Module guide

Angewandte Künstliche Intelligenz (AKI)

Visual Analytics

Empfohlene Vorkenntnisse

Keine

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen grundlegende Methoden und Theorien zu Visual Analytics, einschließlich Grundlagen der Wahrnehmung, Datentypen, Skalen, Diagramme und Techniken zur visuellen Exploration und Interaktion. Sie lernen wie man komplexe Datenmengen effektiv exploriert und interaktiv analysiert werden können. Sie kennen die Möglichkeiten von Python und speziellen Visualisierungstools zur Visualisierung und können diese Werkzeuge zielführend zur explorativen Analyse und Interaktion anwenden. Sie haben praktische Erfahrungen bei der Konzeption und Realisierung von Visualisierungsanwendungen.

Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 120
Workload 180
ECTS 6.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Visual Anayltics" (K60) "Praktikum Visual Anayltics" muss "m.E." attestiert sein.

Modulverantwortlicher

Prof. Dr. Stephan Trahasch

Max. Teilnehmer 41
Empf. Semester 1
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Visual Analytics

Art Vorlesung
Nr. EMI906
SWS 2.0
Lerninhalt

Die LV umfasst folgende Lerninhalte:

  • Grundlagen der menschlichen Wahrnehmung
  • Kognitive Aspekte der Informationsverarbeitung
  • Mensch-Computer-Interaktion
  • Datentypen, Skalen und Visualisierungsmöglichkeiten
  • Grundlagen der deskriptiven Statistik : Häufigkeiten, Mittelwerk, Median, empirische Varianz, Standardabweichung, Korrelation, Konzentrationsmaße
  • Visualisierungsmöglichkeiten:  Histogramme, Säulen- und Balkendiagramme, Quantile und Boxplots, Scatter Plots, Liniendiagramme, Tree Maps
  • Interaktionsmöglichkeiten mit Visualisierung
  • Datenbasiertes Storytelling
Literatur
  • Tufte, Edward R. (1999): The visual display of quantitative information. 17 print. Cheshire, Conn.: Graphics Press.
  • Cairo, Alberto (2016): The truthful art. Data, charts, and maps for communication. New Riders.
  • Few, Stephen (2012): Show me the numbers. Designing tables and graphs to enlighten. 2. Aufl. Burlingame, Calif: Analytics Press.
  • Nussbaumer Knaflic, Cole (2015): Storytelling with data. A data visualization guide for business professionals. Hoboken, New Jersey: John Wiley & Sons Inc. 

Praktikum Visual Analytics

Art Praktikum
Nr. EMI907
SWS 2.0
Lerninhalt

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

  • Deskriptive Statistik
  • Visualisierung von Daten
  • Anwenden von Python-Bibliotheken zur Visualisierung
  • Durchführen eines Projekts zum datenbasierten Storytelling mit Hilfe von Visualisierungen
Literatur
  • Vanderplas, Jacob T. (2016): Python data science handbook. Essential tools for working with data. First edition. Sebastopol, CA: O'Reilly Media Inc
  • Burns, Samuel (2019): Python Data Visualization. An Easy Introduction to Data Visualization in Python with Matplotlip, Pandas, and Seaborn.