Visualization - Cheatsheet

Definition und Ziele der Visualisierung

Definition:

Visuelle Darstellung und Kommunikation von Daten und Informationen durch Graphiken, Diagramme und andere visuelle Mittel.

Details:

• Erhöhung der Verständlichkeit komplexer Daten
• Erleichterung der Identifikation von Mustern und Trends
• Unterstützung bei Entscheidungsprozessen
• Verbesserung der Datenanalyse
• Unterstützung der Informationsentdeckung

Grundlegende Visualisierungstechniken

Definition:

Grundlehre Visualisierungstechniken: Methoden zur Darstellung von Daten und Informationen zur erleichterten Analyse und Interpretation.

Details:

• Diagramme: Balken-, Linien-, Kuchen-, Streu- und Punktdiagramme zur Veranschaulichung quantitativer Daten
• Heatmaps: Farblich kodierte Datenmatrix zur Darstellung von Werten
• Histograms: Verteilung von Daten -> Bins, Häufigkeit
• Netzwerkvisualisierung: Knoten und Kanten zur Darstellung von Beziehungen
• Geographische Karten: Raumbezogene Datenvisualisierung
• Tree Maps: Hierarchische Daten als geschachtelte Rechtecke
• Beachte: Wahl der Technik abhängig von Datenart und Fragestellung

Kognitive und visuelle Wahrnehmung

Definition:

Kognitive und visuelle Wahrnehmung befasst sich damit, wie Menschen visuelle Informationen verarbeiten und interpretieren.

Details:

• Kognitive Wahrnehmung: Interpretation und Verarbeitung von Informationen durch das Gehirn.
• Visuelle Wahrnehmung: Aufnahme und Verarbeitung visueller Reize durch das Auge und das Gehirn.
• Einflussfaktoren: Erfahrung, Wissen, Aufmerksamkeit, Kontraste, Farben, Bewegungen.
• Gestaltgesetze: Prinzipien wie Nähe, Ähnlichkeit, Kontinuität, die das visuelle Erkennen leiten.

Interaktive Filter und Selektionen

Definition:

Interaktive Filter und Selektionen - grundlegende Methoden zur Nutzerauswahl und -eingrenzung von Daten in visuellen Darstellungen.

Details:

• Filter: Reduzieren der Anzeige auf relevante Datenpunkte durch Bedingungen.
• Selektionen: Markieren oder Auswählen bestimmter Datenpunkte für detaillierte Analyse.
• Techniken: Schieberegler, Kontrollkästchen, Dropdown-Menüs.
• Ziele: Verbesserung der Datenanalyse, Erkennung von Mustern und Anomalien.
• Anwendungen: Dashboard-Design, wissenschaftliche Visualisierungen, Business Intelligence.
• Formel: \[ \text{Selektionsbedingung: } x \text{ if } x \text{ erfüllt Filterkriterium} \]

Zoom- und Panning-Techniken

Definition:

Techniken zur Vergrößerung (Zoom) und Verschiebung (Panning) von Bildausschnitten in der Visualisierung.

Details:

• Zoom: Vergrößern oder Verkleinern eines Bildausschnitts durch Skalierungsfaktoren
• Panning: Verschiebung eines Bildausschnitts bei konstanter Vergrößerung
• Durchführung meist durch Maus- oder Touchgesten
• Wichtig für detaillierte Datenanalyse und übersichtliche Darstellung großer Datensätze

Rendertechniken für 3D-Daten

Definition:

Verfahren zur Visualisierung von dreidimensionalen Objekten auf zweidimensionalen Ausgabegeräten.

Details:

• Raytracing: Simuliert den Lichtstrahlweg für realistische Reflexionen und Brechungen.
• Rasterization: Wandelt 3D-Modelle in Pixel um; schnellere Echtzeit-Renderings.
• Photon Mapping: Verfeinert Lichtsimulationen und verwendet Photonen zur indirekten Beleuchtung.
• Radiosity: Berücksichtigt Oberflächenreflexionen und ändert die Beleuchtungsenergieverteilung.
• Shader: Kleine Programme zur Definition von Oberflächen- und Pixeleigenschaften.
• Global Illumination: Umfasst alle Lichtinteraktionen für realistische Szenenbeleuchtung.
• Anti-Aliasing: Minimiert Kantenverzerrungen und glättet Kanten in gerenderten Bildern.
• LOD (Level of Detail): Reduziert die Komplexität von weit entfernten Objekten zur Leistungssteigerung.

Visualisierung von Analyseergebnissen

Definition:

Visualisierung von Analyseergebnissen: Verständliche Darstellung komplexer Daten durch grafische Mittel zur schnellen Erfassung und Analyse.

Details:

• Wichtige Merkmale: Verständlichkeit, Genauigkeit, Ästhetik
• Visualisierungstypen: Diagramme, Graphen, Karten, Netzwerke
• Datenvorbereitung: Datenbereinigung, Transformation, Aggregation
• Nützliche Libraries: matplotlib, seaborn, Plotly, D3.js
• Algorithmische und statistische Grundlagen: Clustering, Regression, Zeitreihenanalyse
• Typische Herausforderungen: Überfrachtung, Fehlinterpretation, Manipulation
• Best Practices: Einfache Visualisierungen, Interaktivität, Kontextinformation

Vergleich der Vor- und Nachteile verschiedener Werkzeuge

Definition:

Kurzer Vergleich der Vor- und Nachteile von Visualisierungswerkzeugen in der Informatik.

Details:

• Matplotlib: Flexibel, viele Anpassungsmöglichkeiten, aber steile Lernkurve.
• ggplot2: Einfache Syntax, gut für statistische Plots, aber langsamer bei großen Datenmengen.
• Tableau: Einfache Bedienung, interaktive Dashboards, aber teuer.
• D3.js: Hohe Individualisierbarkeit, interaktive Visualisierungen, aber komplexe Einarbeitung.
• Plotly: Interaktive Plots, einfach zu verwenden, aber eingeschränkte Anpassungsmöglichkeiten in der freien Version.