Visualização de Dados
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Ciência de Computadores |
Ocorrência: 2020/2021 - 1S
Ciclos de Estudo/Cursos
Língua de trabalho
Português e inglês
Obs.: All course material will be given in English
Objetivos
Esta UC apresentará os conceitos de Visualização de Dados com foco especial em Data Science e Visual Analytics. A área abrange um domínio multidisciplinar que combina visualização de dados com a aprendizagem automática no sentido de auxiliar a compreensão e divulgação de dados.
Os estudantes serão expostos ao design de representações visuais que suportam tarefas que, por sua vez, permitem fazer a transição entre dados em bruto para insights/inspiração e formulação de novas hipóteses.
Os tópicos incluem conceitos básicos de visualização de informações; análise visual temporal de eventos; análise de conjuntos de dados espaciais e temporais; análise visual de social media; e a análise visual de coleções de texto e multimédia.
Os objetivos do curso são: que os estudantes percebam como realizar visualização de dados de forma efectiva e eficiente; criem protótipos de aplicações para a análise visual usando bibliotecas existentes, acoplando métodos de aprendizagem automática e de visualização. Os estudantes ganharão ainda competências na análise de dados por meio de tarefas de visualização em diferentes domínios de aplicação.
Em particular:
- Criar gráficos adequados ao tipo de contexto e ao problema a explorar
- Criar e aperfeiçoar gráficos, usando as ferramentas R e Python
- Integrar gráficos desenvolvidos em R/Python em ambientes interativos
- Desenhar e desenvolver dashboards de acesso a Big Data para manipulação interativa de múltiplos gráficos
Resultados de aprendizagem e competências
- Compreender e saber aplicar os principais conceitos envolvidos na criação de um gráfico em R e Python usando as suas mais recentes bibliotecas
- Explicar os métodos padrão de aprendizagem automática e mineração de dados e suas particularidades para fins de visualização
- Explicar os métodos de visualização e análise visual e as diferenças entre eles
- Descrever os limites dos métodos de aprendizagem automática e de mineração de dados para resolver problemas de análise de dados e quando os métodos de visualização são possíveis soluções
- Crie estratégias elegantes e simples para resolver problemas de análise de dados, integrando a visualização aos métodos de aprendizagem automática e mineração de dados e justificar as escolhas
- Realizar tarefas de análise de dados em grandes conjuntos de dados para descobrir visualmente padrões de dados e formular hipóteses.
Modo de trabalho
Presencial
Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)
Experiência de uma linguagem de programação, idealmente R ou Python.
Programa
- Representação e transformação de dados
- Visão geral da visualização de dados
- Análise visual: motivação, modelos, desafios e raciocínio analítico
- Elementos fundamentais na visualização gráfica de dados
- Tipos de gráficos, adequação ao problema e integridade gráfica
- Criação de gráficos para dados univariados e multivariados
- Gráficos condicionais, temporais e com valores multi-agregados
- Mineração visual de dados: redução de dimensionalidade para visualização e visualização de resultados de cluster
- Análise visual para coleções de texto e multimédia
- Análise visual para conjuntos de dados espaciais e temporais
- Painéis para manipulação interativa de visualizações gráficas simultâneas
Bibliografia Obrigatória
M. O. Ward, G. Grinstein, D. Keim; Interactive Data Visualization: Foundations, Techniques, and Applications, CRC Press, 2015 (Livro principal)
Hadley Wickham; ggplot2: Elegant Graphics for Data Analysis. ISBN: ISBN-10: 0387981403 (Livro principal)
Bibliografia Complementar
L. Wilkinson; The Grammar of Graphics, 2005. ISBN: ISBN-10: 0387245448
Eduard Tufte; The Visual Display of Quantitative Information, 2001. ISBN: ISBN-10: 0961392142
William Cleveland; The Elements of Graphing Data . ISBN: ISBN-10: 0963488414 (Perspetiva histórica)
Observações Bibliográficas
Artigos principais a serem usados:
- Sacha, A. Stoffel, F. Stoffel, B. C. Kwon, G. Ellis and D. A. Keim, "Knowledge Generation Model for Visual Analytics," in IEEE Transactions on Visualization and Computer Graphics, vol. 20, no. 12, pp. 1604-1613, 2014.
- Endert, W. Ribarsky, C. Turkay, B.W. Wong, I. Nabney, I. D. Blanco, and F. Rossi, “The State of the Art in Integrating Machine Learning into Visual Analytics”, Computer Graphics Forum, vol. 36, pp. 458-486, 2017.
Métodos de ensino e atividades de aprendizagem
Nas aulas será usado o método expositivo, sendo apresentada uma visão organizada dos temas do programa, bem como exemplos práticos de aplicação dos mesmos.
Haverá acompanhamento da execução dos trabalhos práticos e criação de milestones de execução.
Análise individual, e a nível de turma, de artigos e textos científicos da área. Apresentação e discussão dos trabalhos em turma.
Cada aula de 3 horas será divida em parte teórica, discussão, e parte prática para aplicação dos conhecimentos em casos reais.
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Designação |
Peso (%) |
Apresentação/discussão de um trabalho científico |
10,00 |
Exame |
30,00 |
Teste |
10,00 |
Trabalho escrito |
10,00 |
Trabalho prático ou de projeto |
40,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Apresentação/discussão de um trabalho científico |
3,00 |
Elaboração de projeto |
10,00 |
Estudo autónomo |
47,00 |
Frequência das aulas |
42,00 |
Trabalho laboratorial |
60,00 |
Total: |
162,00 |
Obtenção de frequência
Execução de todos os componentes de avaliação.
- Mini-teste (MT)
- Proposta de projeto (PP)
- Desenvolvimento de projeto (DP)
- Apresentação final (AF)
- exame final (EF)
Exame final com nota igual ou superior a 40% da sua cotação.
Nota final igual ou superior a 9.5 valores.
Fórmula de cálculo da classificação final
Nota = 0,1*MT + 0,1*PP + 0,4*TDP + 0,1*AP + 0,3*EF
Trabalho de estágio/projeto
O projeto do curso é a oportunidade do estudante desenvolver competências e fortalecer conhecimentos em Visualização de Dados. O projeto do curso foi criado para permitir que os estudantes possam experimentar todas as etapas do desenvolvimento, desde a criação de uma nova Ideia para uma visualização de dados numa aplicação de análise visual, até à sua implementação, teste e demonstração. Para uma melhor gestão do tempo e trabalho, o projeto é dividido em diferentes deliverables: proposta, implementação e demonstração do projeto.
Melhoria de classificação
Somente na componente exame final (EF), em época de recurso.
Observações
Júri: Profs. Álvaro Figueira e Rita Ribeiro