View
241
Download
0
Category
Preview:
Citation preview
Fundamentos em Visualização
SCC5836 – Visualização Computacional
Prof. Fernando V. Paulovichhttp://www.icmc.usp.br/~paulovic
paulovic@icmc.usp.br
Instituto de Ciências Matemáticas e de Computação (ICMC)Universidade de São Paulo (USP)
1 / 85
Sumário
1 Processo de Visualização
2 Semiologia de Símbolos Gráficos
3 As Oito Variáveis Visuais
4 Taxonomias
5 Referências
2 / 85
Processo de Visualização
No pipeline de visualização usuários podem interagir emqualquer ponto e cada ligação entre blocos é um mapeamentomuitos-para-muitos
3 / 85
Processamento de dados e Transformação
Primeiro passo é a conversão dos dados em umarepresentação adequada ao processamento computacional
Tratar valores ausentes (interpolação)Identificar dados errados (medidos ou computados)Se necessário, diminuir a quantidade de dados (amostragem,filtragem ou agregação)Verificar necessidades de Normalização dos dados
4 / 85
Mapeamento para Visualização
A seguir os dados podem ser mapeados em representaçõesgráficas específicas
Escolha de geometria, cor, textura, etc.
(a) (b)
Figura: Diferentes exemplos de mapeamento visual. (a) escolha ruim e (b)escolha um pouco melhor.
5 / 85
Transformações de Rendering
O estágio final envolve mapear a geometria dos dados em umaimagem
Requer alguma API gráfica, como OpenGL, Java 3D, etc.
6 / 85
Medidas de Visualização
Duas medidas de qualidade das visualizações são essenciaisExpressividade e efetividade
7 / 85
Medidas de Visualização
Expressividade
Mede a concentração de informação como a razão entre ainformação pretendida pelo “designer” da visualização e arealmente transmitida (0≤Mexp ≤ 1)
Mexp < 1 transmite menos informação do que o desejado
Mexp > 1 transmite mais informação do que o desejadoMexp = 1 transmite exatamente a informação desejada
8 / 85
Medidas de Visualização
Expressividade
Mede a concentração de informação como a razão entre ainformação pretendida pelo “designer” da visualização e arealmente transmitida (0≤Mexp ≤ 1)
Mexp < 1 transmite menos informação do que o desejadoMexp > 1 transmite mais informação do que o desejado
Mexp = 1 transmite exatamente a informação desejada
9 / 85
Medidas de Visualização
Expressividade
Mede a concentração de informação como a razão entre ainformação pretendida pelo “designer” da visualização e arealmente transmitida (0≤Mexp ≤ 1)
Mexp < 1 transmite menos informação do que o desejadoMexp > 1 transmite mais informação do que o desejadoMexp = 1 transmite exatamente a informação desejada
10 / 85
Medidas de Visualização
EfetividadeMede o custo associado a interpretar uma visualizaçãocorretamente e rapidamente e o seu custo de rendering,definida por
Meff =1
(1+Tinterpretar +Tdesenhar)
Quanto maior o valor de Meff , maior a efetividade da visualização
Se Meff é pequeno é porque o tempo de interpretação ou dedesenho são grandes
11 / 85
Medidas de Visualização
EfetividadeMede o custo associado a interpretar uma visualizaçãocorretamente e rapidamente e o seu custo de rendering,definida por
Meff =1
(1+Tinterpretar +Tdesenhar)
Quanto maior o valor de Meff , maior a efetividade da visualização
Se Meff é pequeno é porque o tempo de interpretação ou dedesenho são grandes
12 / 85
Medidas de Visualização
Figura: Na análise do preço ou consumo dos carros a expressividade deambas as visualizações é possivelmente equivalente, mas a efetividade édiferente. Por exemplo, considere as tarefas de identificar qual carroapresenta a melhor milhagem, ou qual carro com preço acima de US$11,000apresenta melhor consumo.
13 / 85
Sumário
1 Processo de Visualização
2 Semiologia de Símbolos Gráficos
3 As Oito Variáveis Visuais
4 Taxonomias
5 Referências
14 / 85
Semiologia de Símbolos Gráficos
Semiologia é ciência que estuda o uso de símbolos emarcadores
Qualquer construção possível no plano Euclideano é umarepresentação gráfica composta por símbolos gráficos
15 / 85
Símbolos e Visualizações
Algumas representações são universais e podem serreconhecidas pré-atentivamente, outras demandam esforço.Processo cognitivo: resulta em uma identificação externa
16 / 85
Símbolos e Visualizações
Algumas representações são universais e podem serreconhecidas pré-atentivamente, outras demandam esforço. Épreciso:
1 identificar e interpretar os elementos fundamentais
2 identificar e interpretar as relações entre eles
Processo cognitivo: resulta em uma identificação externa
17 / 85
Símbolos e Visualizações
Algumas representações são universais e podem serreconhecidas pré-atentivamente, outras demandam esforço. Épreciso:
1 identificar e interpretar os elementos fundamentais2 identificar e interpretar as relações entre eles
Processo cognitivo: resulta em uma identificação externa
18 / 85
Símbolos e Visualizações
A descoberta de relações ou padrões começa pelomapeamento das relações entre os dados e os símbolosgráficos que os representam
Quaisquer padrões percebidos na tela devem implicar em umpadrão correspondente nos dados, caso contrário tem-se umartefato
Qualquer ordem percebida entre os símbolos deve refletir umaordem dos dados
Similaridade na estrutura dos dados⇔ similaridade visual dossímbolos correspondentes
Ordem entre os itens de dados⇔ ordem visual entre ossímbolos correspondentes
19 / 85
Símbolos e Visualizações
A descoberta de relações ou padrões começa pelomapeamento das relações entre os dados e os símbolosgráficos que os representam
Quaisquer padrões percebidos na tela devem implicar em umpadrão correspondente nos dados, caso contrário tem-se umartefatoQualquer ordem percebida entre os símbolos deve refletir umaordem dos dados
Similaridade na estrutura dos dados⇔ similaridade visual dossímbolos correspondentes
Ordem entre os itens de dados⇔ ordem visual entre ossímbolos correspondentes
20 / 85
Símbolos e Visualizações
A descoberta de relações ou padrões começa pelomapeamento das relações entre os dados e os símbolosgráficos que os representam
Quaisquer padrões percebidos na tela devem implicar em umpadrão correspondente nos dados, caso contrário tem-se umartefatoQualquer ordem percebida entre os símbolos deve refletir umaordem dos dados
Similaridade na estrutura dos dados⇔ similaridade visual dossímbolos correspondentes
Ordem entre os itens de dados⇔ ordem visual entre ossímbolos correspondentes
21 / 85
Símbolos e Visualizações
A descoberta de relações ou padrões começa pelomapeamento das relações entre os dados e os símbolosgráficos que os representam
Quaisquer padrões percebidos na tela devem implicar em umpadrão correspondente nos dados, caso contrário tem-se umartefatoQualquer ordem percebida entre os símbolos deve refletir umaordem dos dados
Similaridade na estrutura dos dados⇔ similaridade visual dossímbolos correspondentes
Ordem entre os itens de dados⇔ ordem visual entre ossímbolos correspondentes
22 / 85
Símbolos e Visualizações
A descoberta de relações ou padrões começa pelomapeamento das relações entre os dados e os símbolosgráficos que os representam
Quaisquer padrões percebidos na tela devem implicar em umpadrão correspondente nos dados, caso contrário tem-se umartefatoQualquer ordem percebida entre os símbolos deve refletir umaordem dos dados
Similaridade na estrutura dos dados⇔ similaridade visual dossímbolos correspondentes
Ordem entre os itens de dados⇔ ordem visual entre ossímbolos correspondentes
23 / 85
Análise de um Gráfico
Quando analisamos um gráficoPrimeiro percebemos grupos de objetos (pré-atentivamente)
Então tentamos categorizar esses grupos (cognitivamente)Por fim, analisamos casos especiais, como elementos que nãoforam agrupados ou relações entre grupos
Processo executado em múltiplos níveis que pode ser apoiadopor visualizações distintasVisualização pode ser integrada a ferramentas analíticas
24 / 85
Análise de um Gráfico
Quando analisamos um gráficoPrimeiro percebemos grupos de objetos (pré-atentivamente)Então tentamos categorizar esses grupos (cognitivamente)
Por fim, analisamos casos especiais, como elementos que nãoforam agrupados ou relações entre grupos
Processo executado em múltiplos níveis que pode ser apoiadopor visualizações distintasVisualização pode ser integrada a ferramentas analíticas
25 / 85
Análise de um Gráfico
Quando analisamos um gráficoPrimeiro percebemos grupos de objetos (pré-atentivamente)Então tentamos categorizar esses grupos (cognitivamente)Por fim, analisamos casos especiais, como elementos que nãoforam agrupados ou relações entre grupos
Processo executado em múltiplos níveis que pode ser apoiadopor visualizações distintasVisualização pode ser integrada a ferramentas analíticas
26 / 85
Análise de um Gráfico
Quando analisamos um gráficoPrimeiro percebemos grupos de objetos (pré-atentivamente)Então tentamos categorizar esses grupos (cognitivamente)Por fim, analisamos casos especiais, como elementos que nãoforam agrupados ou relações entre grupos
Processo executado em múltiplos níveis que pode ser apoiadopor visualizações distintasVisualização pode ser integrada a ferramentas analíticas
27 / 85
Análise de um Gráfico
Quando analisamos um gráficoPrimeiro percebemos grupos de objetos (pré-atentivamente)Então tentamos categorizar esses grupos (cognitivamente)Por fim, analisamos casos especiais, como elementos que nãoforam agrupados ou relações entre grupos
Processo executado em múltiplos níveis que pode ser apoiadopor visualizações distintasVisualização pode ser integrada a ferramentas analíticas
28 / 85
Sumário
1 Processo de Visualização
2 Semiologia de Símbolos Gráficos
3 As Oito Variáveis Visuais
4 Taxonomias
5 Referências
29 / 85
As Oito Variáveis Visuais
Uma forma de codificar dados em uma representação gráfica émapear diferentes instâncias e seus atributos em diferentesmarcadores gráficos
Marcadores gráficos têm propriedades variáveis: cor, tamanho,etc., sendo possível codificar até oito variáveis visuais
1 posição2 formato (ou marcador)3 tamanho (comprimento, área ou volume)4 brilho (ou luminância)5 cor6 orientação7 textura8 movimento
30 / 85
As Oito Variáveis Visuais
Uma forma de codificar dados em uma representação gráfica émapear diferentes instâncias e seus atributos em diferentesmarcadores gráficos
Marcadores gráficos têm propriedades variáveis: cor, tamanho,etc., sendo possível codificar até oito variáveis visuais
1 posição2 formato (ou marcador)3 tamanho (comprimento, área ou volume)4 brilho (ou luminância)5 cor6 orientação7 textura8 movimento
31 / 85
Posição
Posição (1D, 2D ou 3D) é o atributo mais importanteArranjo espacial é o primeiro passo na leitura da visualização
Figura: Exemplos de representação com sobreposição (a) e com melhorespalhamento (b).
32 / 85
Marcador ou Forma
Qualquer elemento gráfico pode ser usado como ummarcador, incluindo símbolos, letras e palavras
Figura: Exemplos de marcadores.
33 / 85
Marcador ou Forma
Marcadores devem ser tão diferentes entre si quanto possível,de modo a serem facilmente distinguíveis
Os diferentes marcadores devem ter área e complexidadesimilares para evitar que um seja mais destacado que outros
34 / 85
Tamanho (Comprimento, Área e Volume)
Posição e formato são as variáveis mais importantes, as outrasapenas afetam a maneira como essas representações sãomostradas, como o tamanho dos marcadores
35 / 85
Tamanho (Comprimento, Área e Volume)
Tamanho pode ser usado para mapear variáveis contínuas ecategóricas, mas no segundo caso deve-se considerar poucascategorias
Figura: Exemplo de utilização de tamanho para atributo contínuo (preço docarro).
36 / 85
Brilho
Apesar de ser possível utilizar qualquer valor de Brilho (ouluminância), não é possível distinguir todos os pares de valores
Deve-se considerar um conjunto reduzido de valores de brilho
37 / 85
Brilho
Figura: Exemplo da utilização de brilho para codificar variáveis (tamanho docarro).
38 / 85
Cor
Cor pode ser definida por meio da saturação e tonalidadeMatiz é o comprimento da onda dominante (cor) e saturação é onível de matiz relativo ao cinza (pureza da cor)
Figura: Matiz é definido na horizontal e saturação na vertical.
39 / 85
Cor
Valores são mapeados em cores normalmente por meio de ummapa de cores (colormaps)
Normalmente associado a dados contínuos, mas na presença depoucas categorias também pode ser assocido a valores nominais
40 / 85
Cor
Figura: Exemplo de uso de cor para mapear valores (comprimento do carro).
41 / 85
Orientação
Orientação ou direção é processada pré-atentivamenteNão pode ser usada com todos os marcadores, os melhores sãoos que apresentam um único eixo natural
42 / 85
Orientação
Figura: Exemplo de orientação para mapeamento de valores (preço médiodo carro).
43 / 85
Textura
Textura pode ser vista como a combinação de outraspropriedades, como forma, cor e orientação
44 / 85
Textura
Figura: Exemplo do uso de textura para mapear valores (tipo de carro).
45 / 85
Movimento
Movimento pode ser associado a qualquer das outraspropriedades visuais
Importante para indicar variação temporal
G. Robertson, R. Fernandez, D. Fisher, B. Lee, J. Stasko.Effectiveness of Animation in Trend Visualization. IEEETransactions on Visualization and Computer Graphics, vol. 14,no. 6, pp. 1325-1332, November/December, 2008
46 / 85
Movimento
Movimento pode ser associado a qualquer das outraspropriedades visuais
Importante para indicar variação temporal
G. Robertson, R. Fernandez, D. Fisher, B. Lee, J. Stasko.Effectiveness of Animation in Trend Visualization. IEEETransactions on Visualization and Computer Graphics, vol. 14,no. 6, pp. 1325-1332, November/December, 2008
47 / 85
Sumário
1 Processo de Visualização
2 Semiologia de Símbolos Gráficos
3 As Oito Variáveis Visuais
4 Taxonomias
5 Referências
48 / 85
Taxomomias
Tentativas de sistematizar e organizar os diversos elementos doprocessoOs dados tratados, as técnicas de visualização, as tarefas eos métodos para interação, definindo diferentes taxonomias
49 / 85
Taxonomia Tipos de Dados por Tarefas
Shneiderman [Shneiderman, 1996] propôs uma taxonomia daárea de visualização em termos da natureza dos dados e dastarefas associadas
Os tipos de dados são
unidimensional linearmapa bidimensionalmundo tridimensionaltemporalmultidimensionalárvorerede
50 / 85
Taxonomia Tipos de Dados por Tarefas
Shneiderman [Shneiderman, 1996] propôs uma taxonomia daárea de visualização em termos da natureza dos dados e dastarefas associadas
Os tipos de dados sãounidimensional linear
mapa bidimensionalmundo tridimensionaltemporalmultidimensionalárvorerede
51 / 85
Taxonomia Tipos de Dados por Tarefas
Shneiderman [Shneiderman, 1996] propôs uma taxonomia daárea de visualização em termos da natureza dos dados e dastarefas associadas
Os tipos de dados sãounidimensional linearmapa bidimensional
mundo tridimensionaltemporalmultidimensionalárvorerede
52 / 85
Taxonomia Tipos de Dados por Tarefas
Shneiderman [Shneiderman, 1996] propôs uma taxonomia daárea de visualização em termos da natureza dos dados e dastarefas associadas
Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensional
temporalmultidimensionalárvorerede
53 / 85
Taxonomia Tipos de Dados por Tarefas
Shneiderman [Shneiderman, 1996] propôs uma taxonomia daárea de visualização em termos da natureza dos dados e dastarefas associadas
Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensionaltemporal
multidimensionalárvorerede
54 / 85
Taxonomia Tipos de Dados por Tarefas
Shneiderman [Shneiderman, 1996] propôs uma taxonomia daárea de visualização em termos da natureza dos dados e dastarefas associadas
Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensionaltemporalmultidimensional
árvorerede
55 / 85
Taxonomia Tipos de Dados por Tarefas
Shneiderman [Shneiderman, 1996] propôs uma taxonomia daárea de visualização em termos da natureza dos dados e dastarefas associadas
Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensionaltemporalmultidimensionalárvore
rede
56 / 85
Taxonomia Tipos de Dados por Tarefas
Shneiderman [Shneiderman, 1996] propôs uma taxonomia daárea de visualização em termos da natureza dos dados e dastarefas associadas
Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensionaltemporalmultidimensionalárvorerede
57 / 85
Taxonomia Tipos de Dados por Tarefas
Os tipos de tarefas, mais centradas nas atividades de umanalista, são
Visão geral - obter uma visão geral dos dados
Zoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos
Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!
58 / 85
Taxonomia Tipos de Dados por Tarefas
Os tipos de tarefas, mais centradas nas atividades de umanalista, são
Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma região
Filtragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos
Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!
59 / 85
Taxonomia Tipos de Dados por Tarefas
Os tipos de tarefas, mais centradas nas atividades de umanalista, são
Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)
Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos
Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!
60 / 85
Taxonomia Tipos de Dados por Tarefas
Os tipos de tarefas, mais centradas nas atividades de umanalista, são
Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessário
Relacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos
Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!
61 / 85
Taxonomia Tipos de Dados por Tarefas
Os tipos de tarefas, mais centradas nas atividades de umanalista, são
Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itens
Histórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos
Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!
62 / 85
Taxonomia Tipos de Dados por Tarefas
Os tipos de tarefas, mais centradas nas atividades de umanalista, são
Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivo
Extração - extrair itens ou dados para facilitar outros usos
Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!
63 / 85
Taxonomia Tipos de Dados por Tarefas
Os tipos de tarefas, mais centradas nas atividades de umanalista, são
Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos
Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!
64 / 85
Taxonomia Tipos de Dados por Tarefas
Os tipos de tarefas, mais centradas nas atividades de umanalista, são
Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos
Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!
65 / 85
Taxonomia Tipos de Dados por Tarefas
Os tipos de tarefas, mais centradas nas atividades de umanalista, são
Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos
Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!
66 / 85
Taxonomia de Keim
Keim [Keim, 2002] propôs uma classificação de sistemas devisualização segundo três dimensões
tipos de dadostécnicas de visualizaçãométodos de interação/distorção
67 / 85
Taxonomia de Keim
Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.
bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.
68 / 85
Taxonomia de Keim
Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.
multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.
69 / 85
Taxonomia de Keim
Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.
texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.
70 / 85
Taxonomia de Keim
Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.
hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.
71 / 85
Taxonomia de Keim
Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.
algoritmos e software - software, memória, etc.
72 / 85
Taxonomia de Keim
Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.
73 / 85
Taxonomia de Keim
As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.
Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.Display denso de pixels - padrões recursivos, segmento decírculos, etc.Displays empilhados - dimensional stacking, treemaps, conetress, etc.
74 / 85
Taxonomia de Keim
As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.
Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.Display denso de pixels - padrões recursivos, segmento decírculos, etc.Displays empilhados - dimensional stacking, treemaps, conetress, etc.
75 / 85
Taxonomia de Keim
As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.
Display denso de pixels - padrões recursivos, segmento decírculos, etc.Displays empilhados - dimensional stacking, treemaps, conetress, etc.
76 / 85
Taxonomia de Keim
As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.Display denso de pixels - padrões recursivos, segmento decírculos, etc.
Displays empilhados - dimensional stacking, treemaps, conetress, etc.
77 / 85
Taxonomia de Keim
As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.Display denso de pixels - padrões recursivos, segmento decírculos, etc.Displays empilhados - dimensional stacking, treemaps, conetress, etc.
78 / 85
Taxonomia de Keim
As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.
Filtros interativos - magic lenses, InforCrystal, etc.Zoom interativo - TableLens, IVEE/Spotfire, etc.Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.
79 / 85
Taxonomia de Keim
As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.Filtros interativos - magic lenses, InforCrystal, etc.
Zoom interativo - TableLens, IVEE/Spotfire, etc.Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.
80 / 85
Taxonomia de Keim
As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.Filtros interativos - magic lenses, InforCrystal, etc.Zoom interativo - TableLens, IVEE/Spotfire, etc.
Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.
81 / 85
Taxonomia de Keim
As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.Filtros interativos - magic lenses, InforCrystal, etc.Zoom interativo - TableLens, IVEE/Spotfire, etc.Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.
Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.
82 / 85
Taxonomia de Keim
As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.Filtros interativos - magic lenses, InforCrystal, etc.Zoom interativo - TableLens, IVEE/Spotfire, etc.Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.
83 / 85
Taxonomia de Keim
84 / 85
Sumário
1 Processo de Visualização
2 Semiologia de Símbolos Gráficos
3 As Oito Variáveis Visuais
4 Taxonomias
5 Referências
85 / 85
Referências
Ward, M., Grinstein, G. G., Keim, D. Interactive datavisualization foundations, techniques, and applications.Natick, Mass., A K Peters, 2010.
Keim, D. A. (2002).Information visualization and visual data mining.IEEE Transactions on Visualization and Computer Graphics, 8:1–8.
Shneiderman, B. (1996).The eyes have it: A task by data type taxonomy for information visualizations.In Proceedings of the 1996 IEEE Symposium on Visual Languages, pages 336–,Washington, DC, USA. IEEE Computer Society.
86 / 85
Recommended