Visualização de Informação: Processo, Técnicas e … · 7 Visualização de Informação...

�1

Faculdade de Ciências e Tecnologia

Departamento de Matemática e Computação

Bacharelado em Ciência da Computação

Visualização de Informação: Processo, Técnicas e Ferramentas

Prof. Dr. Rogério Eduardo Garcia([email protected])

Roteiro

� Introdução

� Conceitos Básicos– Classificação

– Dados

� Visualização Exploratória– Classificação das Técnicas

� Aplicação e Ferramentas– Origem dos Dados

– Alguns Resultados

� Considerações Finais

20/0

8/20

14R

ogér

io E

duar

do G

arci

a2

�2

Introdução

� Por que visualização?

20/0

8/20

14R

ogér

io E

duar

do G

arci

a3

Introdução

� Mas cuidado...

20/0

8/20

14R

ogér

io E

duar

do G

arci

a4

�3

Visualização

� Visualização Científica

� Visualização de Informação

� Visualização de Software

20/0

8/20

14R

ogér

io E

duar

do G

arci

a5

Contextualização

� Grande volume de dados

� Apoio ao processo de análise e interpretação

� Representações Visuais X Dados Abstratos

20/0

8/20

14R

ogér

io E

duar

do G

arci

a6

�4

Visualização

� Metáforas visuais fazem parte do processocognitivo humano...– Cognição: a aquisição ou o uso de conhecimento

� Definição "Tradicional"– "Construir mentalmente uma representação visual"

(Shorter Oxford English Dictionary)

� Definições "Contemporâneas"– "O uso de representações visuais de dados

interativas e apoiadas por computador, para ampliara cognição“

(Card et al., Readings in Information Visualization)

20/0

8/20

14R

ogér

io E

duar

do G

arci

a7

Visualização

� A visualização torna-se útil na medida queamplia a capacidade humana de executartarefas cognitivas

Rog

ério

Edu

ardo

Gar

cia

20/0

8/20

148

�5

Visualização de Informação

� Apresentação

� Suporte à Decisão

� Análise Confirmatória

� Análise Exploratória

20/0

8/20

14R

ogér

io E

duar

do G

arci

a9


� Apresentação– Ponto de partida: fatos a serem apresentados fixos

a priori

– Processo: escolha de uma forma de apresentaçãoapropriada

– Resultado: visualização de boa qualidade, queapresenta os fatos

20/0

8/20

14R

ogér

io E

duar

do G

arci

a10

�6


� Suporte à Decisão– Ponto de partida: resultados de um processo de

investigação

– Processo: busca (em geral, colaborativa) pormodelos, descrições, conclusões

– Resultado: visualizações capazes de apoiar ainvestigação dos modelos de dados e do espaço dedecisões

20/0

8/20

14R

ogér

io E

duar

do G

arci

a11


� Análise Confirmatória– Ponto de partida: hipóteses sobre os dados

– Processo: verificação das hipóteses (buscadirecionada)

– Resultado: visualizações dos dados que permitem aconfirmação (ou não) das hipóteses

20/0

8/20

14R

ogér

io E

duar

do G

arci

a12

�7


� Análise Exploratória– Ponto de partida: dados brutos, nenhuma hipótese

– Processo: busca interativa, usualmente nãodirecionada, por estruturas, padrões, correlações,tendências, etc.

– Resultado: visualizações dos dados que sugeremhipóteses

20/0

8/20

14R

ogér

io E

duar

do G

arci

a13


� Por que Visualização– Habilidade de expressar muita informação– Percepção de propriedades não antecipadas– Facilita a percepção simultânea de características

dos dados em grande e pequena escala– Apoio a processos de formação de hipóteses– Apoio a tarefas de pré-processamento dos dados– Detecção de problemas, limpeza, seleção, ...

20/0

8/20

14R

ogér

io E

duar

do G

arci

a14

�8

Definição

� “Uso de representações visuais de dados abstratos,

apoiado por computador e interativo para amplificar

a cognição” [CAR99]

20/0

8/20

14R

ogér

io E

duar

do G

arci

a15

O Processo

� Visualização Multidimensional, Visualização Exploratória� Metáforas visuais para ajudar pessoas a explorar dados� Dados: tabelas de registros com múltiplos atributos (numéricos e

categóricos)� Modelos gráficos acoplados a estratégias de interação ⇒

processos dinâmicos de exploração

20/0

8/20

14R

ogér

io E

duar

do G

arci

a16

�9

Os Dados

� Dados Brutos– Formato qualquer... em geral, é necessário transformar esses

dados em um conjunto organizado de relações, para facilitar oprocesso de mapeamento em estruturas visuais

� Tabelas de Dados– Conjunto de registros (itens de dados, ou instâncias) com

múltiplos atributos (dimensões, variáveis)– metadados: informação descritiva sobre as instâncias

20/0

8/20

14R

ogér

io E

duar

do G

arci

a17

Os Dados

� Dimensionalidade dos dados– O número de atributos (dimensões), dos itens de dados...– Diferente da dimensionalidade espacial de uma estrutura

visual!

� Tabelas de dados:– Instâncias independentes (flat data), em geral...

– Cada instância representa uma única relação

– Se o problema em estudo envolve relacionamentos entreinstâncias, elas não são independentes...

– Relações entre instâncias tipicamente são descritas porestruturas como hierarquias (árvores) e redes

20/0

8/20

14R

ogér

io E

duar

do G

arci

a18

�10

Os Dados

� Relações hierárquicas podem ser reorganizadas emum conjunto de instâncias "independentes" de forma aobter um "flat file"

� nesse caso, um ou mais atributos registra(m) o(s)relacionamento(s) de interesse entre os itens de dados

– "denormalization’"

� Ou podem ser descritas por arquivos estruturados evisualizadas por técnicas específicas para dadoshierárquicos

20/0

8/20

14R

ogér

io E

duar

do G

arci

a19

AnaJoão

Maria Marcelo Luísa

FlávioJúlia

Ian Fábio Bruno

Lia Nicolau

Pessoa1 Pai-P1 Mãe-P1 Pessoa2 Pai-P2 Mãe-P2 Irmão-de

Maria João Ana Marcelo João Ana Sim

Marcelo João Ana Luísa João Ana Sim

Luísa João Ana Maria João Ana Sim

Ian Júlia Flávio Fábio Júlia Flávio Sim

Fábio Júlia Flávio Bruno Júlia Flávio Sim

Bruno Júlia Flávio Ian Júlia Flávio Sim

Lia Luísa Ian Nicolau Luísa Ian Sim

20/0

8/20

14R

ogér

io E

duar

do G

arci

a20

�11

Tipo de Dados

� Tipo Nominal (discreto, enumerado)– Categórico: conjunto de valores distintos, sem

relação de ordem– Exemplos: "verde", "vermelho", "azul”

"GM", "Fiat", "Volksvagen", "Ford"

– Ordinal: conjunto de valores distintos, com relaçãode ordem

– Exemplos: "segunda", "terça", "quarta", ..."básico", "intermediário", "avançado"

20/0

8/20

14R

ogér

io E

duar

do G

arci

a21

Tipo de Dados

� Tipo Quantitativo (numérico, contínuo)– Intervalo: valores ordenados, medidos em

unidades fixas e iguais.– Exemplo: anos

– Razão: valores ordenados em uma escala demedidas na qual é definido inerentemente um valorde referência zero.

– Exemplo: distâncias

– Sub-tipos: datas, horas, coordenadas espaciais

20/0

8/20

14R

ogér

io E

duar

do G

arci

a22

�12

Dados

20/0

8/20

14R

ogér

io E

duar

do G

arci

a23

FREITAS, C. M. D. S.; CHUBACHI, O. M.; LUZZARDI, P. R. G. ; CAVA, R. A. Introdução à Visualização de Informações. RITA, v. VII, n.2, 2001

Formato

� Em Mineração de Dados, existem algunsformatos padrão– ARFF, C5.0

� Em visualização– Tipicamente, arquivos texto com um registro por

linha, atributos separados por vírgula (.csv), <tab>,espaços, ...

– Ou suporte a gerenciadores de bases de dadosexternos

20/0

8/20

14R

ogér

io E

duar

do G

arci

a24

�13

Visualização Exploratória

� Uso de técnicas de visualização de informaçãocomo apoio a processos de extração deinformação;

� Usam a habilidade humana de detectarpadrões mesmo em cenas complexas,relacionando atributos visuais.

20/0

8/20

14R

ogér

io E

duar

do G

arci

a25

Técnicas de Exploração Visual

� Orientadas a Pixel

� Projeção Geométrica

� Iconográficas

� Hierárquicas

20/0

8/20

14R

ogér

io E

duar

do G

arci

a26

�14

Fonte: (1) - (Adaptado de) Daniel A. Keim & Hans-Peter Kriegel, 1996

Orientadas a Pixel

� Cor = Valor

� Subjanela = atributo (dimensão)

� Questões de Projeto– Mapeamento da cor do pixel

– Arranjo dos pixels dentrode uma subjanela

– Formato das subjanelas

– Ordenação das subjanelas

20/0

8/20

14R

ogér

io E

duar

do G

arci

a27

Orientadas a Pixel

� Arranjo dos Pixels– Depende dos dados e da tarefa na visualização– Manter proximidade entre pixels (itens)

relacionados (temporal e resultado de consulta: 2tipos de problemas)

– Bom arranjo facilita a descoberta de agrupamentose correlações entre os atributos

20/0

8/20

14R

ogér

io E

duar

do G

arci

a28

�15

Orientadas a Pixel

� Arranjo dos Pixels– Dependente ou não de consulta

� Apresentar os itens mais relevantes no centro

� Valor do pixel: distância entre o item e o resultado deconsulta (depende do tipo de dado e aplicação)

� Distância individual e global

20/0

8/20

14R

ogér

io E

duar

do G

arci

a29

Orientadas a Pixel

20/0

8/20

14R

ogér

io E

duar

do G

arci

a30

�16

Orientada a Pixel

Visualização por pixels de um conjunto de dados aleatório em que cada

item tem 9 atributos, usando dois arranjos distintos para a disposição dos

itens (espiral, à esquerda, e por eixos, à direita). Fonte: [Kei97].

20/0

8/20

14R

ogér

io E

duar

do G

arci

a31

Orientadas a Pixel

� Formato das Subjanelas– Facilitar a percepção de relacionamentos entre

atributos pela proximidade dos itens nas subjanelascorrespondentes (em retangular, a distância égrande)

– Retangular aproveita bem o espaço da tela

20/0

8/20

14R

ogér

io E

duar

do G

arci

a32

�17

Arranjo Organização

Orientadas a Pixel

� Formato das Subjanelas– Círculos Segmentados

20/0

8/20

14R

ogér

io E

duar

do G

arci

a33

Exemplo

Orientadas a Pixel

� Formato das Subjanelas– Círculos Segmentados

20/0

8/20

14R

ogér

io E

duar

do G

arci

a34

�18

Orientadas a Pixel

20/0

8/20

14R

ogér

io E

duar

do G

arci

a35

Projeção Geométrica

� Coordenadas Paralelas– Inselberg (1985) – geometria computacional

– Espaço n-dimensional – Display de 2 dimensões

– n-eixos igualmente espaçados, paralelos a um dos eixos dodisplay

– Eixos linearmente escalados, do menor ao maior valor,com a faixa de valores de dados

– Item de dados representados por linhas poligonais queintersectam cada um dos eixos

20/0

8/20

14R

ogér

io E

duar

do G

arci

a36

�19


20/0

8/20

14R

ogér

io E

duar

do G

arci

a37


Visualização por Coordenadas Paralelas de sete atributos dos itens de um conjunto

de dados com aproximadamente 5.800 itens. Cada eixo é rotulado com os menores

e os maiores valores de dados e o nome do atributo correspondente.

20/0

8/20

14R

ogér

io E

duar

do G

arci

a38

�20


20/0

8/20

14R

ogér

io E

duar

do G

arci

a39


� RadViz (Hoffman 1997)– Normalização

– Valores maiores atraem os pontos

– Diferentes configurações dos eixos produzemdiferentes projeções (outras técnicas)

– Dados com proporção relativa (eleição)

20/0

8/20

14R

ogér

io E

duar

do G

arci

a40

�21


20/0

8/20

14R

ogér

io E

duar

do G

arci

a41


� Matriz de Scatterplots– Correlação

– Limitação da quantidade de dados

20/0

8/20

14R

ogér

io E

duar

do G

arci

a42

�22

Técnicas Iconográficas

� Duas dimensões dos dados são mapeadas para as duasdimensões da tela, e as demais dimensões são mapeadas parapropriedades visuais de um ícone

– Percepção de textura aponta certas características nos dados

– 2 dimensões da tela

– Ícone formado por outras dimensões (ângulos oucomprimento)

– Poucas dimensões

20/0

8/20

14R

ogér

io E

duar

do G

arci

a43

Técnicas Iconográficas

20/0

8/20

14R

ogér

io E

duar

do G

arci

a44

�23

Técnica Hierárquica

Operam subdividindo um espaço k-dimensional e exibindo subespaços de forma

hierárquica. Exemplos representativos dessa estratégia no contexto de visualização

de informação são as técnicas denominadas n-Vision

20/0

8/20

14R

ogér

io E

duar

do G

arci

a45

Técnica Hierárquica

20/0

8/20

14R

ogér

io E

duar

do G

arci

a46

�24

Técnicas Baseadas em Grafos

20/0

8/20

14R

ogér

io E

duar

do G

arci

a47

Múltiplas Projeções

20/0

8/20

14R

ogér

io E

duar

do G

arci

a48

�25

Múltiplas Visões Coordenadas

20/0

8/20

14R

ogér

io E

duar

do G

arci

a49

Snap – modelo conceitual

20/0

8/20

14R

ogér

io E

duar

do G

arci

a50

�26

Snap – modelo de dados

20/0

8/20

14R

ogér

io E

duar

do G

arci

a51

Snap – arquitetura

20/0

8/20

14R

ogér

io E

duar

do G

arci

a52

�27

Arquitetura - Pattison e Phillips

20/0

8/20

14R

ogér

io E

duar

do G

arci

a53

Coordenação Boukhelifa e Rodgers

20/0

8/20

14R

ogér

io E

duar

do G

arci

a54

�28

KDD e Mineração de Dados

� Descoberta de conhecimento novo epotencialmente útil;

� A Mineração é uma das etapas do processo deKDD [Fay96];

� A participação do ser humano no processo demineração é de extrema importância [Kei96];

20/0

8/20

14R

ogér

io E

duar

do G

arci

a55

Principais Etapas do KDD

20/0

8/20

14R

ogér

io E

duar

do G

arci

a56

�29

Técnicas de Mineração

� Regras de Associação;

� Generalização, Sumário e Caracterização deDados;

� Classificação de Dados;

� Agrupamento de Dados (Clustering).

20/0

8/20

14R

ogér

io E

duar

do G

arci

a57

Visual Data Mining

� "Mineração Visual de Dados (VDM) é umpasso no processo de extração deconhecimento (KDD) que utiliza a visualizaçãocomo um canal de comunicação entrecomputador e usuário para apoiar aidentificação de padrões novos einterpretáveis"– Posicionamento nas duas últimas fases do

processo: mineração de dados e avaliação– Identifica três categorias de VDM

20/0

8/20

14R

ogér

io E

duar

do G

arci

a58

�30

Visual Data Mining

� Visualização dos dados– Usuário tem total controle sobre a busca no espaço de busca– Focalizar/delimitar espaço de busca

� Visualização dos resultados de uma mineração– Para apoiar a interpretação dos modelos extraídos

� Visualização dos resultados intermediários de umamineração

– Direcionar a busca– Fornecer conhecimento sobre o domínio, por exemplo, para

adaptar um núcleo genérico (para diferentes aplicações) coma intervenção do usuário

20/0

8/20

14R

ogér

io E

duar

do G

arci

a59

Visual Data Mining

Visualização Anterior

Visualização Posterior

Visualização FortementeIntegrada

20/0

8/20

14R

ogér

io E

duar

do G

arci

a60

�31

Visual Data Mining

� Fracamente acoplada– Visualização "intercalada" com estratégias analíticas de

mineração– Apoiar pré-processamento, interpretação de resultados,...– Abordagem limitada: reforça limitações de uma e de outra...

� Fortemente acoplada– Visualização "integrada" em estratégias analíticas de

mineração– Dar ao usuário maior controle e entendimento sobre o

processo analítico, apoiando a tomada de decisõesnecessárias

– Criação de representações visuais do espaço de busca

20/0

8/20

14R

ogér

io E

duar

do G

arci

a61

Visual Data Mining

� Integra Mineração de Dados com técnicasinterativas de Visualização;

� Explora a capacidade humana de identificarpadrões por meio visual;

� Pode apoiar diversas etapas do processo deKDD;

� Apoiado por ferramentas.

20/0

8/20

14R

ogér

io E

duar

do G

arci

a62

�32

Ferramentas de Apoio ao VDM

� Mine Set;

� SeeIT;

� XGobi e Ggobi

� XmdvTool

� OpenDX

� SpotFire.

20/0

8/20

14R

ogér

io E

duar

do G

arci

a63

SpotFire

20/0

8/20

14R

ogér

io E

duar

do G

arci

a64

�33

Exemplo

20/0

8/20

14R

ogér

io E

duar

do G

arci

a65

Exemplo

20/0

8/20

14R

ogér

io E

duar

do G

arci

a66

�34

Exemplo

20/0

8/20

14R

ogér

io E

duar

do G

arci

a67

Exemplo

20/0

8/20

14R

ogér

io E

duar

do G

arci

a68

�35

XmdvTool

20/0

8/20

14R

ogér

io E

duar

do G

arci

a69

Exemplo

20/0

8/20

14R

ogér

io E

duar

do G

arci

a70

�36

Exemplo

20/0

8/20

14R

ogér

io E

duar

do G

arci

a71

Exemplo

20/0

8/20

14R

ogér

io E

duar

do G

arci

a72

�37

Padrão OKC

20/0

8/20

14R

ogér

io E

duar

do G

arci

a73

7 392

MPG

Cylinders(2,10)

Horsepower

Weight

Acceleration

Year(70,90)

Origin(1,3,'USA','Japan','Europe')

8. 50. 4

2.8 8.2 4

40. 250. 4

1500. 5500. 4

5. 30. 4

69.5 82.5 4

.8 3.2 3

18.000000 8.000000 130.000000 3504.000000 12.000000 70.000000 1.000000

15.000000 8.000000 165.000000 3693.000000 11.500000 70.000000 1.000000

18.000000 8.000000 150.000000 3436.000000 11.000000 70.000000 1.000000

16.000000 8.000000 150.000000 3433.000000 12.000000 70.000000 1.000000

17.000000 8.000000 140.000000 3449.000000 10.500000 70.000000 1.000000

15.000000 8.000000 198.000000 4341.000000 10.000000 70.000000 1.000000

14.000000 8.000000 220.000000 4354.000000 9.000000 70.000000 1.000000

14.000000 8.000000 215.000000 4312.000000 8.500000 70.000000 1.000000

14.000000 8.000000 225.000000 4425.000000 10.000000 70.000000 1.000000

15.000000 8.000000 190.000000 3850.000000 8.500000 70.000000 1.000000

15.000000 8.000000 170.000000 3563.000000 10.000000 70.000000 1.000000

Mineração em Texto usando CMV

20/0

8/20

14R

ogér

io E

duar

do G

arci

a74

�38

Visualização de Software

20/0

8/20

14R

ogér

io E

duar

do G

arci

a75

SoftVisOAH

20/0

8/20

14R

ogér

io E

duar

do G

arci

a76

�39

SoftVisOAH

20/0

8/20

14R

ogér

io E

duar

do G

arci

a77

SoftVisOAH

20/0

8/20

14R

ogér

io E

duar

do G

arci

a78

�40

SoftVisOAH

20/0

8/20

14R

ogér

io E

duar

do G

arci

a79

SoftVis4AspectMining

20/0

8/20

14R

ogér

io E

duar

do G

arci

a80

�41


20/0

8/20

14R

ogér

io E

duar

do G

arci

a81


20/0

8/20

14R

ogér

io E

duar

do G

arci

a82

�42


20/0

8/20

14R

ogér

io E

duar

do G

arci

a83


20/0

8/20

14R

ogér

io E

duar

do G

arci

a84

�43


20/0

8/20

14R

ogér

io E

duar

do G

arci

a85


20/0

8/20

14R

ogér

io E

duar

do G

arci

a86

�44


20/0

8/20

14R

ogér

io E

duar

do G

arci

a87

Considerações Finais

� Abordagem alternativa

� Baseada no usuário– Interação é importante

� Problemas:– Escalabilidade

– Oclusão de representação visual

– Tratamento de dados

– Adequação da técnica à exploração

� Oportunidade de desenvolvimento

20/0

8/20

14R

ogér

io E

duar

do G

arci

a88

�45

UFA!!!

20/0

8/20

14R

ogér

io E

duar

do G

arci

a89

� Obrigado pela atenção!

Bibliografia

� ANKERST, M.; BERCHTOLD, S.; KEIM, D. A. Similarity clustering of dimensions for an enhanced visualizationof multidimensional data. In: INFOVIS ’98: Proceedings of the IEEE Symposium on Information Visualization,Washington, DC, USA: IEEE Computer Society, 1998, p. 52–60.

� CARD, S. K.; MACKINLAY, J.; SHNEIDERMAN, B. Readings in information visualization: Using vision to think.San Francisco, CA: Morgan Kaufmann Publishers, 1999.

� D’ARCE, A. F.; GARCIA, R. E.; CORREIA, R. C. M.; ELER, D. M. Coordination Model to Support Visualizationof Aspect-Oriented Programs. In: Proceedings of the 24th International Conference on Software Engineeringand Knowledge Engineering (SEKE ’12), 2012, p. 168–173. DELFIM, F. M. ; GARCIA, R. E. . MultipleCoordinated Views to Support Aspect Mining Using Program Slicing. In: International Conference on SoftwareEngineering and Knowledge Engineering, 2013, Boston. Proceedings of the 25th International Conference onSoftware Engineering and Knowledge Engineering. Skokie, Illinois, USA: Knowledge Systems Institute, 2013.v. 1. p. 531-536.

� DELFIM, F. M. ; GARCIA, R. E. . Uma Proposta de Múltiplas Visões Coordenadas para Apoiar Análise deImpacto de Mudança. In: Workshop de Manutenção de Software Moderna - - Simpósio Brasileiro de Qualidadede de Software, 2013, Salvador-BA. Proc. X Workshop de Manutenção de Software Moderna, 2013.

� DOSHI, P. R.; RUNDENSTEINER, E. A.; WARD, M. O. Prefetching for visual data exploration. In: DatabaseSystems for Advanced Applications (DASFAA), 2003.

� ELER, D. M.; PRATES, J. M.; GARCIA, R. E.; MINGHIM, R. Coordinated Multiple Views to Support ImageRetrieval. In: 18th International Conference Information Visualisation, University of Paris Descartes, Paris,France, 2014.

20/0

8/20

14R

ogér

io E

duar

do G

arci

a90

�46

Bibliografia

� FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. Advances in knowledge discovery and data mining,cáp. From data mining to knowledge discovery: An overview Menlo Park (CA): AAAI/MIT Press, p. 1–34,1996a.

� FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. Knowledge discovery and data mining: Towards aunifying framework. In: Knowledge Discovery and Data Mining, 1996c, p. 82–88.

� FUA, Y.-H.; WARD, M. O.; RUNDENSTEINER, E. A. Structure-based brushes: A mechanism for navigatinghierarchically organized data and information spaces. In: IEEE Trans. On Visualization and ComputerGraphics, 2000, p. 150–159.

� GARCIA, R. E.; DE OLIVEIRA, M. C. F.; MALDONADO, J. C.; MENDONÇA, M. Visual analysis of data fromempirical studies. In: Proceedings of the 2004 International Conference of Distributed Multimedia Systems –International Workshop on Visual Languages and Computing, San Francisco: Knowledge Systems Institute –Visual Computing Lab, UT-Dallas, 2004.

� INSELBERG, A.; DIMSDALE, B. Parallel coordinates: A tool for visualizing multidimensional geometry. In:Proceedings of IEEE Visualization ’90, Los Alamitos-CA: IEEE Computer Society Press, 1990, p. 360–375.

� KEIM, D. A. Pixel-oriented visualization techniques for exploring very large databases. Jounal of Computationaland Graphical Statistics, v. 5, n. 1, p. 58–77, 1996.

� KEIM, D. A. Visual database exploration techniques. In: Proc. Tutorial KDD’97 Int. Conf. on KnowledgeDiscovery and Data Mining, Newport Beach, CA, 1997.

� KEIM, D. A. Designing pixel-oriented visualization techniques: Theory and applications. IEEE Transactions onVisualization and Computer Graphics, v. 6, n. 5, p. 59–78, 2000.

20/0

8/20

14R

ogér

io E

duar

do G

arci

a91

Bibliografia

� KEIM, D. A. Information visualization and visual data mining. IEEE Transactions on Visualization AndComputers Graphics, v. 7, n. 1, p. 100–107, 2002.

� KEIM, D. A.; KRIEGEL, H.-P. Visualization techniques for mining large databases: A comparison. IEEETransactions on Knowledge and Data Engineering, v. 8, n. 6, p. 923–938, 1996.

� NORTH, C.; SHNEIDERMAN, B. Snap-together visualization: can users construct and operate coordinatedvisualizations? International Journal of Human-Computer Studies, v. 53, n. 5, 2000.

� DE OLIVEIRA, M. C. F.; LEVKOWITZ, H. Visual data exploration and mining: A survey. IEEE Transactions onVisualization and Computer Graphics, v. 9, n. 3, p. 378–394, 2003.

� PRATES, J. M.; SCATALON, L. P.; GARCIA, R. E.; ELER, D. M. Coordinating multiple views using anontology-based semantic mapping. In: 17th International Conference Information Visualisation, University ofLondon, London, UK: IEEE Computer Society, 2013, p. 192-197.

� PRATES, J. M.; SCATALON, L. P.; GARCIA, R. E.; ELER, D. M. Ontologies to coordinate multiple views:exploring document collections. In: 16th International Conference on Artificial Intelligence, Las Vegas, USA,2014.

� SHNEIDERMAN, B. Tree visualization with treemaps: A 2d space-filling approach. ACM Trans. Graphics, v.11, n. 1, p. 92–99, 1992. WARE, C. Information visualization: Perception for design. Second edition ed.Morgan Kaufmann Publishers, 2000.

� WEGMAN, E. J. Hyperdimensional data analysis using parallel coordinates. Journal of American StatisticalAssociation, v. 85, n. 411, 1990.

20/0

8/20

14R

ogér

io E

duar

do G

arci

a92

Visualização de Informação: Processo, Técnicas e … · 7 Visualização de Informação...

Documents

Transcript of Visualização de Informação: Processo, Técnicas e … · 7 Visualização de Informação...