Visuelle Analyse

Visual Analytics ist ein interdisziplinärer Ansatz, der die Vorteile aus unterschiedlichem Forschungsgebiet verknüpft . Die Seele der Visual-Analytics-Methode ist die Anerkennung der extremen Wichtigkeit und Komplexität von Daten. Der Ansatz kombiniert die Stärken der Automatischen Datenanalyse mit den Fähigkeiten des Menschen , Schnell Muster oder Trends visuele zu erfassen. Durch geeignete Interaktionsmechanismen konnten Daten gewonnen werden und visuelle Erkenntnisse gewonnen werden. Das Buch wurde 2004 „beleuchtet den Weg“. [2]

Motivation

Der visuelle Analyseworkflow. Basierend auf DA Keim, J. Kohlhammer, GP Ellis, F. Mansmann: Das Informationszeitalter meistern – Probleme mit Visual Analytics lösen. Eurografie, 2010.

Die Stetig Wachse Menge eines zu verarbeitenden Daten hat dazu geführt, that immer Größere Speichermedien Entwickelt gerechnet wurden. Es wird abermals gefiltert oder vorbereitet, außer als Rohdaten abgespeichert. This data is for you touch their whatever, whatever using informations bähhalten. Mit Hilfe des Visual Analytics Ansatzes Wird this Datenflut ELEKTRONISCHER Analysiert, Wobei der Mensch Stets einfluss Auf die automatically generierten ergebnisse Hass. Mittel angemessener interaktiviert die VisualisierungVielleicht ist der Analyseprozess ein Beliebiger Link. Im Gegensatz zur Rentier Informationsvisualisierung Wird sie Menschen auch nicht nur Ergebnisse präsentiert, Hinaus Sondern daruber WURDEN IHM möglichkeit gegeben, in stirbt Analyse sterben einzugreifen sterben und Algorithmus zu beeinflussen.

Prozess

Daten: heterogene Datenquellen müssen vorverwendet werden (z. B. bereitet, normalisiert, etc.).

Modelle: Mit Hilfe von Data-Mining-Technik Werden Modelle des Original – Daten Generieren, Welche daraufhin zu Evaluationszwecken oder für weiteres Verb Esser Kind und visualisieren Werden.

Visualisierung: Um stirbt Modelle Durch EINEN Benutzer zu opinions, Werden Visualisierungen Generieren, Welche mit Interaktionstechniken für eine Analyse angereichert Werden.

Die Vorgehensweise orientiert sich an einem folgenden Paradigma:

“ Analyse zuerst – zeige das Wichtige – Zoom, Filter und Analyse weiter – Details zur Nachfrage “ [3]

Dabei ist ein Siegel Wechsel between visuelle und MATIC Vorgängen Eine Wicht Eigenschaft des Visual Analytics Prozess. Fälliges Ergebnis kann frühestens bekannt werden, um ein besseres und zuverlässigeres Ergebnis zu erhalten.

Anwendungsgebiete

Anwendungsbereiche, in denen große Zahlen und Daten verarbeitet und visualisiert werden, profitieren von Visual Analytics.

Das sind zum Beispiel:

  1. Physik und Astronomie: Erkennen von unwarworthets Phänomenen in riesigen und dynamischen Datenströmen.
  2. Katastrophenschutz: Die Analyse Wacholder Notsituation, um geeignete Gegenmaßnahmen zu Entwickeln, stirbt den Schaden einzugrenzen (Naturkatastrophen, etc.) helfen.
  3. Biologie und Medizin: Die Analyse des biomedizinischen Mischens (das menschliche Genom, etc.).
  4. Business Intelligence : Analyse von Kundendaten. [4]
  5. Policy Modeling und E-Government: Analyse von Daten und politische Entscheidungsfindung. [5]

Forschungsbereiche

The forschung to Visual Analytics the collection of the differences of the data analyses to the visual water effects and Human -Computer Interaction .

This sind zum Beispiel:

  1. Data Mining und Knowledge Discovery in Datenbanken : Analyse heterogener Dating [6]
  2. Informationsvisualisierung : Computergestützte interaktive Visualisierung abstrahiert das Datum, [7]
  3. Intelligente und adaptive System : Systeme, sterben SiCH An die Kenntnisse und Fähigkeiten der Benutzer angepasst [8]
  4. Visuelle Wahrnehmung : Forschung und ergebnisse der Menschlich visuelle Fähigkeiten in BEZUG zur Kognition , insbesondere die kognitiven Aufgaben zur Erforschung und Analyse [9]
  5. Usability und User Experience : Benutzungstauglichkeit ( Gebrauchstauglichkeit ) und Benutzungserlebnis in BEZUG auf Verstehen und Erleben [10]

Forschungseinrichtungen

  • Pacific Northwest National Laboratory (PNNL)
  • Nationales Zentrum für Visual Analytics (NCVA)
  • Arbeitsgruppe Datenanalyse und Visualisierung, Universität Konstanz
  • Information und Visual Analytics, Fraunhofer-Institut für graphischen Datenschutz

Einzelstunden

  1. Hochspringen↑ DA Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: Visuelle Analytik: Umfang und Herausforderungen. Visual Data Mining, 2008, S. 76-90.
  2. Hochspringen↑ D. Keim, S. Nord, C. Panse, M. Sips: Visuelles Data Mining in großen Geo-Spatial Point Sets. In: IEEE Computergrafik und Anwendung. Auf Rang. 12, 2004, S. 36-44.
  3. Hochspringen↑ DA Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: Visuelle Analytik: Umfang und Herausforderungen. Visual Data Mining, 2008, S. 82.
  4. Hochspringen↑ J. Kohlhammer, U. Proff, A. Wiener: Visual Business Analytics. Effektiver Zugang zu Daten und Informationen. dpunkt.verlag, 2013.
  5. Hochspringen↑ Peter Sonntagbauer; Kawa Nazemi, Susanne Sonntagbauer, Giorgio Prister, Dirk Burkhardt (Hrsg.): Handbuch der Forschung zu fortgeschrittener IKT-Integration für Governance und Politikmodellierung. IGI Global, 2014.doi: 10.4018 / 978-1-4666-6236-0
  6. Hochspringen↑ DA Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: Visuelle Analytik: Umfang und Herausforderungen. Visual Data Mining, 2008, S. 88.
  7. Hochspringen↑ DA Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: Visuelle Analytik: Umfang und Herausforderungen. Visual Data Mining, 2008, S. 76-77.
  8. Hochspringen↑ K. Nazemi: Adaptive Semantik-Visualisierung. Eurographics Associations, 2014, S. 15-78.
  9. Hochspringen↑ K. Nazemi: Adaptive Semantik-Visualisierung. Eurographics Associations, 2014, S. 30-105.
  10. Hochspringen↑ K. Nazemi: Adaptive Semantik-Visualisierung. Eurographische Vereinigungen, 2014.

Schreibe einen Kommentar