Charakterystyka danych. Wizualizacja różnych typów danych. Model ciągły przykłady (1/14) Zm. niezależna 1D, zm. zależna skalar



Podobne dokumenty
Algorytmy renderingu dla programowalnych jednostek graficznych. prof. dr hab. inż. Maria Pietruszka mgr inż. Dominik Szajerman

Ć w i c z e n i e 3 : W i z u a l i z a c j a d a n y c h - w y k r e s y S t r o n a 1

SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

W1. Wprowadzenie. Statystyka opisowa

WYKRESY SPORZĄDZANE W UKŁADZIE WSPÓŁRZĘDNYCH:

12/13/2015 ANALIZA DANYCH ILOŚCIOWYCH KWANTYFIKACJA DANYCH METODY BADAŃ SPOŁECZNYCH WYKŁAD 11: ANALIZA I PREZENTACJA DANYCH ILOŚCIOWYCH

2. Reprezentacje danych wielowymiarowych sposoby sobie radzenia z nimi. a. Wprowadzenie, aspekt psychologiczny, wady statystyki

Analiza głównych składowych- redukcja wymiaru, wykł. 12

Analiza składowych głównych. Wprowadzenie

Algorytmy analizy skupień / Sławomir Wierzchoń, Mieczysław Kłopotek. wyd. 1, 1. dodr. (PWN). Warszawa, Spis treści

Rozdział 4. Wizualizacja danych przestrzennych

Sylabus. Zaawansowana analiza danych eksperymentalnych Advanced analysis of experimental data

1. Grupowanie Algorytmy grupowania:

ANALIZA I PREZENTACJA DANYCH ANALIZA DANYCH JAKOŚCIOWYCH METODY BADAŃ SPOŁECZNYCH WYKŁAD 6

Wprowadzenie do wizualizacji przy użyciu systemu OpenDX

KLASYFIKACJA. Słownik języka polskiego

Typy zmiennych. Zmienne i rekordy. Rodzaje zmiennych. Graficzne reprezentacje danych Statystyki opisowe

Statystyka. Wykład 7. Magdalena Alama-Bućko. 16 kwietnia Magdalena Alama-Bućko Statystyka 16 kwietnia / 35

> x <-seq(-2*pi, 2*pi, by=0.5) > plot(x, sin(x), type="b",main="wykres funkcji sin(x) i cos(x)", col="blue") > lines(x, cos(x), type="l",col="red")

Python : podstawy nauki o danych / Alberto Boschetti, Luca Massaron. Gliwice, cop Spis treści

Gambit Centrum Oprogramowania i Szkoleń Sp. z o.o.

Programowanie: grafika w SciLab Slajd 1. Programowanie: grafika w SciLab

Skumulowane wykresy słupkowe: pokazują zależności zachodzące między indywidualnymi elementami i całością.

Wizualizacja danych przestrzennych. dr Marta Kuc-Czarnecka

STATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY)

WIZUALNA EKSPLORACJA DANYCH I RAPORTOWANIE W SAS VISUAL ANALYTICS ORAZ WSTĘP DO SAS VISUAL STATISTICS

Prawdopodobieństwo i statystyka

Jeżeli czegoś nie można zmierzyć, to nie można tego ulepszyć... Lord Kelvin (Wiliam Thomas)

Tytuł: GRAPHER Podręcznik użytkownika ISBN: Autor: Zbigniew Galon Rok wydania: 2014 Stron: 500 Wydawca: Gambit COiS Sp. z o.o.

Wstęp Podstawowe oznaczenia stosowane w książce... 13

Grupowanie danych. Wprowadzenie. Przykłady

Edytor tekstu Word 2007

Informatyka Arkusz kalkulacyjny Excel 2010 dla WINDOWS

Przykład Rezygnacja z usług operatora

3a. Mapa jako obraz Ziemi

Analiza składowych głównych idea

Statystyka i eksploracja danych

Idea. Analiza składowych głównych Analiza czynnikowa Skalowanie wielowymiarowe Analiza korespondencji Wykresy obrazkowe.

Przetwarzanie i analiza danych w języku Python / Marek Gągolewski, Maciej Bartoszuk, Anna Cena. Warszawa, Spis treści

Wprowadzenie Pojęcia podstawowe Szeregi rozdzielcze STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP.

WYKŁAD 13 ANALIZA I ROZPOZNANIE OBRAZU. Konstrukcja wektora cech z użyciem współczynników kształtu

Hurtownia danych praktyczne zastosowania

Algorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych. Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS

Graficzna prezentacja danych statystycznych

Statystyka. Podstawowe pojęcia: populacja (zbiorowość statystyczna), jednostka statystyczna, próba. Cechy: ilościowe (mierzalne),

Seminarium 5. Graficzna prezentacja danych 17/11/2016. Jeden obraz wart jest tysiąca słów przysłowie chińskie

OPIS MODUŁ KSZTAŁCENIA (SYLABUS)

Szkolenia SAS Cennik i kalendarz 2017

Idea. Analiza składowych głównych Analiza czynnikowa Skalowanie wielowymiarowe Analiza korespondencji Wykresy obrazkowe.

Sieci Kohonena Grupowanie

Zakład Systemów Informacji Przestrzennej i Geodezji Leśnej. Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa SGGW w Warszawie

Janusz Bogusz 1), Bernard Kontny 2)

Funkcje wielu zmiennych

[ A i ' ]=[ D ][ A i ] (2.3)

Joint Photographic Experts Group

Wykresy. Informatyka Arkusz kalkulacyjny Excel dla WINDOWS. Excel. cz.4. Wykresy. Wykresy. Wykresy. Wykresy

Graficzna prezentacja wyników w MATLABIE

POJĘCIA WSTĘPNE. STATYSTYKA - nauka traktująca o metodach ilościowych badania prawidłowości zjawisk (procesów) masowych.

Badania marketingowe. Źródło:

Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak

Temat lekcji : Zbieramy, opracowujemy i prezentujemy dane.



4.1. O grafice w R 4.2. Kolorystyka 4.3. Podstawowe komendy graficzne i opcje 4.4. Wykres pudełkowy 4.5. Histogram 4.6. Wykres kolumnowy 4.7.

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Jak przekształcać zmienne jakościowe?

Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne

Matlab II skrypty, funkcje, wizualizacja danych. Piotr Wróbel Pok. B 4.22

4,5. Dyskretne zmienne losowe (17.03; 31.03)

Komputerowa Analiza Danych Doświadczalnych

Przewodnik po pakiecie R / Przemysław Biecek. Wyd. 4 rozsz. Wrocław, Spis treści

PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE

Dyskretne zmienne losowe

TECHNIKI PREZENTACJI WYNIKÓW NAUKOWYCH. Biomatematyka Dr Wioleta Drobik-Czwarno

Przydatność osnowy kartograficznej i metody obiektywnego upraszczania obiektów do aktualizacji danych w BDT. Tadeusz Chrobak

Statystyka w analizie i planowaniu eksperymentu

Wizualizacja 3D obiektów i systemów biomedycznych

ArcGIS. Jakub Nowosad

Zmienne losowe i wprowadzenie do modelowania stochastycznego

Hurtownia danych. Załącznik Nr 1 do SIWZ. Opis przedmiotu zamówienia. Lp. FUNKCJONALNOŚĆ/PARAMETRY WYMAGANE

Grafika w Matlabie. Wykresy 2D

Zaklad Systemów Informacji Przestrzennej i Geodezji Lesnej. Katedra Urzadzania Lasu, Geomatyki i Ekonomiki Lesnictwa SGGW w Warszawie

Regresja logistyczna (LOGISTIC)

Statystyka w analizie i planowaniu eksperymentu

Statystyka. Wykład 6. Magdalena Alama-Bućko. 9 kwietnia Magdalena Alama-Bućko Statystyka 9 kwietnia / 36

Statystyka i analiza danych pomiarowych Podstawowe pojęcia statystyki cz. 2. Tadeusz M. Molenda Instytut Fizyki, Uniwersytet Szczeciński

KRZYWA CZĘSTOŚCI, CZĘSTOLIWOŚCI I SUM CZASÓW TRWANIA STANÓW

Systemy informacji geograficznej

Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki

Podstawy statystyki opisowej

PODSTAWOWE ANALIZY I WIZUALIZACJA Z WYKORZYSTANIEM MAP W STATISTICA

Klasyfikacja rysunku technicznego elektrycznego

Narzędzia geoprzestrzenne Business Intelligence (BI)

Oznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji

VII.1 Pojęcia podstawowe.

Wizualizacja 3D obiektów i systemów biomedycznych

Pojęcie funkcji i jej podstawowe własności.

Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna

4.1. Wprowadzenie Podstawowe definicje Algorytm określania wartości parametrów w regresji logistycznej...74

Transkrypt:

Charakterystyka danych Rozmieszczone na gridzie Zakres wartości Jakościowe: nominalne i porządkowe Ilościowe: dyskretne i ciągłe Typ danych: skalar, wektor, tensor Wymiarowość danych (liczba składowych) Wariancja Struktura danych: Relacyjna (tabelka) Sekwencyjna (lista wartości) Hierarchiczna (drzewo) Sieć Wizualizacja różnych typów danych Model ciągły #Zm. zależnych 1 Wiele Zm. niezależne Typ danych skalar wektor tensor wielowymiarowy 1D D 3D nd Wykres z krzywymi Mapa z kolorami Izolinie Rendering objętościowy Izopowierzchnie Wykres bąbelkowy LIC Ślady cząstek Glify Wiele widoków 1D, D lub 3D elipsoidy Połączenie metod dla skalarów, wektorów i tensorów Model ciągły przykłady (1/1) Zm. niezależna 1D, zm. zależna skalar,5 3,5 3,5 1 3 5,5 3,5 3,5 1 3 5 str. 97

1 3 5 6 7 8 9 Model ciągły przykłady (/1) Zm. niezależna 1D, zm. zależna skalar 8 6 1 3 5 6 7 8 9 1% 15 1 5 1 3 5 6 7 8 9 5% % 1 3 5 6 7 8 9 str. 98 Model ciągły przykłady (3/1) 1 5 Zm. niezależna 1D, zm. zależna skalar 15 1 5 1 3 5 6 7 8 9 1% 1 3 5 6 7 8 9 5% % str. 99 Model ciągły przykłady (/1) Zm. niezależna: D, zm. zależna: skalar http://laps.noaa.gov/szoke/dwb/1_1_3monthavgtemp_novtojan.gif http://www.farfieldtechnology.com/products/toolbox/noisy/

Model ciągły przykłady (5/1) Zm. niezależna: D, zm. zależna: skalar 3,5 1,5 1 Serie3,5-3 -,5 1,5-1-1,5 1 3 5 6 7 8 Model ciągły przykłady (6/1) Zmienna niezależna: 3D Zmienna zależna: skalar Volume render http://doi.ieeecomputersociety.org/cms /Computer.org/dl/trans/tg/6/6/fig ures/v15598.gif Isosurface Isosurface around Zirconocene molecule, Accelrys (http://www.accelrys.com) Henning Scharsach: Advanced Raycasting for Virtual Endoscopy on Consumer Graphics Hardware Model ciągły przykłady (7/1) Zm. niezależna nd, zmienna zależna: skalar http://cloud.originlab.com/www/products/images/stat_scatter_matrix.png str. 13

Model ciągły przykłady (8/1) Zm. niezależna: 1D, zm. zależna: wektor 6 5 3 1 6 8 1 Model ciągły przykłady (9/1) 1, 1,8,6,, -1-1 Zm. niezależna: 1D, zm. zależna: wektor -1-3 -1-5 -1-7 -1-9 -1-11 -1-13 -1-15 -1-17 -1-19 1, 1,8,6,, Serie3-1-1-1-3-1-5-1-7-1-9-1-11-1-13-1-15-1-17-1-19 Serie3 Serie Model ciągły przykłady (1/1) Zm. niezależna: 1D, zm. zależna: wektor 5 1, 1,8 15,6 1, Serie3 5, Serie Serie5

Model ciągły przykłady (11/1) Zmienna niezależna: D/3D Zmienna zależna: wektor Line Integral Convolution http://upload.wikimedia.org/wikipedia/commons/b/b9/vectorfield.svg http://www.yoonhostevechang.com/programming/ Model ciągły przykłady (1/1) Zmienna niezależna 3D Zmienna zależna: wektor Particle Tracing http://metacoon-services.com:88/cocoon/mcrooms/c38/bmw_vis.jpg Model ciągły przykłady (13/1) Zmienna niezależna 3D Zmienna zależna: tensor Glyphs http://www.cg.its.tudelft.nl/visualisation/intranet/theo/images/fin-probes.gif http://s3.electronicscooling.com/legacy_images/1999/1 /Jan99_a3_f1.jpg

Model ciągły przykłady (1/1) Zmienna niezależna 3D Zmienna zależna: tensor Elipsoidy http://www.cs.utah.edu/~gk/img/color-half-sqd.png http://www.loni.ucla.edu/~thompson/images/tensor_tumor.gif Wizualizacja różnych typów danych Połączony Model dyskretny Niepołączony Wizualizacje grafów i drzew: Diagramy węzły+połączenia(d i 3D) Mozaiki wypełniające przestrzeń Grafy hierarchiczne Dane D Wykres punktowy Wykres słupkowy 3D Wykres punktowy 3D Wykres słupkowy 3D nd Wiele widoków Agregacja Glify Wykresy pikselowe Wykresy z równoległymi koordynatami str. 111 Model dyskretny przykłady (1/1) 8 6 Dane D 1% 15 1 5 5% % str. 11

Model dyskretny przykłady (/1) Dane D/3D 6 str. 113 Model dyskretny przykłady (3/1) 1 Dane D/3D 1 1 str. 11 Model dyskretny przykłady (/1) http://upload.wikimedia.org/wikipedia/commons/c/c6/gantt_przyklad_.png str. 115

Model dyskretny przykłady (5/1) 15% 19% 19% % 8% 11% 1% 8% % a b c d e f g f e 8% d % 1% c 11% b a 8% % Inne 53% h 15% g i 19% 19% str. 116 Model dyskretny przykłady (6/1) http://upload.wikimedia.org/wikipedia/en//a/parcorfisheriris.png http://vis.lbl.gov/events/sc7/drosophila/ str. 117 Model dyskretny przykłady (7/1) http://upload.wikimedia.org/wikipedia/en//1/spider_chart.jpg str. 118

Model dyskretny przykłady (8/1) http://www.cs.sunysb.edu/~cse63/presentations/deep_visualization%in%data%mining.ppt str. 119 Model dyskretny przykłady (9/1) http://technet.microsoft.com/pl-pl/library/dd9.aspx str. 1 Model dyskretny - przykłady (1/1) Dane dyskretne, połączone http://www-graphics.stanford.edu/papers/h3cga/fig/stanf.gif

Model dyskretny przykłady (11/1) http://office.microsoft.com/pl-pl/excel-help/prezentowanie-danych-na-wykresie-pierscieniowym-ha11557.aspx str. 1 Model dyskretny przykłady (1/1) Dane dyskretne, połączone http://alandix.com/academic/teaching/promise1/images/cone-trees.jpg http://www.ifs.tuwien.ac.at/~mlanzenberger/teaching/ps/ws6/img/cam.jpg Model dyskretny przykłady (13/1) Dane dyskretne, połączone KDirStat Wizualizacja systemu plików

Model dyskretny przykłady (1/1) Dane dyskretne, połączone http://www.myshared.ru/slide/18186/ Podsumowanie Wizualizacja danych to nie grafika! Jedna z metod eksploracji danych Konieczne jest dobranie odpowiedniej metody wizualizacji w zależności od danych str. 16 Literatura Jarosław Gramacki, Artur Gramacki: Wybrane metody redukcji wymiarowości danych oraz ich wizualizacji C.D. Hansen, C.R. Johnson (eds.): The Visualization Handbook, Elsevier, 5 N. Iliinsky, Julie Steele: DesigningData Visualizations str. 17