460-4120/01 – Vizualizace dat (VD)
| Garantující katedra | Katedra informatiky | Kredity | 4 |
| Garant předmětu | Ing. Tomáš Fabián, Ph.D. | Garant verze předmětu | Ing. Tomáš Fabián, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | Povinnost | povinně volitelný |
| Ročník | 2 | Semestr | zimní |
| | Jazyk výuky | čeština |
| Rok zavedení | 2015/2016 | Rok zrušení | |
| Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem předmětu je rozšířit znalosti posluchačů o oblast vizualizace široké škály multioborových dat. Studenti budou mít po absolvování kurzu základní teoretické a praktické znalosti z oblasti vizualizace netriviálních vědeckotechnických a abstraktních dat. Ze zpracovávaných dat budou schopni vytvářet grafické výstupy pro účely jejich další analýzy, tvorby odborných publikací i prezentací pro širší veřejnost.
Po absolvování kurzu budou studenti schopni:
- vyjmenovat a charakterizovat způsoby a prostředky pro vizualizaci vědeckotechnických a abstraktních dat,
- nalézt optimální formu vizuální prezentace pro konkrétní typ dat,
- definovat potřebné softwarové prostředky pro implementaci navržené vizualizace,
- realizovat interaktivní vizualizace např. v prostředí webového prohlížeče,
- graficky analyzovat vícerozměrná data a provádět jejich projekce do prostorů s nižší dimenzí,
- navrhovat barevnou paletu dle charakteru dat a s ohledem na jejich korektní intepretaci.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
Cílem předmětu je seznámit posluchače s problematikou vizualizace a interpretace nejrůznějších typů vědeckotechnických a abstraktních dat. Popisovány jsou základní principy a postupy zobrazování mezioborových dat a získané znalosti jsou využity při realizaci praktických úloh z oblasti vizualizace. Důraz je kladen na výstižnost a vhodnost zvolených vizualizačních prostředků a na praktické využití získaných znalostí při realizaci vlastních grafických výstupů podávajících co možná nejucelenější a nezkreslený obraz o zpracovávaných datech. Teoretické poznatky získané během rozboru dílčích úloh slouží jako základ pro praktickou implementaci konkrétních příkladů na cvičeních. Cvičení tedy úzce korespondují s přednáškami a předpokládá se praktická realizace zmíněných témat zejména v prostředích jazyků C++, Python a JavaScript.
Povinná literatura:
Doporučená literatura:
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
V průběhu semestru studenti vypracovávají zadané úlohy, na kterých si ověřují své znalosti. Podmínkou pro udělení zápočtu je zvládnutí těchto úloh s bodovým ziskem minimálně 20 bodů ze 45 možných. Hodnotí se zejména míra pochopení daného problému, správnost implementace zvoleného algoritmu, jeho funkčnost a vizuální úroveň prezentovaných výsledků.
V závěru předmětu studenti absolvují písemnou zkoušku.
E-learning
Další požadavky na studenta
U studentů se předpokládá znalost matematiky a programování na úrovni probrané během bakalářského studia.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
- Historie vizualizace vs. moderní nástroje a knihovny, základní způsoby reprezentace dat (prezentační, exploratorní), charakteristika datasetů (spojitá, vzorkovaná a diskrétní data, topologická a geometrická dimenze dat, dimenze atributů).
- Metody rekonstrukce vzorkovaných dat, typy buněk, pravidelná mřížka, rozptýlená data (mračna bodů), možnosti jejich interpolace, aproximace a extrapolace.
- Mapování dat na barevnou škálu, návrh efektivních barevných i šedotónových přechodů, jejich interpretace, přehled osvědčených a bezpečných barevných škál.
- Typy grafů a jejich význam pro vizualizaci množství, hustoty, distribuce, vztahů, korelace, struktur, času a dalších statistických veličin; estetika a rozložení grafu, tzv. lie factor, data-ink poměr, rámec trifecta, koncept chartjunk a další kognitivní aspekty grafu.
- Vizualizace skalárních veličin v rovině i prostoru, zachycení vlastností atributů a jejich vztahů; sloupcové, čárové, výsečové, plošné, bodové, polární a radarové grafy, mikrografy, teplotní mapy, výškové mapy a izočáry.
- Vizualizace statických a dynamických vektorových polí, výpočet integrálních křivek, jejich konvoluce, proudnice (např. streamlines, streaklines, pathlines a timelines).
- Tenzorová data, jejich význam, možnosti interpretace a vizualizace (sledování vláken, hyperstreamlines).
- Vizualizace volumetrických dat, metody přímého a nepřímého zobrazení, převodní funkce, klasifikace.
- Vizualizace strukturovaných dat a grafů, algoritmizace rozložení grafů, zobrazení toků a vazeb mezi mnoha uzly (chord diagram), interaktivita (např. detaily na vyžádání).
- Metody vizualizace vícedimenzionálních dat, redukce dimenze (selekce, extrakce, analýza hlavních komponent, projekce, multidimenzionální škálování), grafy rovnoběžných souřadnic, shluková analýza hierarchická (dendrogramy) a nehierarchické přístupy (k-means apod.)
- Ilustrativní vizualizace, webové prezentace, možnosti přehledného formátování tabulkových dat, aspekty výběru konkrétního vizualizačního nástroje.
- Nástroje z oblasti zpracování obrazu a jejich využití ve vizualizaci (bodové operace, histogramy, segmentace, klasifikace, matematická morfologie).
- Vizualizace pomocí nástrojů virtuální a rozšířené reality, grafické enginy a API.
- Technické aspekty finální prezentace a sazby výstupů vizualizace, uspořádání a rozložení jednotlivých částí, výměnné formáty.
Cvičení na počítačové učebně:
- Rozbor struktury a vlastností ukázkových datasetů, určení dimenzí a jejich zpracování pomocí skriptů (např. vizualizace teplotních časových řad v gnuplotu a knihovně matplotlib pomocí jazyka Python).
- Příklady proložení dat zatížených chybou měření zvolenou aproximační funkcí, interpolace skalárních hodnot nad různými typy buněk mřížky.
- Převody skalárních hodnot do barevné reprezentace (binární, divergentní, kvalitativní, kvantitativní a sekvenční schémata), návrh vlastních barevných schémat (např. ColorBrewer), příklad na interpolaci dat bez využití mřížky pomocí radiálních bázových funkcí.
- Práce s různými typy grafů z přednášky, úprava jejich rozložení a zhodnocení jejich přínosu z pohledu interpretace obsahu zobrazených dat.
- Praktické příklady na vizualizaci vlastností jednoho i více atributů.
- Vizualizace vektorových polí aplikovaná na výstupy z řešení proudění tekutin, výpočet integrálních křivek a vykreslování proudnic.
- Ukázky tenzorových dat a možností jejich zobrazení (např. křivost plochy, proces difuze částic jedné látky do druhé).
- Vizualizace lékařských dat (CT a MRI snímky) přímými metodami (DVR) a vizualizace simulace dynamiky kapaliny pomocí nepřímých metod (Marching Cubes).
- Praktická realizace algoritmu pro rozložení grafů a jeho modifikace dle potřeb vizualizace, použití nástroje d3.js pro dosažení interaktivity výsledných stromových struktur a obecných grafů.
- Zpracování vícerozměrných datasetů, redukce dimenze, projekce, vizualizace (např. FastMap, PCA, PCP).
- Nástroje pro tvorbu interaktivních grafů v prostředí webu (d3.js, Vega-Lite, Tableau, Plotly, Google Charts, RAWGraphs a další).
- Úprava obrazových dat (např. medicínské snímky) prostředky digitálního zpracování a analýzy obrazu pro účely jejich předzpracování i finální úpravy (např. redukce šumu, zvýraznění klíčových partií, klasifikace).
- Použití standardních grafických API (např. OpenGL) pro vykreslování 3D vizualizací (např. mapa terénu) v prostředí VR/AR.
Na cvičeních se řeší konkrétní úlohy z probrané oblasti. Implementačním jazykem je C++, Python a JavaScript.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky