Autenticação

Utilizador:

Senha:

Iniciar sessão

Esqueceu-se da senha?

Visualização de Informação

Código:

MEC121021

Sigla:

VI

Nível:

1

Áreas Científicas
Classificação	Área Científica
OFICIAL	Informática

Ocorrência: 2022/2023 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Sistemas e Informática
Curso/CE Responsável:	Mestrado em Engenharia Eletrotécnica e de Computadores

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MEEC	2	Plano de Estudos_2020	1	-	7,5	60	202,5

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

1. Apresentar aos estudantes os problemas, conceitos e abordagens fundamentais na concepção e análise de sistemas de visualização de informação /  dados.


2. Familiarizar os estudantes com as fases do pipeline de visualização, incluindo a modelação de dados, mapeamento de atributos de dados para atributos gráficos, questões perceptuais, paradigmas de visualização existentes, técnicas e ferramentas, e avaliação da eficácia das visualizações para dados específicos, tarefas, e tipos de utilizadores.


3. Capacitar os estudantes para o desenvolvimento de sistemas complexos (avançados) de visualização interactiva de informação.

Resultados de aprendizagem e competências

Modo de trabalho

Presencial

Programa

1.   Introdução à Visualização da Informação

1.1.   Definição

1.2.   Conceitos básicos

1.3.   Computadores vs. Humanos

1.4.   Restrições / Limitações

2.      Abstração de dados

2.1.   Tipos de dados

2.2.   Tipos de conjuntos de dados

2.3.   Tipos de atributo

2.4.   Semântica

3.      Abstração de tarefas

3.1.   Ações

3.1.1.     Analisar

3.1.2.     Produzir

3.1.3.     Pesquisa

3.1.4.     Consulta

3.2.   Metas (Alvos)

3.3.   Análise e Derivação

4.      Níveis de Validação

4.1.   Níveis de desenho

4.2.   Enfoques de Análise

4.3.   Abordagens de validação

4.3.1.     Domínio

4.3.2.     Abstração

4.3.3.     Idioma

4.3.4.     Algoritmo

4.3.5.     Incompatibilidades

4.4.   Exemplos de validação

5.      Marcas e Canais

5.1.   Definição de Marcas e Canais

5.1.1.     Tipos de canais

5.1.2.     Tipos de marcas

5.1.3.     Utilização de Marcas e Canais

5.1.4.     Eficácia dos Canais

6.      Regras, Diretrizes

6.1.   2D

6.2.   3D

6.3.   Olhos vs. Memória

6.4.   Resolução vs Imersão

6.5.   Visão geral e detalhes

6.6.   Capacidade de resposta

7.      Tabelas

7.1.   Organizar por Chaves e Valores

7.2.   Separar, ordenar e alinhar

7.3.   Orientação do Eixo Espacial

7.4.   Densidade da disposição espacial

8.      Dados Espaciais

8.1.   Geometria

8.2.   Campos escalares

8.3.   Campos Vetoriais

8.4.   Campos Tensoriais

9.      Redes e Árvores

9.1.   Ligação - Marcas de Ligação

9.2.   Vistas Matriciais

9.3.   Marcas de Hierarquia

10.  Cor e Outros Canais

10.1.  Teoria da Cor

10.2.  Colormaps

10.3. Outros Canais

11.  Manipular vistas

11.1. Mudança de “view” no tempo

11.2. Selecionar Elementos

11.3. Mudança da posição de observação

11.4. Redução de Atributos

12.  Vistas Múltiplas

12.1. Vistas de justaposição e coordenadas

12.2. Partição em vistas

12.3. Sobrepor camadas

13.  Reduzir Itens e Atributos

13.1. Filtrar

13.2. Agregar

14.  Integrar: Foco + Contexto

14.1. Eliminação / Supressão

14.2. Superpor

14.3. Distorção

14.4. Custos e Benefícios da Distorção

15.  Aplicações: Casos de Estudo

Bibliografia Obrigatória

Collin Ware; Information Visualization: PERCEPTION FOR DESIGN. Fourth Edition, Morgan Kaufmann, 2021
Christian Tominski, Heidrun Schumann; Interactive Visual Data Analysis, CRC Press Taylor and Francis Group, 2020
Robert Grant; Data Visualization Charts, Maps, and Interactive Graphics, Chapman and Hall/CRC, 2018
Claus O. Wilke; Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures, O’Reilly, 2019

Bibliografia Complementar

Abha Belorkar; Interactive Data Visualization with Python Second Edition, Packt Publishing, 2020
Ossama Embarak; Data Analysis and Visualization Using Python: Analyze Data to Create Visualizations for BI Systems, APRESS, 2018
T. Munzner; Visualization Analysis & Design: Abstractions, Principles, and Methods, CRC Press, 2014

Métodos de ensino e atividades de aprendizagem

O ensino terá 3 grandes componentes:

• Aulas teórico-práticas - parcialmente expositivas e com recurso intensivo a resolução acompanhada de exercícios, análise de casos de estudo e dois seminários sobre tópicos específicos, que irão decorrer na totalidade a distância.
• Aulas de Laboratório - para execução acompanhada e avaliação individual de trabalhos práticos em ambiente informático para computadores pessoais, internet e dispositivos móveis.
• Orientação Tutorial - para acompanhamento personalizado da execução de projetos a distância.

Serão disponibilizados ficheiros com a matéria de exercícios laboratoriais a executar autonomamente (regime assíncrono) mas com acompanhamento por videoconferência no horário estabelecido e a utilização de aulas síncronas (por videoconferência) para esclarecimento de dúvidas e acompanhamento individual.

Software

Anaconda Distribution (Linguagem de Programação Python + Módulos de Análise e Visualização de Dados)
IDE: Visual Studio Code

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Apresentação/discussão de um trabalho científico	30,00
Teste	20,00
Trabalho laboratorial	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Apresentação/discussão de um trabalho científico	2,00
Elaboração de projeto	40,00
Estudo autónomo	30,00
Frequência das aulas	60,00
Trabalho de investigação	30,00
Trabalho laboratorial	30,00
Total:	192,00

Obtenção de frequência

A avaliação versará todas as 3 componentes, nomeadamente:

• Através de dois seminários para os quais os alunos terão de preparar autonomamente as suas apresentações. Serão avaliados os conhecimentos teóricos e a capacidade de os aplicar a casos específicos.
• Através de uma seleção dos melhores laboratórios serão avaliadas as capacidades de execução acompanhada.
• Através da execução de um projeto individual será avaliada a capacidade de trabalho e execução autónoma.

Fórmula de cálculo da classificação final

A avaliação final será:

40% Projeto + 10% Laboratórios + 15% Seminário 1 + 15% Seminário 2 + 20% Teste