5. ^ Peter Sonntagbauer; Kawa Nazemi, Susanne Sonntagbauer, Giorgio Prister, Dirk Burkhardt (red.): Handbook of Research on Advanced ICT Integration for Governance and Policy Modeling. IGI Global, 2014. doi: 10.4018 / 978-1-4666-6236-0
  6. ↑ DA Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: Analiza wizualna: zakres i wyzwania. Visual Data Mining, 2008, s. 88.
  7. ↑ DA Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: Analiza wizualna: zakres i wyzwania. Visual Data Mining, 2008, s. 76–77.
  8. ^ K. Nazemi: Adaptive Semantics Visualization. Stowarzyszenia Eurographics, 2014, s. 15–78.
  9. ^ K. Nazemi: Adaptive Semantics Visualization. Stowarzyszenia Eurographics, 2014, s. 30–105.
  10. ^ K. Nazemi: Adaptive Semantics Visualization. Stowarzyszenia Eurographics, 2014.
  11. ↑ Grupa badawcza Interakcja człowiek-komputer i analiza wizualna (VIS), Uniwersytet Nauk Stosowanych w Darmstadt. Pobrano 30 kwietnia 2019 r. (Amerykański angielski).

literatura

  • JJ Thomas, KA Cook (red.): Oświetlanie ścieżki: Program badań i rozwoju w zakresie analityki wizualnej. IEEE Computer Society 2005, ISBN 0-7695-2323-4 .

linki internetowe