Angewandte Künstliche Intelligenz (AKI)

Bundesweit einer der ersten Bachelor-Studiengänge auf dem Zukunftsgebiet der Künstlichen Intelligenz
Bewerben Studienberatung
Fakultät EMI

Modulhandbuch

←  Zurück 

Visual Analytics

Empfohlene Vorkenntnisse

Keine
Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen grundlegende Methoden und Theorien zu Visual Analytics, einschließlich Grundlagen der Wahrnehmung, Datentypen, Skalen, Diagramme und Techniken zur visuellen Exploration und  Interaktion. Sie lernen wie man komplexe Datenmengen effektiv exploriert und interaktiv analysiert werden können. Sie kennen die Möglichkeiten von speziellen Tools zur Visualisierung und können diese Werkzeuge zielführend zur explorativen Analyse und Interaktion anwenden. Sie haben praktische Erfahrungen bei der Konzeption und Realisierung von Visualisierungsanwendungen.

 
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 120
Workload 180
ECTS 6.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Visual Anayltics" (K60) "Praktikum Visual Anayltics" muss "m.E." attestiert sein.
Modulverantwortlicher

Prof. Dr. Daniela Oelke
Max. Teilnehmer 41
Empf. Semester 1
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Bachelor-Studiengang AKI
Veranstaltungen

Visual Analytics

Art Vorlesung
Nr. EMI906
SWS 2.0
Lerninhalt

Die LV umfasst folgende Lerninhalte:

  • Grundlagen der menschlichen Wahrnehmung
  • Mensch-Computer-Interaktion
  • Datentypen, Skalen, Datenvorverarbeitung
  • Grundlagen der deskriptiven Statistik
  • Design-Prinzipien effektiver Visualisierung (visuelle Variablen und ihre Genauigkeit, Separierbarkeit, Diskriminierbarkeit, vorbewusste Wahrnehmung, Gestaltgesetze)
  • Visualisierungen für univariate Daten (Histogramme, Density Plots, Box Plots)
  • Visualisierungen für multivariate Daten (Scatterplot, Parallele Koordinaten, Balkendiagramm, Heatmap, Kreisdiagramm, Flächendiagramm, inkl. gestapelte und normalisierte Varianten, Glyphen)
  • Spezielle Visualisierungen für zeitabhängige Daten, geographische Daten, Netzwerke und Graphen
  • Design von graphischen Nutzerschnittstellen
  • Evaluierung von Visualisierungen und graphischen Nutzerschnittstellen (Nutzerstudien, Umfragen, Interviews, Feldstudien)
  • Interaktionsmöglichkeiten mit Visualisierung
  • Datenbasiertes Storytelling

 

 

 

 

 
Literatur

Munzner, Tamara (2014): Visualization Analysis & Design. A K Peters.

Ward, Matthew; Grinstein, George; Keim, Daniel A. (2010): Interactive Data Visualization. Foundations, Techniques, and Applications. A K Peters.

Ware, Colin (2012): Information Visualization: Perception for Design. Morgan Kaufmann.

Few, Stephen (2012): Show Me the Numbers: Designing Tables and Graphs to Enlighten. Analytics Pr.

Nussbaumer Knaflic, Cole (2017): Storytelling mit Daten: Die Grundlagen der effektiven Kommunikation und Visualisierung mit Daten. Vahlen.

Yau, Nathan (2014): Einstieg in die Visualisierung: wie man aus Daten Informationen macht. Wiley-VCH-Verlag4.

Praktikum Visual Analytics

Art Praktikum
Nr. EMI907
SWS 2.0
Lerninhalt

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

  • Datenvorverarbeitung
  • Visualisierung von Daten
  • Anwenden von Visualisierungstools
  • Durchführen eines Projekts zur visuellen Exploration mit Hilfe von Visualisierungen

 

 
Literatur

Milligan, Joshua N. (2022): Learning Tableau 2022 : create effective data visualizations, build interactive visual analytics, and transform your organization. Packt Publishing.

Few, Stephen (2012): Show Me the Numbers: Designing Tables and Graphs to Enlighten. Analytics Pr.

Nussbaumer Knaflic, Cole (2017): Storytelling mit Daten: Die Grundlagen der effektiven Kommunikation und Visualisierung mit Daten. Vahlen.
←  Zurück