SCC Bancos de Dados e Suas Aplicações

Apresentação em tema: "SCC Bancos de Dados e Suas Aplicações"— Transcrição da apresentação:

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? Nesta apresentação pretende-se introduzir a ciência de visualização de informações. Ao final desta apresentação pretende-se se capaz de responder às seguintes questões.

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

7 Fatos  Evolução do Hardware
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)  Crescimento da produção/fluxo de dados Zetabyes: Apenas em 2010, estimativa de 5 zetabytes (270 B) O armazenamento de novas informações tem crescido à taxa de mais de 30 % ao ano

8 Fatos  Não evolução do ser humano
Em contraste, habilidades humanas básicas não mudam ao longo do tempo 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
Tabela Balancete Trimestre Faturamento 1 70 2 20 3 5 4 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 Principal abrangência da visualização
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 Principal abrangência da visualização
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 Objetivos: Artefatos de racionalização:
Outros recursos: Descartes R Discourse on Method; Jones M The Thinker’s Toolkit: 14 Powerful Techniques for Problem Solving. Three Rivers Press; Heuer R Psychology of Intelligence Analysis. U.S. Government Printing Office; Adams JL 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
Mecanismo da visão, duas fases 1ª. Fase: pré-atenção instantânea e em paralelo 2ª. Fase: varredura demorada e seqüencial Quantos números “4” há na cena?

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

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

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

24 Recursos – pré-atenção
Estímulos pré-atentivos 4 canais PE PI PL DIR ESQ PD PA PB PJ PK PC IDEOL. PART. PE PA PI PK  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 maior nível salarial? Qual a relação entre salário e educação? Comportamentos incomuns (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, ... Pré-atenção: Posição Forma Cor Tempo Percepção (padrões visuais): Correspondência Diferenciação Conectividade Arranjo Significado Variação

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, ... Pré-atenção: Posição Forma Cor Tempo Percepção (padrões visuais): Correspondência Diferenciação Conectividade Arranjo Significado Variação

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

35 Recursos: pré-atenção  percepção  raciocíonio

36 Demonstração Mundo: Renda X Emissão de Carbono PROJEÇÃO ANIMADA
Dados de IDH Ano Nome do país Tamanho da população Grupo de renda Renda per capita (U$) Emissão de CO2 (ton/pessoa) Software: Gapminder (spreadsheet do Google Docs) Análise Geral Percepções Posição: correspondência, arranjo Forma: correspondência, diferenciação, conectividade, significado Cor: correspondência Animação Interpretações: Correlação Tendência Classificação Exceções Agrupamentos Estrutura Leitura Mundo: Renda X Emissão de Carbono

37 Demonstração Mundo: Fertilidade X População 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

38 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

39 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

40 Mundo: Distribuição de renda
Demonstração Mundo: Distribuição de renda

41 Demonstração Mundo: Distribuição de renda

42 Linhas Gerais de Aplicação
Tarefas Exploração analítica Descobrir hipótese Apresentação confirmatória Verificar hipótese Suporte à decisão Avaliar, prever, identificar alternativas Apresentação simples Apresentar o que você já sabe

43 Linhas Gerais de Aplicação
Tipos de dados Multi-dimensional (tabular) Bancos de dados relacionais Redes e árvores (grafos) Redes sociais, redes de recomendação, redes de computadores, localização geográfica Textos e documentos Repositórios de texto (artigos, notícias, wikis) Espacial-temporal (1D, 2D, 3D e 4D) Simulação e reprodução de fenômenos científicos

44 Projeto e desenvolvimento

45 Transformações do Dados
Sistematização Sistema de Visualização Dados “crus” Dados estruturados Design Visual Visualização Transformações do Dados Mapeamento Visual Transformações Visuais Dados Formato Visual Processamento Pré-visualização Técnicas de Visualização Técnicas de Interação Visual 45

46 Roteiro Introdução Alguns Conceitos Esquemas Visuais mais Usados
Interação, Sistematização e Processamento Observações Conclusivas

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

48 Projeção geométrica Coordenadas Paralelas
X2 X2: 10 10 X0 X0: 5 X1 X1: 1 X3 X3: 7 Atributo 0 Atributo 1 Atributo 2 Atributo 3 48

49 Projeção geométrica 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

50 Matriz de Scatter Plots Projeção dos atributos combinados Correlação
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

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

52 Peso: 5 Aceleração: 2 Peso: 10 MPG: 1 Potência: 5
Técnicas Iconográficas Star Glyphs Peso: 5 Aceleração: 2 Peso: 10 MPG: 1 Potência: 5

53 # DE CILINDROS MPG PESO # DE CILINDROS MILHAS POR GALÃO (MPG) POTÊNCIA
Técnicas Hierárquicas Sobreposição Dimensional # DE CILINDROS MPG PESO # DE CILINDROS MILHAS POR GALÃO (MPG) POTÊNCIA

54 Técnicas Hierárquicas Treemaps

55 Técnicas Orientadas a Pixels Padrões de Arranjo
Design Arranjo dos pixels: apresentação depende da ordem Mapeamento de cores por valor de atributo

56 Esquemas visuais mais usados
Projeções geométricas Técnicas iconográficas Técnicas hierárquicas Técnicas orientadas a pixels

57 Roteiro Introdução Alguns Conceitos Esquemas Visuais mais Usados
Interação, Sistematização e Processamento Observações Conclusivas

58 Interação e Sistematização
Interação: alteração dos parâmetros de posição, de forma e de cor Principais: Filtragem interativa: alteração de cor (brushing) e de forma (contorno de seleção) Transformação Espacial/Zoom: alteração de forma (escala) e de posição (rotação e translação) Distorção: alteração de posição (diferentes perspectivas) Sistematização com expansão do espaço de exibição: Visões interligadas (linked-views) Múltiplos espaços de visualização Visualização em multi-resolução O analista pode “sentir” melhor a cena de análise, aumentando as possibilidades de interpretação visual.

59 INTERAÇÃO VIA FILTRAGEM INTERATIVA E LINK & BRUSH
SISTEMATIZAÇÃO POR VISÕES INTERLIGADAS (linked-views) 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

60 TRANSFORMAÇÃO ESPACIAL
INTERAÇÃO VIA TRANSFORMAÇÃO ESPACIAL Dados de cidades Nome (CIDADE) Estado (UF) Latitude Longitude Software: FastMapDB Análise Geral Percepções Posição: correspondência, significado Cor: correspondência Interpretações: Classificação Estrutura Agrupamentos Leitura Ciência Analítica Visual

61 INTERAÇÃO VIA DISTORÇÃO
Dados de filmes Ano de produção Distribuidora (DISTRIBUTOR) Título (TITLE) Gênero Software: TimeWall Análise Geral Percepções Posição: correspondência Forma: diferenciação, significado Cor: correspondência Interpretações: Tendência Classificação Exceções Agrupamentos Leitura Ciência Analítica Visual

62 Interação - Distorção espacial StarTree

63

64 Processamento: pré-processamento e suporte estatístico
Redução de dimensionalidade: n-dimensional  k-dimensional, onde n < k Agregação: por exemplo, sumarização estatística Seleção: por exemplo, amostragem Segmentação: por exemplo, particionamento hierárquico

65 REDUÇÃO DE DIMENSIONALIDADE E INTERAÇÃO POR TRANSFORMAÇÃO ESPACIAL
Dados de exames de câncer (biopsia) Identificador (ID) 9 exames laboratoriais Classificador (CLASS) Software: FastMapDB Análise Geral Percepções Posição: correspondência, arranjo Cor: correspondência Interpretações: Classificação Estrutura Exceções Agrupamentos

66 AGREGAÇÃO ESTATÍSTICA
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, diferenciação, arranjo Forma: correspondência, diferenciação, conectividade Cor: correspondência, diferenciação Interpretações: Sumarização Correlação Relacionamento Tendência Classificação Exceções Agrupamentos Ciência Analítica Visual

67 BoxPlot – Visão geral da distribuição de variáveis

68 BoxPlot – Visão geral da distribuição de variáveis

69 Roteiro Introdução Alguns Conceitos Esquemas Visuais mais Usados
Interação, Sistematização e Processamento Observações Conclusivas

70 Comparação com Mineração de Dados
Extração não trivial de informações implícitas, potencialmente úteis e previamente desconhecidas Caracteristicamente algorítmica

71 Comparação com Mineração de Dados
Algoritmos de Mineração de Dados Visualização de Informações Objetivo + – Mensurável Flexível Interativo Visualização de Informações + Algoritmos de Mineração de Dados

72 Comparação com Mineração de Dados Visualização de Informações
Algoritmos de Mineração de Dados Visualização de Informações Objetivo + – Mensurável Flexível Interativo Mineração Visual de Dados: utilização de Visualização de Informações para monitorar, guiar ou se beneficiar de algoritmos de Mineração de Dados. Visualização de Informações + Algoritmos de Mineração de Dados

73 Mineração de Dados Exemplo: monitoramento visual do algoritmo k-medoid para detecção de clusters.

74 Algoritmo k-medoid: Selecione os elementos que serão os centros dos agrupamentos Verifique todos os pontos do conjunto e atribua a cada ponto o agrupamento referente ao centro mais próximo Recalcule os centros dos agrupamentos de acordo com os agrupamentos definidos Enquanto os centros trocarem de posição, vá para o passo 2 Minimizar

75

76 Design de técnicas de visualização e interação.
Estado da Arte Procedimentos sistemáticos de análise: ● avaliação ● planejamento ● tomada de decisão. Design de técnicas de visualização e interação. Formalização do fato de que a ciência de InfoVis engloba uma série de disciplinas, todas inter-relacionadas. Tecnologias de dados: ● armazenamento ● disponibilização ● gerenciamento. Formatos de dados versáteis, orientados à análise. Disponibilização e difusão. A Ciência Analítica Visual [2]

77 Avaliação de técnicas de análise visual de dados
Tema amplo Critérios: Funcionalidade – as funcionalidades esperadas são oferecidas? Efetividade – a técnica agrega valor? Novas descobertas nos dados? Eficiência – a técnica promove melhor desempenho? Usabilidade – qual é a dificuldade em se usar o sistema? Há clareza? Utilidade – é possível se beneficiar da técnica? Metodologias: Avaliação analítica: baseada em modelos e em testes estruturados; Avaliação empírica: quantitativa ou qualitativa

78 Avaliação de técnicas de análise visual de dados
Tema amplo Critérios: Funcionalidade – as funcionalidades esperadas são oferecidas? Efetividade – a técnica agrega valor? Novas descobertas nos dados? Eficiência – a técnica promove melhor desempenho? Usabilidade – qual é a dificuldade em se usar o sistema? Há clareza? Utilidade – é possível se beneficiar da técnica? Metodologias: Avaliação analítica: baseada em modelos e em testes estruturados; Avaliação empírica: quantitativa ou qualitativa Há subjetividade semelhante ao que se observa em HCI (Human-Computer Interaction); Devido ao contexto analítico, nem sempre as técnicas de HCI podem ser aplicadas sem adaptação; Da mesma forma, há metodologias bastante satisfatórias, mas com alto custo de aplicação.

79 Avaliação de técnicas de análise visual de dados
DECIDE1: um arcabouço para avaliação de sistemas Determine os objetivos: o quê se quer avaliar? Enumere questões relevantes sobre os objetivos; Escolha a metodologia de avaliação: slide anterior; Identifique os fatores práticos: usuários, equipamento, dados, ... Gerencie as questões éticas; Avalie, interprete e apresente os resultados. 1 J. Preece, Y. Rogers, and H. Sharp, Interaction Design. John Wiley & Sons, Inc., 2002

80 Disseminação SAP: incorporou (da Inxight) as técnicas StarTree, TableLens e TimeWall em seus produtos TIBCO (Spotfire): comercializa técnicas como Coordenadas Paralelas, Scatter Plots e TreeMaps Advanced Visual Systems (AVS): abrange soluções para a indústria e para a academia Outras empresas: Advizor Solutions, Compudigm, Dimension 5, Infommersion, Macrofocus, Purple Insight, ... Listagem completa:

81 Linhas de Desenvolvimento
1. Paradigmas de Interação Orientados ao usuário E.g.: perspective view Orientados a sistema E.g.: linked views 2. Suporte da Ciência da Computação Componentes E.g.: Graph-Tree Aperfeiçoamentos E.g.: Keim’s color space

82 Linhas de Desenvolvimento
3. Novos Designs E.g.: Gapminder E.g.: Table Lens 4. Suporte Teórico Espaços de Design E.g.: design orientado à percepção Estudo do sistema perceptivo E.g.: princípios de manipulação direta 5. Suporte de Desenvolvimento Componentes E.g.: OpenGL Toolkits E.g.: IVTK

83 Linhas de Desenvolvimento
3. Novos Designs E.g.: Gapminder E.g.: Table Lens 4. Suporte Teórico Espaços de Design E.g.: design orientado à percepção Estudo do sistema perceptivo E.g.: princípios de manipulação direta 5. Suporte de Desenvolvimento Componentes E.g.: OpenGL Toolkits E.g.: IVTK

84 Linhas de Desenvolvimento
Ainda há muito o que se fazer em:  visualização de dados relacionais escalabilidade de dados uso combinado com mineração de dados visualização 3D interativa utilização da dimensão temporal (animação) 3. Novos Designs E.g.: Gapminder E.g.: Table Lens 4. Suporte Teórico Espaços de Design E.g.: design orientado à percepção Estudo do sistema perceptivo E.g.: princípios de manipulação direta 5. Suporte de Desenvolvimento Componentes E.g.: OpenGL Toolkits E.g.: IVTK

85 Discussão A visualização pode resolver todos os meus problemas de análise de dados? R.: Não. Análise de dados é um processo elaborado que requer profundo conhecimento de domínio, objetivos claros e trabalho intenso. Posso trabalhar sem visualização, então? R.: Não. Apesar de seus limites, a visualização provê benefícios bastante favoráveis, e não há substituto para estes benefícios.

86 Discussão A visualização pode resolver todos os meus problemas de análise de dados? R.: Não. Análise de dados é um processo elaborado que requer profundo conhecimento de domínio, objetivos claros e trabalho intenso. Posso trabalhar sem visualização, então? R.: Não. Apesar de seus limites, a visualização provê benefícios bastante favoráveis, e não há substituto para estes benefícios.

87 Discussão A visualização pode resolver todos os meus problemas de análise de dados? R.: Não. Análise de dados é um processo elaborado que requer profundo conhecimento de domínio, objetivos claros e trabalho intenso. Posso trabalhar sem visualização, então? R.: Não. Apesar de seus limites, a visualização provê benefícios bastante favoráveis, e não há substituto para tais benefícios.

88 Livros Básicos Visualização de Informações
Robert SPENCE. “Information Visualization”, ACM Press, 2001 Stuart K. Card, Jock D. MacKinlay, Ben Shneiderman, Mackinlay Card (eds.). “Readings in Information Visualization: Using Vision to Think”, Morgan Kaufmann Series in Interactive Technologies, Academic Press, ISBN Colin WARE. “Information Visualization: Perception for Design”, Morgan Kaufmann Interactive Technologies Series, January ISBN

89 Livros Básicos Mineração de Dados
K. Cios et. al. - “Data Mining: A Knowledge Discovery Approach”, Springer, 2007 Jiawei Han, Micheline Kamber. “Data Mining: Concepts and Techniques”, Morgan Kaufmann, 2006 Pang-Ning Tan, Michael Steinbach, Vipin Kumar. “Introduction to Data Mining”, Addison Wesley, 2005

90 Outras áreas de visualização
Visualização Científica Visualização de Software Visualização Geográfica Visualização de Redes Ciência Analítica Realidade Virtual Realidade Aumentada Sonificação (som) Háptica (tato)

91 Referências [1] “How Much Information?”
Lyman P and HR Varian, Disponível em [2] “Illuminating the Path: The Research and Development Agenda for Visual Analytics” James J. Thomas and Kristin A. Cook, editors. IEEE Press, Disponível em Software: