Visualization - Cheatsheet

Definition und Ziele der Informationsvisualisierung

Definition:

Informationsvisualisierung: Darstellung komplexer Daten in grafischer Form zur Unterstützung des Verständnisses und der Analyse.

Details:

• Daten verständlich und zugänglich präsentieren.
• Erkennen von Mustern und Trends erleichtern.
• Entscheidungsfindung unterstützen.
• Effektive Kommunikation von Informationen.
• Tools: Diagramme, Graphen, interaktive Dashboards.

Theorien und Modelle der visuellen Wahrnehmung

Definition:

Theorien und Modelle der visuellen Wahrnehmung zielen darauf ab, zu erklären, wie das Gehirn visuelle Informationen aus der Umwelt verarbeitet und interpretiert.

Details:

• Bottom-Up-Prozesse: Verarbeitung beginnt mit den Sinnesdaten. Beispiel: Merkmalsdetektion.
• Top-Down-Prozesse: Vorwissen und Erwartungen beeinflussen Wahrnehmung. Beispiel: Kontextabhängigkeit.
• Gestalttheorie: Prinzipien der Organisation und Gruppierung (z.B. Nähe, Ähnlichkeit, Fortsetzung).
• Konstanzphänomene: Wahrnehmung bleibt stabil trotz Änderungen der Umgebungsbedingungen. Beispiel: Farb-, Form-, Größenkonstanz.
• Marrs Computationstheorie: Drei Stufen der visuellen Verarbeitung: Primäre Rohskizze, 2.5D Skizze, 3D Modell.

Techniken zur Manipulation von Visualisierungen

Definition:

Details:

• Filterung: Selektion von Datenpunkten zur Anzeige.
• Aggregation: Zusammenfassen mehrerer Datenpunkte, z.B. Mittelwerte.
• Zooming und Panning: Vergrößern und Verschieben der Ansicht.
• Details-on-Demand: Zusätzliche Informationen bei Bedarf anzeigen.
• Brushing: Hervorheben bestimmter Datenpunkte in mehreren verknüpften Visualisierungen.
• Verzerrung (Distortion): Anpassung des Maßstabs zur Hervorhebung wichtiger Bereiche.
• Reichenfolge Manipulation: Ändern der Anzeigereihenfolge der Daten.
• Animation: Darstellung von Änderungen über die Zeit.

Dimensionale Reduktionstechniken

Definition:

Techniken zur Verringerung der Anzahl der Zufallsvariablen, um Daten einfacher analysierbar und visualisierbar zu machen.

Details:

• Hauptkomponentenanalyse (PCA): Unkorrelierte Hauptkomponenten finden
• t-SNE: Hochdimensionale Daten auf niedrigdimensionalen Raum abbilden
• UMAP: Beibehaltung der globalen Struktur
• Lineare Diskriminanzanalyse (LDA): Klassen trennen
• Wichtig für Datenvorverarbeitung und Visualisierung

Einführung in D3.js

Definition:

D3.js: JavaScript-Bibliothek zur Erstellung dynamischer, interaktiver Datenvisualisierungen, basierend auf Webstandards wie SVG, HTML5 und CSS.

Details:

• D3 = Data-Driven Documents
• Bindung von Daten an DOM-Elemente
• Erstellung von SVG-Grafiken
• Datenmanipulation und Transformationen
• Skalen und Achsen zur Normierung
• Animationen und Übergänge
• Zugriff auf umfangreiche Layouts und Diagramme
• Einbindung von Interaktivität (Mausereignisse, Zoom, etc.)
• Installation über CDN oder npm: npm install d3
• Grundstruktur: Selektieren, Binden, Erstellen, Aktualisieren

Techniken zur Vermeidung von Informationsüberflutung

Definition:

Techniken zur Reduktion der Menge und Komplexität von Informationen, um Überforderung der Nutzer zu verhindern.

Details:

• Filterung: Unwichtige Informationen ausblenden.
• Zusammenfassung: Essenzielle Informationen verdichten.
• Visuelle Hierarchie: Wichtige Elemente hervorheben.
• Chunking: Informationen in kleinere, handhabbare Einheiten zerlegen.
• Interaktive Visualisierungen: Nutzer können benötigte Informationen gezielt abrufen.
• Dashboards: Zusammengefasste und relevante Informationen auf einen Blick darstellen.

Rauschen reduzieren und Anomalien erkennen

Definition:

Rauschen in Daten entfernen, um Anomalien / Abweichungen effizient zu erkennen

Details:

• Rauschen reduzieren: Filtern/Aggressiv glätten
• Anomalien erkennen: Statistische Methoden, maschinelles Lernen
• Grundlagen: Mittelwert, Median, Standardabweichung
• Werkzeuge: Moving Average, Medianfilter, PCA, SVM, Isolation Forest
• Formeln:
• - Mittelwert: \( \mu = \frac{1}{N} \sum_{i=1}^N x_i \)
• - Standardabweichung: \( \sigma = \sqrt{\frac{1}{N} \sum_{i=1}^N (x_i - \mu)^2} \)
• - Anomalieerkennung mit Z-Score: \( z = \frac{x - \mu}{\sigma} \)

Visualisierung wissenschaftlicher Daten

Definition:

Visuelle Darstellung komplexer wissenschaftlicher Daten zur Muster-, Trend- und Anomalieerkennung.

Details:

• Datenarten: quantitativ, qualitativ, Zeitserien
• Grafiktypen: Scatterplots, Heatmaps, 3D-Plots
• Software: Matplotlib, ggplot, d3.js
• Prinzipien: Klarheit, Präzision, Effizienz
• Datenvorverarbeitung: Bereinigung, Normalisierung