SCC0141 - Bancos de Dados e Suas Aplicações

1. SCC0141 - Bancos de Dados e Suas Aplicações Visualização de Informação Prof. Jose Fernando Rodrigues Junior

2. Roteiro • Introdução • Alguns Conceitos • Esquemas visuais mais usados • Interação, Sistematização e Processamento • Observações Conclusivas

3. 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?

4. 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

5. O problema Dados Transferência de dados Humano Objetivo: discernimento

6. Fatos  Evolução do Hardware • Apenas em 2010, estimativa de 5 zetabytes (270 B) • O armazenamento de novas informações tem crescido à taxa de mais de 30 % ao ano • Dobro do processamento a cada 18 meses (Moore’s Law) • Dobro de tecnologia gráfica a cada 12 meses • Tendência observada já há 50 anos  Crescimentodaprodução/fluxo de dados

7. Fatos  Evolução do Hardware • Apenas em 2010, estimativa de 5 zetabytes (270 B) • O armazenamento de novas informações tem crescido à taxa de mais de 30 % ao ano • 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 “O propósito da computação é compreensão, e não números.” Richard Hamming (Turing Award, 1968)  Crescimentodaprodução/fluxo de dados

8. Fatos • Em contraste, habilidades humanas básicas não mudam ao longo do tempo  Não evolução do ser humano As técnicas de Visualização de Informações reduzem este problema.  Conseqüência • Bancos de dados com uma quantidade de dados muito maior do que é possível para o ser humano aproveitar

9. 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?

10. 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?

11. 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)

12. Ciência Analítica Artefatos Elementares Ex.: dados e suposições Padrões Analíticos Ex.: tendência, classificação, relacionamento, agrupamentos,... Artefatos de Ordem Superior Ex.: inferência lógica (se então, se e somente se), modelos de regressão Hipóteses E Cenários (previsão, avaliação, explicação)

13. Ciência Analítica Principal abrangência da visualização Artefatos Elementares Ex.: dados e suposições Padrões Analíticos Ex.: tendência, classificação, relacionamento, agrupamentos,... Artefatos de Ordem Superior Ex.: inferência lógica (se então, se e somente se), modelos de regressão Hipóteses E Cenários (previsão, avaliação, explicação)

14. Ciência Analítica Mineração de dados e raciocínio suportado por visualização Principal abrangência da visualização Artefatos Elementares Ex.: dados e suposições Padrões Analíticos Ex.: tendência, classificação, relacionamento, agrupamentos,... Artefatos de Ordem Superior Ex.: inferência lógica (se então, se e somente se), modelos de regressão Hipóteses E Cenários (previsão, avaliação, explicação)

15. Ciência Analítica Profundo conhecimento de domínio Mineração de dados e raciocínio suportado por visualização Principal abrangência da visualização Artefatos Elementares Ex.: dados e suposições Padrões Analíticos Ex.: tendência, classificação, relacionamento, agrupamentos,... Artefatos de Ordem Superior Ex.: inferência lógica (se então, se e somente se), modelos de regressão Hipóteses E Cenários (previsão, avaliação, explicação)

16. Ciência Analítica • 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. • 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)

17. Roteiro • Introdução • Alguns Conceitos • Esquemas Visuais mais Usados • Interação, Sistematização e Processamento • Observações Conclusivas

18. Princípio da Visualização Dados Transferência de dados Humano

19. Princípio da Visualização • Os olhos têm acesso privilegiado ao cérebro • Mais de 50 % do cérebro é dedicado à visão

20. Recursos – pré-atenção Quantos números “4” há na cena? • Mecanismo da visão, duas fases • 1ª. Fase: pré-atenção instantânea e em paralelo • 2ª. Fase: varredura demorada e seqüencial

21. Recursos – pré-atenção  Cor PART. IDEOL. PE ESQ PI DIR PL PL ESQ PA PD DIR PC PJ PD PA ESQ PB PI PB DIR PL PA PE PJ DIR PK PC PK ESQ PJ PD PB PC ESQ PI PE PK Estímulos pré-atentivos 4 canais

22. Recursos – pré-atenção PD PC PL PB PART. IDEOL. PE PJ PE ESQ PI PA PI DIR PL PK PL ESQ PA PD DIR PC PJ PD PA ESQ PB PI PB DIR PE PJ DIR PK PK ESQ PC ESQ Estímulos pré-atentivos 4 canais  Posição

23. Recursos – pré-atenção PL PA PC PART. IDEOL. PJ PD PB PE ESQ PE PI PK PI DIR PL PL ESQ PA PD DIR PC PJ PD PA ESQ PB PI PB DIR PE PJ DIR PK PK ESQ PC ESQ Estímulos pré-atentivos 4 canais  Forma

24. Recursos – pré-atenção PART. IDEOL. PE ESQ PA PI DIR PL ESQ PI PD DIR PA ESQ PE PK PB DIR PJ DIR PK ESQ PC ESQ Estímulos pré-atentivos 4 canais  Tempo (animação cor, posição e/ou forma) PA PI PE PK

25. Recursos – pré-atenção Estímulos pré-atentivos

26. Recursos – pré-atenção Estímulos pré-atentivos • 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.

27. Recursos – pré-atenção Estímulos pré-atentivos • 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 • 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.

28. 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)

29. Recursos – pré-atenção Qual o estado com maiornívelsalarial? Qual a relação entre salário e educação? Comportamentosincomuns (outliers)?

30. Recursos – pré-atenção Nível educacional (% com curso superior) Salário annual Per Capita (U$)

31. Recursos:pré-atenção  percepção  raciocíonio

32. Recursos:pré-atenção  percepção  raciocíonio Observação Raciocínio • Interpretação • (padrões analíticos): • Correlação • Tendência • Classificação • Relacionamento • Sumarização • Exceções • Agrupamentos • Estrutura • Leitura, ... • Percepção • (padrões visuais): • Correspondência • Diferenciação • Conectividade • Arranjo • Significado • Variação • Pré-atenção: • Posição • Forma • Cor • Tempo

33. Recursos:pré-atenção  percepção  raciocíonio Conhecimento de domínio Projeto/ Sistematização/Utilização Etapa natural com pouca carga cognitiva Geração de conclusões com base no domínio dos dados Observação Raciocínio • Interpretação • (padrões analíticos): • Correlação • Tendência • Classificação • Relacionamento • Sumarização • Exceções • Agrupamentos • Estrutura • Leitura, ... • Percepção • (padrões visuais): • Correspondência • Diferenciação • Conectividade • Arranjo • Significado • Variação • Pré-atenção: • Posição • Forma • Cor • Tempo

34. Recursos:pré-atenção  percepção  raciocíonio Padrões visuais: ● Correspondência ● Diferenciação ● Conectividade ● Arranjo ● Significado ● Variação Canal: Posição ● Forma ● Cor ● Tempo ●

35. Demonstração • PROJEÇÃO 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) Mundo: Fertilidade X População

36. Como a visualização pode ajudar? • 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

37. 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

38. Demonstração Mundo: Distribuição de renda

39. Demonstração Mundo: Distribuição de renda

40. Linhas Gerais de Aplicação

41. Linhas Gerais de Aplicação

42. Projeto e desenvolvimento

43. Dados Formato Visual Dados “crus” Dados estruturados Design Visual Visualização Transformações do Dados Mapeamento Visual Transformações Visuais Sistema de Visualização Sistematização Processamento Pré-visualização Técnicas de Visualização Técnicas de Interação Visual

44. Roteiro • Introdução • Alguns Conceitos • Esquemas Visuais mais Usados • Interação, Sistematização e Processamento • Observações Conclusivas

45. Esquemas visuais mais usados • Projeções geométricas • Técnicas iconográficas • Técnicas hierárquicas • Técnicas orientadas a pixels Classificação que segue à organização visual

46. Projeção geométrica Coordenadas Paralelas X0: 5 X3 X1: 1 X0 X1 X2 X2: 10 X3: 7 10 0 Atributo 0 Atributo 1 Atributo 2 Atributo 3

47. Projeção geométrica Coordenadas 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

48. Projeção geométrica Matriz de Scatter Plots • MATRIZ 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 • Matriz de Scatter Plots • Projeção dos atributos combinados • Correlação

49. Projeção geométrica Table Lens • Análise Geral • Percepções • Posição: correspondência, arranjo • Forma: correspondência, significado • Cor: diferenciação • Interpretações: • Correlação • Tendência • Classificação • Exceções • Leitura • TABLE LENS • Dados de filmes • Rank de arrecadação (RANK) • Lançamento (RELEASE DATE) • Arrecadação (CUMULATIVE GROSS) • Distribuidora (DISTRIBUTOR) • Título (TITLE) • Software: Table Lens

50. Técnicas IconográficasStar Glyphs • Peso: 5 • Aceleração: 2 • Peso: 10 • MPG: 1 • Potência: 5