Visualisierung. Anforderungen und Prozesse
|
|
- Astrid Bäcker
- vor 5 Jahren
- Abrufe
Transkript
1 Visualisierung Anforderungen und Prozesse Detlef Krömker Uni Frankfurt, Graphische Datenverarbeitung Wolfgang Müller PH Weingarten, Mediendidaktik und Visualisierung Frankfurt, WS 2007/ Übersicht Wiederholung: Was ist Visualisierung? (Teil A) Wann ist eine Visualisierung gut? (Teil B) Der Visualisierungsprozess (Teil C) Frankfurt, WS 2007/
2 Terminologie Visualisierung (Visualization) The use of computer-supported, interactive, visual representations of data to amplify cognition (Card et. al. 1999) Wissenschaftlich-technische Visualisierung (Scientific Visualization) The use of computer-supported, interactive, visual representations of scientific data, typically physical based, to amplify cognition (Card et. al. 1999) Informationsvisualisierung (Information Visualization) The use of computer-supported, interactive, visual representations of abstract, nonphysically based data to amplify cognition (Card et. al. 1999) Frankfurt, WS 2007/ SciVi vs. InfoVis (Scientific) Visualization vs. Information Visualization unscharfe Trennung (nach Card, Mackinlay, Shneiderman) Scientific Visualization The use of computer-supported, interactive, visual representations of data to amplify cognition. Daten mit technischem, naturwissenschaftlichen Ursprung (Messungen, Simulationen) oft existiert natürliche, naheliegende räumliche Repräsentation Information Visualization The use of computer-supported, interactive, visual representations of abstract data to amplify cognition. allgemeinere Daten: Geschäftsdaten, Finanzdaten, Dokumente oder Datenbankinhalte strukturierte abstrakte Daten ohne natürliche, naheliegende räumliche Repräsentation Frankfurt, WS 2007/
3 Nachdenken The purpose of computation is insight, not numbers. (Hamming, 1973) The purpose of visualization is insight, not pictures. (McCormick et. al.) Ein Bild sagt mehr als tausend Worte. (Chinesisches Sprichwort) Ein Wort sagt mehr als tausend Bilder. (Alexander Hahn (?)) Frankfurt, WS 2007/ Geschichte der (Informations-) Visualisierung Visualisierung zeitvarianter Daten Erstes Auftreten Illustration von Planetenbahnen Text einer Klosterschule des 10 ten Jahrhunderts Wiederentdeckung Wissenschaftliche Darstellung periodischer Änderungen von Bodentemperaturen in Relation zur Tiefe (unter der Erdoberfläche) Lambert, 18tes Jahrhundert Nutzung weiterer Formen von Informationsgraphiken William Playfair: Commercial and Political Atlas, 1786 after Tufte 1996 Frankfurt, WS 2007/
4 Terminologie: Daten, Information, Wissen Information Daten Wissen Immer nur in Bezug auf vorhandenes Wissen und Themengebiet Deshalb: schwer formal zu definieren Elementare Informationen (Weitestgehend) Kontextunabhängig Klare Wahrnehmung von Fakten, Wahrheit Verständnis aufgrund von Forschung und Erfahrung Kann beinhalten Know what' (Wissen über Fakten) Know why' (naturwissenschaftliches Wissen über die Prinzipien und Gesetze der Naturgesetze) Know how' (Skills oder Fähigkeiten eine Aufgabe zu bearbeiten) Know who' (Wissen darüber, wer Wissen besitzt und wie man auf dieses Wissen zugreifen kann) Frankfurt, WS 2007/ Klassifikation von Visualisierung (I) Klassifikation von Visualisierung nach verschiedenen Kriterien nach Entwurf zu VDI 3633 Blatt 7 (in Arbeit) Struktur Abstraktionsgrad der visuellen Elemente Struktur der Darstellung Zeitverhalten der Daten / des Modells Zeitverhalten der Präsentation Interaktion Frankfurt, WS 2007/
5 Klassifikation visueller Elemente Abstraktionsgrad der visuellen Elemente symbolisch Zeichen(-ketten) H 2 O (abstraktes) Symbol Piktogramm (graphisch, bildliches Symbol) Detlef Krömker Frankfurt, WS 2007/ Klassifikation visueller Elemente Abstraktionsgrad der visuellen Elemente (2) ikonisch, zeigt (für einen Menschen) unmittelbar die Bedeutung, anschaulich stilisierte Abbildungen ( Strichzeichnungen) realitätsnah (elementare Beleuchtungsrechnung) Detlef Krömker Frankfurt, WS 2007/
6 Klassifikation visueller Elemente Abstraktionsgrad der visuellen Elemente (2) fotorealistisch: nicht von einem Foto unterscheidbar Messecenter-Vis. (Spierling 1996) Frankfurt, WS 2007/ Klassifikation von Visualisierung (V) Struktur der Darstellung Schrift Zeichenketten, Konventionen Tabelle zusätzliche Strukturen im Schriftbild Diagramme Anordnung von Zeichen, Symbolen und Ikonen Zeichnungen zweckgebundene Abstraktion (Karten) Ähnlichkeiten bzgl. topologischer Strukturen bleiben erhalten Bild höherer Grad der Ähnlichkeit Virtuelle Welten erlebbare 3-Dimensionalität Detlef Krömker Frankfurt, WS 2007/
7 Klassifikation von Visualisierung (VI) Zeitverhalten der Daten / des Modells Statisch Dynamisch Diskret Kontinuierlich Zeitverhalten der Präsentation Standbild (Festbild) Proportionales Bewegtbild Zeitlupe Echtzeit Zeitraffer Nicht proportionales Bewegtbild Frankfurt, WS 2007/ Klassifikation von Visualisierung (VII) Interaktion keine Navigation in der Präsentation Interaktion mit dem Simulationsmodell / den Messgeräten Interaktion mit dem graphischen Modell Interaktion in dem Modell (Immersion) Detlef Krömker Fraunhofer IGD Frankfurt, WS 2007/
8 Klassifikation von Visualisierung (VIII) Struktur der Darstellung Schrift Zeichenketten, Konventionen Tabelle zusätzliche Strukturen im Schriftbild Diagramme Anordnung von Zeichen, Symbolen und Ikonen Zeichnungen zweckgebundene Abstraktion (Karten) Ähnlichkeiten bzgl. topologischer Strukturen bleiben erhalten Bild höherer Grad der Ähnlichkeit Virtuelle Welten erlebbare 3-Dimensionalität Detlef Krömker Frankfurt, WS 2007/ Klassifikation von Visualisierung (VIII) Struktur der Darstellung Schrift Zeichenketten, Konventionen Tabelle zusätzliche Strukturen im Schriftbild Diagramme Anordnung von Zeichen, Symbolen und Ikonen Zeichnungen zweckgebundene Abstraktion (Karten) Ähnlichkeiten bzgl. topologischer Strukturen bleiben erhalten Bild höherer Grad der Ähnlichkeit Virtuelle Welten erlebbare 3-Dimensionalität Detlef Krömker Frankfurt, WS 2007/
9 Klassifikation von Visualisierung (IX) Grafik und verwandte Begriffe in der Literatur häufig nicht einheitlich verwendet Klassifikation nach Harris, 1996 Grafik (Chart) Graph Karte Diagramm Tabelle Andere Grafiken nach Harris 96 Frankfurt, WS 2007/ Terminologie: Grafik Grafik, Informationsgrafik Ein Mittel zur Zusammenführung und Darstellung von Informationen und Daten (in graphischer Form) zum Zweck der Analyse, Planung, Überwachung, Kommunikation, etc. Frankfurt, WS 2007/
10 Terminologie: Graph Definitionen A chart that graphically displays quantitative relationships between two or more groups of information (Harris 96) A visual display that illustrates one or more relationships among entities and which allows a trend, pattern, or comparison to be easily apprehended (Kosslyn 89) Anforderungen/Struktur Mindestens zwei quantitative Skalen Assoziation von Werten durch symmetrische Relationen, welche dieses paaren Beispiele: Punktediagramm (Scatter Plot), Säulendiagramm (Bar Chart) Frankfurt, WS 2007/ Terminologie: Diagramm Darstellung diskreter Relationen zwischen diskreten Entitäten Struktur stellt die Beziehungen zwischen den Entitäten her Linienelemente und relative Position zur Verknüpfung von Entitäten Beispiele: Familienbaum, Flussdiagramm, Netzwerk Frankfurt, WS 2007/
11 Terminologie: Karte (Map) Grafik, die Informationen visuell mit physikalischen (räumlichen) Koordinaten in Verbindung setzt Kennzeichnungen verbunden mit Orten Beispiele: Statistische Karten, Topographische Karten Frankfurt, WS 2007/ Wann ist eine Visualisierung gut? Teil B Frankfurt, WS 2007/
12 Ziele der Visualisierung Ziel der Visualisierung Erkenntnisgewinn Kenntnisvermittlung Explorative Analyse konfirmative Analyse Präsentation u. Kommunikation Ausgangspunkt: keine Hypothesen bekannt,interaktive, oft ungerichtete Suche Ziel: Formulierung einer Hypothese Ausgangspunkt: Hypothesen, Vermutungen Ziel: Bestätigen oder Verwerfen der Hypothese Ausgangspunkt: Gesicherte Erkenntnisse, Fakten, Wissen Ziel: Vermittlung des Wissens Frankfurt, WS 2007/ Ziele einer Visualisierung Visualisierung ist gut, wenn sie ihr Ziel erreicht: von die Analyse, das Verständnis und die Kommunikation Modellen, Konzepten und Daten / Information ergänzen, erleichtern, ermöglichen durch Erzeugung geeigneter visueller Repräsentationen von Daten / Information Frankfurt, WS 2007/
13 Qualität einer Visualisierung Die Qualität einer Visualisierung definiert sich durch den Grad, in dem die bildliche Darstellung das Ziel der Visualisierung erreicht. lässt sich als das Verhältnis von der vom Betrachter in einem Zeitraum wahrgenommenen Information zu der im gleichen Zeitraum zu vermittelnden Information beschreiben. Geeignete mentale Modelle (Form der Wissensrepräsentation beim Menschen, Begriff aus der kognitiven Psychologie) müssen im Betrachter entwickelt oder adressiert werden. Wie gut gelingt dies durch eine Visualisierung? Frankfurt, WS 2007/ Einflussfaktoren der Visualisierungsqualität Einflussfaktoren auf die Visualisierung sind Art und Struktur der Daten Z.B. Typ der Daten, Dimension des Beobachtungsbereiche Bearbeitungsziel bei der Visualisierung Z.B. Überblick, Detailanalyse oder Ergebnispräsentation für Dritte Vorwissen des Anwenders/Betrachters Z.B. Laie, Entscheider, Planer Visuellen Fähigkeiten und Vorlieben des Betrachters Z.B. rot-grün-blind, spezielle Farbpräferenzen Übliche Metaphern oder Konventionen des Anwendungsgebietes, Z.B. übliche Symbole oder übliche Darstellungsformen Charakteristika des Darstellungsmediums Z.B. Auflösung, Anzahl der darstellbaren Farben und Rechenleistung Frankfurt, WS 2007/
14 Allgemeine Anforderungen Eine Visualisierung soll sein expressiv, möglichst effektiv und angemessen Frankfurt, WS 2007/ Expressivität (Ausdrucksfähigkeit) Kriterium Unverfälschte Wiedergabe der Daten Grundsatz Nur die in den Daten enthaltenen Informationen und nur diese sollen durch die Visualisierung dargestellt werden. Frankfurt, WS 2007/
15 Beispiel Expressivität Scatterplot Balkendiagramm nach Mackinlay 86 Das Balkendiagramm ist nicht expressiv, da es kontinuierliche, geordnete Werte auf der Abszisse suggeriert. Frankfurt, WS 2007/ Diskussion Expressivität Die Expressivität ist abhängig von der Struktur und der Art (Typ, Wertebereich,...) der Daten. Expressivität ist oft keine binäre Eigenschaft (wahr oder falsch) sondern ein Grad, in dem das Kriterium erfüllt ist Die Wahl eines oder mehrerer (maximal, genügend) expressiven Visualisierungsverfahrens oder einer Visualisierungstechnik ist i.d.r. der erste Schritt bei der Visualisierung. Frankfurt, WS 2007/
16 Effektivität Kriterium: Auswahl der optimalen Visualisierung unter Beachtung der Randbedingungen Zielsetzung Anwendungskontext visuelle Fähigkeiten des Betrachters Eigenschaften (und Einstellungen) des Graphiksystems Grundatz: Eine Visualisierung ist effektiv wenn sie das Ziel der Visualisierung unter Berücksichtigung des Kontextes in optimaler Form unterstützt. Frankfurt, WS 2007/ Beispiel Effektivität Visualisierung von Grundstückspreisen in einer Region (nach Bertin 82) Die rechte Visualisierung ist effektiver, da die Größen der Kreise direkt die richtige Assoziation erweckt. Frankfurt, WS 2007/
17 Diskussion Effektivität Das Effektivitätskriterium gibt Aufschluss über die Fähigkeit einer Darstellungsform, die in ihr enthaltenen Informationen zu veranschaulichen und auf intuitive Weise an den Betrachter zu vermitteln Bei einer vorliegenden Anzahl expressiver Visualisierungstechniken für gegebenes Visualisierungsproblem ist die Auswahl der effektivsten Technik der nächste Schritt im Visualisierungsprozess Im allgemeinen sucht man nach der effektivsten Darstellungsform für eine gegebene Datenmenge, aber nicht immer ist jedoch die effektivste Visualisierung auch die beste Wahl Angemessenheit Frankfurt, WS 2007/ Angemessenheit Angemessenheits-Kriterium setzt Aufwand und Nutzen in Relation Nicht nur Technologiekosten zählen, sondern auch und insbesondere Zeitlicher, kognitiver, physischer und psychischer Aufwand / (die Belastung) für den Betrachter Enge Verknüpfung mit Effektivität Unangemessene Visualisierungen können nicht effektiv sein Frankfurt, WS 2007/
18 Beispiel Frankfurt, WS 2007/ Anwendung der Kriterien Verwendung als Leitlinien (vgl. Gestaltungsregeln) Keine Messbarkeit wie eine physikalische Größe, keine theoretische Ableitung Durchführung von Tests mit Nutzern Frankfurt, WS 2007/
19 Zusammenfassung Hauptqualitätskriterien bei einer Visualisierung: Effektivität Effizienz Angemessenheit Akzeptierte formale Beschreibung ist offener Forschungsgegenstand (-> empirische Tests) Assistenzsysteme sind möglich und hilfreich können gravierende Fehler vermeiden Gute Visualisierungen zu erstellen ist (und bleibt?) eine KUNST! Frankfurt, WS 2007/ Der Visualisierungsprozess Teil C Frankfurt, WS 2007/
20 Übersicht Die Visualisierungspipeline Transformationen (Funktionen) Datenarten und Datenfluss Klassifikation der Visualisierungen Rollen im Visualisierungsprozess Referenzmodell für die Visualisierung Visualisierungsszenarien Frankfurt, WS 2007/ Der Visualisierungsprozess Visualisierung ist Ein kreativer Prozess Ein gestalterischer Prozess Ein zielorientierter Prozess Ein hochgradig interaktiver Prozess Frankfurt, WS 2007/
21 Die Visualisierungspipeline Daten Interaktion Filterung Steuerung Aufbereitete Daten Mapping Visualisierungselemente User Rendering Steuerung Wahrnehmung Medien Visualisierungspipeline Repräsentiert die typische Vorgehensweise zur Erzeugung einer Visualisierung für vorgegebene Daten und Visualisierungsziel Zeigt die verschiedenen Stufen des Visualisierungsprozesses und die entsprechenden Zwischenergebnisse auf Frankfurt, WS 2007/ Die Visualisierungspipeline Daten Interaktion Filterung Steuerung Aufbereitete Daten Mapping Visualisierungselemente User Rendering Steuerung Wahrnehmung Medien Stufen der Visualisierungspipeline Filterung Datenaufbereitung Mapping Erzeugung eines Graphischen Modells (Geometrie + Merkmale): Visualisierung im engeren Sinn Rendering Bildgenerierung (nach Haber: Visualization Idioms: A conceptual model for scientific Visualization Systems, 1990) Frankfurt, WS 2007/
22 Die Visualisierungspipeline Interaktion Steuerung User Steuerung Daten Filterung Aufbereitete Daten Mapping Visualisierungselemente Rendering Daten Rohdaten als Ergebnis einer Datenerfassung als Ausgangspunkt der Visualisierung Typische Quellen Messung Berechnung, Simulation Manuelle Eingabe Datenbanken, Tabellen Wahrnehmung Medien Frankfurt, WS 2007/ Die Visualisierungspipeline Daten Interaktion Filterung Steuerung Aufbereitete Daten Mapping Visualisierungselemente User Rendering Steuerung Wahrnehmung Medien Vorsicht! Filterung Aufgabe: Datenaufbereitung Funktionen Vervollständigung (z.b. Interpolation) Reduzierung (z.b. Selektion, Projektion) Glättung (z.b. Fehlerkorrektur) Ergänzung (z.b. statistische Maße, Verknüpfung mit anderen Datensätzen) Frankfurt, WS 2007/
23 Die Visualisierungspipeline Interaktion Daten User Steuerung Filterung Aufbereitete Daten Mapping Visualisierungselemente Mapping: Auswahl einer Visualisierungstechnik Abbildung der aufbereiteten Daten auf ein Bild (2D) oder eine Szene (3D) (Geometrie und Merkmalsebene) Steuerung Rendering Wahrnehmung Medien Frankfurt, WS 2007/ Die Visualisierungspipeline Interaktion Steuerung User Steuerung Daten Filterung Aufbereitete Daten Mapping Visualisierungselemente Rendering Ziele des Mapping Ensemble von geometrischer Objekte (Punkte, Linien, Flächen, Körper) Erscheinungsattribute (Farbe, Struktur, Textur,... ) Betrachtungsbedingungen als Repräsentanten visueller Variablen Nach Bertin: Position auf der Ebene, Größe, Helligkeit, Musterung (Textur), Farbe, Richtung / Orientierung, Form) In Sonderfällen wird direkt in ein Digitales Bild transformiert (z.b. Volume Rendering) Wahrnehmung Medien Frankfurt, WS 2007/
24 Die Visualisierungspipeline Daten Interaktion Steuerung User Steuerung Filterung Aufbereitete Daten Mapping Visualisierungselemente Rendering Rendering, Darstellung Transformation einer Geometrie- und Merkmalsbeschreibu ng in ein Digitales Bild Auswahl der Technik Wahl der Darstellungsparameter (Qualität, Auflösung, etc.) Wahrnehmung Medien Frankfurt, WS 2007/ Die Visualisierungspipeline Daten Interaktion Steuerung User Steuerung Filtering Aufbereitete Daten Mapping Visualisierungselemente Rendering Interaktion: Steuerung von Filterung, Ampping, und Rendering Bewertung des Gesehenen Ggf. Änderung der Ziele Wahrnehmung Medien Frankfurt, WS 2007/
25 Beispiel [nach Haber] Detlef Krömker Erfassung der Rohdaten an den roten Punkten Abbildung auf ein reguläres Gitter Projektion des Gitters und Mapping der Werte Druck Höhe Temperatur Farbe Frankfurt, WS 2007/ Rollen im Visualisierungsprozess Messfachmann Simulationsfachmann Berechnungsfachmann Visualisierungsfachmann (Illustratoren) (Fach-) Analytiker Zuschauer Autor ( Publisher ) Betrachter, Leser ( Viewer ) Frankfurt, WS 2007/
26 Visualisierungs-Szenarios: Variante 1 Autor erzeugt Bild/Bildsequenz Daten Autor F M R Betrachter Bild Der Betrachter hat keine Möglichkeiten auf den Visualisierungsprozess Einfluss zu nehmen Ggf. hohe Datenraten nötig (Bild, Video) Der Autor kann die Qualität garantieren Frankfurt, WS 2007/ Visualisierungs-Szenarios: Variante 2 Autor erzeugt Geometrie-/Merkmalsmodell/Animation Daten Autor F M R Betrachter Bild Übertragung zum Beispiel als VRML-Szene Betrachter kontrolliert virtuelle Kamera und ggf. andere Renderingparameter (Walkthroughs) insbesondere bei 3D Präsentationen sinnvoll Betrachter gewinnt Freiheiten Autor kann i.d.r. Qualität noch sicherstellen Frankfurt, WS 2007/
27 Visualisierungs-Szenarios: Variante 3 Betrachter erzeugt die Visualisierung Autor Daten F M R Betrachter Bild Der Autor liefert Rohdaten oder aufbereitete Daten Daten werden z.b. als netcdf ausgetauscht Betrachter hat alle Freiheiten hat mehr Arbeit und Verantwortung (für Qualität) Betrachter braucht Visualisierungssystem Frankfurt, WS 2007/ Visualisierungs-Szenarios: Variante 4 Autor erzeugt ein Geometrie- und Merkmalsmodell unter Kontrolle / Einfluss des Betrachter Daten Autor F M R Betrachter Bild Filtering und Mapping wird vom Autor vorbereitet Über ergänzende Schnittstelle erhält der Betrachter Möglichkeiten zur Beeinflussung des Filtering und des Mappings, aber in vom Autor kontrollierten Art und Umfang Kaum ein Visualisierungssystem erlaubt dieses Frankfurt, WS 2007/
28 Referenzmodell für die Visualisierung Datenfluss im erweiterten Modell Beobachtung Messung Modellierung Visualisierungssystem F M R Simulation Berechnung Spezifikation der Visualisierung Nutzer Bild Analyse Frankfurt, WS 2007/ Referenzmodell für die Visualisierung Kontrollfluß (rot) im erweiterten Modell Beobachtung Messung Modellierung Rohdaten Datenanalyse Rohdaten Datenanalyse Visualisierungssystem F M R Simulation Berechnung Spezifikation der Visualisierung Nutzer Bild Analyse Frankfurt, WS 2007/
29 Interaktionszyklen Interaktionzyklen mit unterschiedlichen Zyklenzeiten Beobachtung Messung Modellierung Verschiedene Nutzungsszenarien Visualisierungssystem F M R Simulation Berechnung Spezifikation der Visualisierung Nutzer Bild Analyse Frankfurt, WS 2007/ Szenario: Tracking Beobachtung Messung Modellierung Rohdaten Datenanalyse Rohdaten Datenanalyse So wie die Daten gemessen oder errechnet werden, so werden sie visualisiert realtime = schritthaltend keine Interaktion Visualisierungssystem F M R Simulation Berechnung Spezifikation der Visualisierung Nutzer Bild Analyse Frankfurt, WS 2007/
30 Vollständige interaktive Steuerung (Computational Steering, Steering) Beobachtung Messung Modellierung 1 Rohdaten Datenanalyse Optimal für den Erkenntnisprozess (wenn der Nutzer genügende Kenntnisse hat) Aber: oft aufgrund der benötigten Rechenleistung nicht praktikabel Visualisierungssystem F M R 2 Simulation Berechnung Spezifikation der Visualisierung 3 Nutzer Analyse Bild Frankfurt, WS 2007/ Bewegungsmodus Schritt 1 Schritt 2 Datenerzeugung Visualisierung Schritt Analyse 3 Beobachtung Messung Rohdaten Bild Modellierung Rohdaten Visualisierung Nutzer Simulation Berechnung Bild Analyse Frankfurt, WS 2007/
31 Interaktives Postprocessing Schritt 1 Schritt 2 Datenerzeugung Interaktive Visualisierung Beobachtung Messung Bild Modellierung Rohdaten Rohdaten Visualisierung Simulation Berechnung Heutzutage Standardszenario! Nutzer Analyse Frankfurt, WS 2007/ Zusammenfassung Visualisierungs(kern-)prozesse sind: Filtering = Datenaufbereitung Mapping = Abbildung der Daten auf Geometrie- und Merkmalsdaten ( = visuelle Variablen) Rendering = Abbildung auf ein Digitales Bild Rollen im Visualisierungsprozess Autor Betrachter Nutzungsszenarien: Tracking Bewegungsmodus Interaktives Postprozessing Interaktive Steuerung Frankfurt, WS 2007/
32 Danksagung Diese Vorlesung basiert auf Material von Prof. Dr. Heidrun Schumann Prof. Dr. Detlef Krömker Prof. Dr. Colin Ware Frankfurt, WS 2007/
Visualisierung als Anwendung der CG Meilensteine der Entwicklung Terminologie
9LVXDOLVLHUXQJ Allgemeine Ziele und Prof. Dr.-Ing. Detlef Krömker *RHWKH8QLYHUVLWlWÃ)UDQNIXUW *UDSKLVFKHÃ'DWHQYHUDUEHLWXQJ 5 FNEOLFN als Anwendung der CG Meilensteine der Entwicklung Terminologie 6FLHQWLILF9LVXDOL]DWLRQYV,QIRUPDWLRQVYLVXDOLVLHUXQJ
MehrVisualisierung. Rückblick. Scientific Visualization vs. Informationsvisualisierung. Allgemeine Ziele und Anforderungen Prof. Dr.-Ing.
Allgemeine Ziele und Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Rückblick K als Anwendung der CG K Meilensteine der Entwicklung K Terminologie Scientific Visualization
MehrVisualisierung. Rückblick. Visualisierung als Anwendung der CG Meilensteine der Entwicklung Terminologie. Beispiele. Übersicht
Ziele und Anforderungen Die spipeline Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische verarbeitung Rückblick als Anwendung der CG Meilensteine der Entwicklung Terminologie Scientific
MehrVisualisierung. Vorlesung 2 Prof. Dr. Detlef Krömker. Goethe-Universität, Frankfurt Graphische Datenverarbeitung
Visualisierung Vorlesung 2 Goethe-Universität, Frankfurt Graphische Datenverarbeitung Übersicht 1. Wiederholung: Was ist Visualisierung? (Teil A) 2. Wann ist eine Visualisierung gut? (Teil B) 3. Der Visualisierungsprozess
MehrVisualisierung. Rückblick. 3. Der Visualisierungsprozess. Prof. Dr.-Ing. Detlef Krömker. visueller Repräsentationen von Daten und Informationen
Der sprozess Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Rückblick K dient der Erzeugung geeigneter visueller Repräsentationen von Daten und Informationen K
MehrVisualisierung, SS Visualisierung. Prolog und Einführung
Visualisierung Prolog und Einführung Detlef Krömker Uni Frankfurt, Graphische Datenverarbeitung Wolfgang Müller PH Weingarten, Mediendidaktik und Visualisierung Frankfurt, WS 2007/2008 1 Übersicht Organisatorisches
MehrGRAPHGESTÜTZTE VISUALISIERUNGSTECHNIKEN IN DIGITAL HUMANITIES Yaning Wu
GRAPHGESTÜTZTE VISUALISIERUNGSTECHNIKEN IN DIGITAL HUMANITIES Yaning Wu 31.05.2016 GELIEDERUNG Einleitung Begriffe und Ziele der Visualisierung Visualisierung ist wissenschaftlich. Ist Visualisierung künstlerisch?
Mehrgroße Vielfalt von Daten für die Visualisierung möglich
4. Charakterisierung von Datensätzen und Darstellungsformen 4.1 Charakterisierung von Datensätzen große Vielfalt von Daten für die Visualisierung möglich Überblick Typisierungen von Daten: hierin nicht
MehrVISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN
VISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN IGD_Folienvorlage_v2010.10.ppt Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße
MehrGeovisualisierung: Wie aus Daten Informationen werden. Doris Dransch Helmholtz Zentrum Potsdam Deutsches GeoForschungsZentrum (GFZ)
Geovisualisierung: Wie aus Daten Informationen werden Doris Dransch Helmholtz Zentrum Potsdam Deutsches GeoForschungsZentrum (GFZ) Agenda Situation in den Geowissenschaften Geovisualisierung und Visual
MehrVisualisierung. Rückblick
Auswahlfaktoren und graphische Semiotik Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Prof. Dr.-Ing. Detlef Krömker Graphische Semiotik 2 Rückblick Allgemeine
MehrTrust your Eyes - Grundlagen der Visualisierung und wie man mit Visualisierungen faken kann Vortrag 23C3: Trust your Eyes - S.
Trust your Eyes - Grundlagen der Visualisierung und wie man mit Visualisierungen faken kann Überblick Was ist Visualisierung? - Beispiele Theorie der Visualisierung Definition Referenzmodelle (Pipelines)
MehrLernmodul 2 Modelle des Raumes
Folie 1 von 21 Lernmodul 2 Modelle des Raumes Bildnachweis: www. tagesschau.de Folie 2 von 21 Modelle des Raumes Übersicht Motivation Was ist Raum? Formalismus und Invarianz Metrischer Raum/Euklidischer
Mehr1. Prolog und Einführung
Prolog und Einführung Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Übersicht 1. Einordnung in GDV Veranstaltungen 2. Organisatorisches 3. Definition Visualiiserung
MehrTabellenverzeichnis. 1 Einleitung 1. I Grundlagen der Arbeit mit Mathematica 5. 2 Erste Schritte in Mathematica 7
Vorwort Tabellenverzeichnis VII XVIII 1 Einleitung 1 I Grundlagen der Arbeit mit Mathematica 5 2 Erste Schritte in Mathematica 7 3 Das Programm Mathematica 15 3.1 Versionen und Kompatibilität.... 15 3.2
MehrMathematica kompakt. Einführung-Funktionsumfang-Praxisbeispiele von Dipl.-Math.Christian H.Weiß. Oldenbourg Verlag München
Mathematica kompakt Einführung-Funktionsumfang-Praxisbeispiele von Dipl.-Math.Christian H.Weiß Oldenbourg Verlag München Inhaltsverzeichnis Vorwort Tabellenverzeichnis VII XVII 1 Einleitung 1 1 Grundlagen
MehrEinführung in das Visualization ToolKit. Institut für Simulation und Graphik, Otto-von-Guericke Universität Magdeburg
Einführung in das Visualization ToolKit VTK Einführung: Gliederung Was ist VTK? VTK-Konzept Vorstellung MeVisLab VTK Beispiel in MeVisLab 2/26 Was ist VTK? Freie Software-Bibliothek für 3D Graphik und
MehrVisualisierung. Übersicht
Prolog und Einführung Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Übersicht 1. Einordnung in GDV Veranstaltungen 2. Organisatorisches 3. Definition und erste
MehrKapitel 1 - Einführung
Vorlesung Graphische Datenverarbeitung Kapitel 1 - Einführung Prof. Dr.-Ing. Wolfgang Reinhardt AGIS/INF4 http://www.agis.unibw-muenchen.de UniBw München Überblick Kap. 1: Einführung (Überblick, Begriffe,
MehrProblemlösen. Zahl Ebene und Raum Größen Daten und Vorhersagen. Fachsprache, Symbole und Arbeitsmittel anwenden
Curriculum Mathematik 3. Klasse Aus den Rahmenrichtlinien Die Schülerin, der Schüler kann Vorstellungen von natürlichen, ganzen rationalen Zahlen nutzen mit diesen schriftlich im Kopf rechnen geometrische
MehrVisualisierung statistischer Ergebnisse
6. Dresdner Flächennutzungssymposium, 11./12.6.2014 Visualisierung statistischer Ergebnisse Bevölkerungs- und Flächennutzungsstatistik auf Grundlage des InstantAtlas in Sachsen INTERAKTIV Gliederung Validität
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik Häufigkeitsverteilungen Statistische Kennwerte 3 Multivariate Statistik 4 Regression 5 Ergänzungen Deskriptive
MehrÜberblick Visual Computing: Teilbereiche & Anwendungsfelder
Überblick Visual Computing: Teilbereiche & Anwendungsfelder Werner Purgathofer Institut für und Algorithmen TU Wien Interaktive Visuelle Analytik visuelle Analyse mehrdim. und abstrakter Daten Modellierung
MehrSteffen Heinrich und Stephan Brumme
Steffen Heinrich und Stephan Brumme 26. September 2003 Lehrstuhl für Computergrafische Systeme 26. September 2003 Steffen Heinrich und Stephan Brumme: VisaRD - 1 - Agenda Überblick Aufbau Visualisierungsstrategien
MehrGestaltgesetze der Wahrnehmung. DI (FH) Dr. Alexander Berzler
DI (FH) Dr. Alexander Berzler Gestaltpsychologie Die Gestaltpsychologie wurde zu Beginn des 20. Jahrhunderts begründet. Die Wahrnehmung unserer Umwelt geschieht nach der Gestaltpsychologie durch die Wahrnehmung
MehrWissensvermittlung. Steffen-Peter Ballstaedt. PsychologieVerlagsUnion. Die Gestaltung von Lernmaterial
Steffen-Peter Ballstaedt 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Wissensvermittlung Die Gestaltung von Lernmaterial
MehrAusgewählte Kombinationen von. Visuelle Variablen beim multivariaten Einsatz
Ausgewählte Kombinationen von Visuellen Variablen beim multivariaten Einsatz Colloquium Map Design Institut für Kartografie ETH Zürich Dominique Kröpfli 24.03.2010 Visuelle Variablen beim multivariaten
MehrSimulation als epistemologische Grundlage für intelligente Roboter
1 Simulation als epistemologische Grundlage für intelligente Roboter Andreas Tolk The MITRE Corporation Umut Durak Deutsches Zentrum für Luft- und Raumfahrt e.v. (DLR) Public Release No. 17-0085 2017 The
MehrVisualisierung zeitlicher Verläufe auf geografischen Karten
geografischen Karten Tominski, Schulze-Wollgast, Schumann Institut für Computergraphik Universität Rostock GeoVis 2003 Hannover, den 27.02.2003 Gliederung Einführung Konzepte zur Zeitdarstellung auf Karten
MehrDatenbankanwendungen werden oft über einen sehr langen Zeitraum (z.b. Jahrzehnte) eingesetzt
2. Datenbankentwurf Motivation Datenbankanwendungen werden oft über einen sehr langen Zeitraum (z.b. Jahrzehnte) eingesetzt Fehler sind umso teurer zu beheben, je weiter die Entwicklung bzw. der Einsatz
MehrEchtzeit-Computergraphik auf mobilen Geräten. Daniel Weiskopf VISUS, Universität Stuttgart
Echtzeit-Computergraphik auf mobilen Geräten Daniel Weiskopf VISUS, 1 Übersicht Hintergrund und Nexus-Umfeld Systemarchitektur 3D Graphik auf mobilen Geräten Darstellungs- und Visualisierungsverfahren
Mehr3D in der Informationsvisualisierung
3D in der Informationsvisualisierung Heidrun Schumann Universität Rostock Institut für Informatik Albert-Einstein-Str. 22 D-18051 Rostock, Deutschland schumann@informatik.uni-rostock.de Abstract: Ziel
MehrGeometrisches Zeichnen
Kompetenzmodell für das Unterrichtsfach Geometrisches Zeichnen 33. Fortbildungstagung Geometrie 6.November 2012 Strobl 1 Bildungsziele Zentrale Bildungsziele für SchülerInnen Kognitive Fähigkeiten und
MehrMindManager 11 für Mac eröffnet neue Möglichkeiten zur visuellen Erfassung, Verarbeitung und Weitergabe von Wissen
MindManager 11 für Mac eröffnet neue Möglichkeiten zur visuellen Erfassung, Verarbeitung und Weitergabe von Wissen und ist die robusteste, flexibelste und benutzerfreundlichste Version der weltweit leistungsstärksten
MehrEinführung in Datenbanken
Einführung in Datenbanken Dipl.-Inf. Michael Wilhelm Hochschule Harz FB Automatisierung und Informatik mwilhelm@hs-harz.de Raum 2.202 Tel. 03943 / 659 338 1 Inhalt 1. Grundlegende Begriffe der Datenbanktechnologie
MehrDatenvisualisierung How to make data look sexy
Datenvisualisierung How to make data look sexy Gerriet Hinrichs HAW Hamburg 18. Mai 2017 Übersicht 1. Was ist Datenvisualisierung? 2. Basis: Diagramme 3. Projekt: Domebook 4. Aus der Praxis 5. Ausblick
MehrVisuelle Analyse großer Datenmengen
Visuelle Analyse großer Datenmengen Heidrun Schumann Institut für Informatik, Universität Rostock Visuelle Datenanalyse Warum? Verbesserte Kommunikation von Daten, Modellen und Konzepten Film im SciencExpress
MehrWas bisher geschah Modellierung von Daten durch Mengen Beziehungen (Zusammenhänge und Eigenschaften) durch Relationen, Graphen und Funktionen
Was bisher geschah Modellierung von Daten durch Mengen Beziehungen (Zusammenhänge und Eigenschaften) durch Relationen, Graphen und Funktionen Anforderungen durch Logiken Modellierung zusammenhängender
MehrDarstellungsarten für 3D-Körper. Boundary Representation (BRep):
Darstellungsarten für 3D-Körper Boundary Representation (BRep): Darstellung eines (verallgemeinerten) Polyeders durch das System seiner Ecken, Kanten und Facetten Abspeichern durch (Teilgraphen des) vef-graphen
MehrWahrheit und Täuschung Studiumdigitale
Wahrheit und Täuschung Studiumdigitale Prof. Dr. Bernd Trocholepczy Prof. Dr. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Wahrheit und Täuschung Im SS 05 Seminar (für Lehramtsstudierende)
MehrInterdisziplinäre fachdidaktische Übung: Sprache und Modelle. SS 2015: Grossmann, Jenko
Interdisziplinäre fachdidaktische Übung: Sprache und Modelle SS 2015: Grossmann, Jenko Einleitung Was ist ein Modell? Sprachlich orientierte Modelle Beispiele Wie entstehen Modelle? Zusammenhang Modell
MehrUser-Centered Visual Analytics
User-Centered Visual Analytics Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax: +49 6151 155-139
MehrLernmodul 2 Topologie. Lernmodul 2: Geoobjekte und ihre Modellierung - Topologie
Folie 1 von 71 Lernmodul 2 Topologie Folie 2 von 71 Topologie Übersicht Topologie - Allgemeines Punktmengentopologie Nachbarschaft Beispiele zur Nachbarschaft Nähe, offene/geschlossene Menge Abschluß,
MehrInhaltsverzeichnis Einführung: Was ist Physikdidaktik?...1 Warum Physikunterricht?...11 Ziele im Physikunterricht...83
IX 0 Einführung: Was ist Physikdidaktik?...1 0.1 Was ist Physik?...2 0.2 Was ist Didaktik?...3 0.3 Physikdidaktik: Forschung und Lehre über Physikunterricht...6 1 Warum Physikunterricht?...11 1.1 Bildungstheoretische
MehrWS 1.1 Aufgabenstellung: Lösung:
WS 1.1 Werte aus tabellarischen und elementaren grafischen Darstellungen ablesen (bzw. zusammengesetzte Werte ermitteln) und im jeweiligen Kontext angemessen interpretieren können Anmerkung: (un-)geordnete
MehrWerkzeuge in der mathematischen Lehre und Forschung II
Werkzeuge in der mathematischen Lehre und Forschung II Karl Josef Fuchs Einführung in das Mathematikstudium und dessen Umfeld (Unterrichtsfach) WS 2018/19 4.12.2018 DYNASYS DYNASYS 2. 0 (Modellierung und
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
Mehrinsara: Hierarchische Netzwerke zur Analyse, Visualisierung und Vorhersage von Struktur-Aktivitäts-Beziehungen
insara: Hierarchische Netzwerke zur Analyse, Visualisierung und Vorhersage von Struktur-Aktivitäts-Beziehungen Von der Fakultät für Lebenswissenschaften der Technischen Universität Carolo-Wilhelmina zu
Mehr2. Einfach drauf los schreiben
Sommersemster 2007 Analyse und Modellierung von Blickbewegungen Veranstalter: Hendrik Koesling Die 3 Gebote 1. Schreiben 2. Einfach drauf los schreiben 3. Strukturieren 1 1. Schreiben 1.1 Sofort mit dem
MehrGrafische Darstellung von Häufigkeitsverteilungen (1)
Grafische Darstellung von Häufigkeitsverteilungen () Grafische Darstellungen dienen... - Einführung - der Unterstützung des Lesens und Interpretierens von Daten. der Veranschaulichung mathematischer Begriffe
MehrZiele und Herausforderungen für die visuell gestützte Analyse großer Datenmengen. Präsentation der Modellergebnisse auf KlimafolgenOnline.
Ziele und Herausforderungen für die visuell gestützte Analyse großer Datenmengen Präsentation der Modellergebnisse auf KlimafolgenOnline.com Thomas Nocke Potsdam Institut für Klimafolgenforschung Der Visualisierungsprozess
MehrInformation Overload durch s
Sebastian Kammerer Information Overload durch E-Mails Herausforderungen und Lösungsansätze Verlag Dr. Kovac Hamburg 2013 Danksagung V Abstract VII Inhaltsübersicht IX XI Abbildungsverzeichnis XV Tabellenverzeichnis
MehrSeminar Visual Analytics and Visual Data Mining
Seminar Visual Analytics and Visual Data Mining Dozenten:, AG Visual Computing Steffen Oeltze, AG Visualisierung Organisatorisches Seminar für Diplom und Bachelor-Studenten (max. 18) (leider nicht für
Mehr1.6 Objekte Anordnung der Projektionsgeräte. ˆ Einzelsystem ˆ Rundumprojektion ˆ Kaskadierte Projektion Art der Projektion
1.5.3 Anordnung der Projektionsgeräte ˆ Einzelsystem ˆ Rundumprojektion ˆ Kaskadierte Projektion 1.5.4 Art der Projektion ˆ 2D ˆ Stereo 3D Polarisationsfilter * radial * linear Autostereogramme * Textstereogramme
MehrAbschlussprüfung. für die Berufsausbildung in der Geoinformationstechnologie im Ausbildungsberuf Geomatiker/in. PB4 Geodatenmanagement
Abschlussprüfung für die Berufsausbildung in der Geoinformationstechnologie im Ausbildungsberuf Geomatiker/in PB4 Geodatenmanagement Termin II / 2014 Lösungsfrist: 90 Minuten Hilfsmittel: Nicht programmierbare
MehrÜbungen Softwaretechnik I
Universität Stuttgart Institut für Automatisierungstechnik und Softwaresysteme Prof. Dr.-Ing. M. Weyrich Übungen Softwaretechnik I Übung 5: Objektorientierte Analyse Einführung Objektorientierung in der
MehrVisualisierung imperfekter Informationen in einem Analyse-Werkzeug
Visualisierung imperfekter Informationen in einem Analyse-Werkzeug Vortrag zur Studienarbeit von Oliver Forster Betreuer: Dipl.-Inform. H. Schepperle 31.01.2005 Universität Karlsruhe Institut für Programmstrukturen
MehrDiskrete Strukturen Kapitel 1: Einleitung
WS 2015/16 Diskrete Strukturen Kapitel 1: Einleitung Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrEine empirische Untersuchung des Zusammenhangs
Prozessperformance und Organisationskultur Eine empirische Untersuchung des Zusammenhangs auf Basis der Strukturgleichungsanalyse Corinna Grau Logos Verlag Berlin Inhaltsverzeichnis INHALTSVERZEICHNIS
MehrAnalyse und Entwurf von Softwaresystemen mit der UML
Analyse und Entwurf von Softwaresystemen mit der UML Bearbeitet von Horst A. Neumann 2. Auflage 2002. Buch. XVI, 480 S. Hardcover ISBN 978 3 446 22038 6 Format (B x L): 17,7 x 24,5 cm Gewicht: 1049 g Zu
MehrOperatoren für das Fach Mathematik
Operatoren für das Fach Mathematik Anforderungsbereich I Angeben, Nennen Sachverhalte, Begriffe, Daten ohne nähere Erläuterungen und Begründungen, ohne Lösungsweg aufzählen Geben Sie die Koordinaten des
MehrHerleitung und Erklärung des Key Visuals
Das FERI Cognitive Finance Institute hat eine klare Bild-Sprache. Es kommuniziert wichtige Aussagen und Inhalte durch zentrale Bild- und Grafik-Elemente. Diese finden sich in Logos, Icons und interaktiven
MehrLeitfaden zur Gestaltung von Abschlussarbeiten
Leitfaden zur Gestaltung von Abschlussarbeiten Abteilung für Allgemeine Psychologie AE Busch Inhaltsverzeichnis 1 Die schriftliche Arbeit 1 2 Bewertung 6 1 Die schriftliche Arbeit 1.1 Struktur Titelblatt:
MehrVisuelle Wahrnehmung und die Gesetze des Sehens 9. Gesetz der Nähe Nahe beieinanderliegende Bildelemente werden als eine zusammengehörige Figur wahrgenommen (Kebeck, 1997, S.155). Aus diesem Gesetz folgt
MehrThomas Hofmann. Ergonomie im Hauptstudium WS 2005/06 Essen. Kommunikation, Ergonomie und Design. Teil 2. Institut für Ergonomie und Designforschung
folie 1. 27 Ergonomie im Hauptstudium WS 2005/06 Essen Thomas Hofmann Kommunikation, Ergonomie und Design Teil 2 folie 2. 27 24.11.05 Einführung in Kommunikation aus Sicht der Ergonomie Kommunikation Mensch-Hardware
MehrAlgorithmische Geometrie: Einstimmung
Algorithmische Geometrie: Einstimmung Nico Düvelmeyer WS 2009/2010, 20.10.2009 Überblick 1 Organisatorisches 2 Fachgebiet Typische Untersuchungsgegenstände Typische Anwendungsgebiete 3 Inhalte der Vorlesung
MehrGedächtnis. Extern gewonnene Informationen werden in drei Stufen verarbeitet:
Gedächtnis Gedächtnis Extern gewonnene Informationen werden in drei Stufen verarbeitet: Aufnahme in das Arbeitsgedächtnis ( Kurzzeitgedächtnis ) Abgleich mit langfristig gespeicherten Strukturen Integration
MehrAbschlussvortrag von: Tarik Amhamdi
Abschlussvortrag von: Tarik Amhamdi Motivation Die Idee Grundlagen Konzeption Vorstellung des Analysetools Zusammenfassung Quellen Motivation Einer der ersten MOOCs im Jahr 2008 an der University of Manitoba
MehrAnalyse, Modellierung und Simulation der visuell-räumlichen Kognition bei der Mensch-Maschine-Interaktion
Schriftenreihe Rationalisierung und Humanisierung Band 82 Carsten Winkelholz Analyse, Modellierung und Simulation der visuell-räumlichen Kognition bei der Mensch-Maschine-Interaktion D 82 (Diss.RWTH Aachen)
MehrLEGENDE ZU DEN PROZESSBEZOGENEN KOMPETENZEN IM FACH BIOLOGIE
LEGENDE ZU DEN PROZESSBEZOGENEN KOMPETENZEN IM FACH BIOLOGIE Prozessbezogene Kompetenzen im Fach Biologie Die prozessbezogenen Kompetenzen beschreiben die Handlungsfähigkeit von Schülerinnen und Schülern
MehrAufgabenbezogene Diversität. in interdisziplinären Teams: Messung und Konsequenzen. für die Zusammenarbeit
Tobias Feising Aufgabenbezogene Diversität in interdisziplinären Teams: Messung und Konsequenzen für die Zusammenarbeit Inhaltsverzeichnis A. ABBILDUNGSVERZEICHNIS XI B. TABELLENVERZEICHNIS XIII C. ZUSAMMENFASSUNG
MehrMarkenloyalität in China
Markenloyalität in China - Kulturelle und markenbeziehungstheoretische Determinanten - Dissertation zur Erlangung des akademischen Grades eines Doktors der Wirtschaftswissenschaften (Dr. rer. pol.) am
MehrForschungsmethoden VORLESUNG WS 2017/2018
Forschungsmethoden VORLESUNG WS 2017/2018 SOPHIE LUKES Überblick Letzte Woche: Messen Heute: Hypothesen Warum Hypothesen? Menschliches Erleben und Verhalten? Alltag vs. Wissenschaft Alltagsvermutung Wissenschaftliche
MehrSCHULINTERNES CURRICULUM MATHEMATIK 2016 Seite 1 von 5
Seite 1 von 5 Kap. 1: Lineare im Sachzusammenhang Zu Beginn des Schuljahres werden die Grundlagen der aus der Jgst.7 wiederholt - Terme umformen - Lineare Gleichungen lösen - Funktionsbegriff - Steigungsbegriff
MehrVisualisierungen in den PISA- Beispielaufgaben für die Naturwissenschaften (2006)
F A C H R I C H T U N G B I L D U N G S W I S S E N S C H A F T E N Visualisierungen in den PISA- Beispielaufgaben für die Naturwissenschaften (2006) Stefan Münzer, Universität des Saarlandes 2. Kolloquium
MehrTeil 1 Emotionen im Marketingkontext
Teil 1 Emotionen im Marketingkontext Thomas Winder Inhaltsverzeichnis 3 Inhaltsverzeichnis 1. Markenwissen als Ausgangspunkt der Arbeit... 11 2. Imagery Forschung... 17 2.1. Duale Kodierung... 17 2.2.
Mehr2. Einfach drauf los schreiben
Die 3 Gebote 1. Schreiben 2. Einfach drauf los schreiben 3. Strukturieren 1 1. Schreiben 1.1 Sofort mit dem Schreiben beginnen! Entwicklung der Hypothesen Lesen & Exzerpieren Stimulierstellung, Versuchsdurchführung
MehrEchtzeitfähige hige Verfahren in der Computergrafik. Lehrstuhl für f r Informatik Computer Grafik und Visualisierung TUM
Echtzeitfähige hige Verfahren in der Computergrafik Prof. Dr. Rüdiger R Westermann Lehrstuhl für f r Informatik Computer Grafik und Visualisierung TUM Lehr- und Forschungsinhalte Visualisierung Darstellung
MehrKriterien für die Auswahl des Transferweges im Rahmen des Wissenstransfers. im Rahmen des Wissenstransfers
Kriterien für die Auswahl des Transferweges Diplomandenkolloquium am 12.02.2001 Markus Busch Alle Rechte vorbehalten! Folie 1 Aufbau der Arbeit Der Wissensbegriff Wissensmanagement und Wissenstransfer
MehrAbbildung der Lehrplaninhalte im Lambacher Schweizer Thüringen Klasse 9 Lambacher Schweizer 9 Klettbuch
Leitidee Lernkompetenzen Lambacher Schweizer Klasse 9 Anmerkungen: Der Lehrplan für das Gymnasium in Thüringen ist ein Doppeljahrgangslehrplan. Das bedeutet, dass die Inhalte, die im Lehrplan zu finden
MehrDas konzeptionelle Datenmodell
Das konzeptionelle Datenmodell Signifikanz der Datenmodellierung Anforderungsanalyse Effizienz der Anwendung. Redundanzfreiheit. Datenintegrität. Reibungsarme Umsetzung des Datenmodells in das physikalische
Mehr3D - Modellierung. Arne Theß. Proseminar Computergraphik TU Dresden
3D - Modellierung Arne Theß Proseminar Computergraphik TU Dresden Gliederung Darstellungsschemata direkte Constructive Solid Geometry (CSG) Generative Modellierung Voxelgitter indirekte Drahtgittermodell
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
Mehr22. Januar Gruppe 2: TOPCASED
22. Januar 2008 Aufgabenstellung Modellgetriebene Softwareentwicklung auf Basis von am Beispiel eines Seminarverwaltungssystems Ziel Entwicklungsprozess Anforderungen & Codegenerierung Modellierung & Templates
MehrKartographische Visualisierung
Kartographische Visualisierung Kartenmodellierung Modellierung von Karten Ziel der Kartenmodellierung: Geodaten angemessen abbilden (repräsentieren) Informationen mit der Karte vermitteln (präsentieren).
MehrUnterrichtsmodellentwicklung zur Förderung des Informatiksystemverständnisses mit Entwurfsmustern
Unterrichtsmodellentwicklung zur Förderung des Informatiksystemverständnisses mit Entwurfsmustern Peer Stechert 3. Workshop der GI-Fachgruppe Didaktik der Informatik 20. Juni 2006 Übersicht Motivation
Mehr1. Einführung des. Allgemeines
Allgemeines In diesem Rechner ist ein komplettes Set mathematischer Werkzeuge für Algebra, dynamische Geometrie, Statistik, Tabellenkalkulation und Messdatenerfassung in Echtzeit. Formeln, Tabellen und
MehrDiplomprüfung für Vermessungsingenieure Herbsttrimester 2009 Fach: Geoinformationssysteme
Univ.-Prof. Dr.-Ing. Wolfgang Reinhardt Institut für Geoinformation und Landentwicklung Universität der Bundeswehr München D-85577 Neubiberg Diplomprüfung für Vermessungsingenieure Herbsttrimester 2009
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Explorative Datenanalyse EDA Auffinden von Strukturen
MehrPETER LANG Internationaler Verlag der Wissenschaften
Tina Püthe Mittelständische Unternehmen und Genossenschaftsbanken Eine empirische Analyse der Wirkung ökonomischer und verhaltenswissenschaftlicher Faktoren PETER LANG Internationaler Verlag der Wissenschaften
MehrHauptseminar Graphische Datenverarbeitung
TECHNISCHE UNIVERSITÄT DRESDEN Hauptseminar Graphische Datenverarbeitung Prof. Stefan Gumhold und fast alle Mitarbeiter der Professur S. Gumhold, Hauptseminar GDV, SS 2013 1 Inhalt Übersicht zum Hauptseminar
MehrWerkzeuge in der mathematischen Lehre und Forschung: Weitere Fachspezifische Software
Werkzeuge in der mathematischen Lehre und Forschung: Weitere Karl Josef Fuchs Einführung in das Mathematikstudium und dessen Umfeld (Unterrichtsfach) WS 2017/18 19.1.2018 DYNASYS 2. 0 (Modellierung und
Mehrecampus Sommeruni ecampus HTW, 2008 Seite 1 von 10
ecampus Sommeruni Seite 1 von 10 Workshop Contenterstellung Überblick Theorie Projektdurchführung Konzeption und Drehbuch Autorensysteme Praxis Einführung in Adobe Captivate Demonstration Simulation Quiz
MehrTechniken der Projektentwicklungen
Dynamische Modellierung 8. Termin Rückblick auf statische Modellierung Dynamische Modellierung Basiskonzepte Beispiel Erweiterungen Eigenschaften Syntax Rückblick auf statische Modellierung Dynamische
MehrWissenslandkarten. Erik Pischel. 20. Juni 2001
Wissenslandkarten Erik Pischel 20. Juni 2001 Gliederung 1. Definitionen 2. Dokumentenlandkarten mit DocMINER 3. Wissenslandkarten mit BibTechMon 4. Zusammenfassung.06.2001 Institut für Informatik, HU-Berlin
MehrAPPIFICATION OF GEOGRAPHIC INFORMATION SYSTEMS
APPIFICATION OF GEOGRAPHIC INFORMATION SYSTEMS Susanne Braun Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel +49 6151 155 405 Fax 444 susanne.braun@igd.fraunhofer.de
MehrNadine Löw. Organisatorische Wandlungsfähigkeit als Wettbewerbsvorteil und Erfolgsfaktor. Eine empirische Untersuchung. WiKu
Nadine Löw Organisatorische Wandlungsfähigkeit als Wettbewerbsvorteil und Erfolgsfaktor Eine empirische Untersuchung WiKu IX Geleitwort Vorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis
MehrDidaktik der Geometrie Kopfgeometrie
Didaktik der Geometrie Kopfgeometrie Steffen Hintze Mathematisches Institut der Universität Leipzig - Abteilung Didaktik 26.04.2016 Hintze (Universität Leipzig) Kopfgeometrie 26.04.2016 1 / 7 zum Begriff
MehrDidaktische Stulle: Immersive Lehre
Didaktische Stulle: e Lehre G. Göbel 28.06.2017 1. Chart 1 e Hochschule Themen 1. Wozu VR (in der Lehre)? 2. Was kann VR aktuell? 3. Was passiert in der HTW? 4. Was brauche ich dafür? 1. Chart 2 Wozu VR?
Mehr