Informations- visualisierung

Größe: px
Ab Seite anzeigen:

Download "Informations- visualisierung"

Transkript

1 Informations- visualisierung Thema: 3. Mehrdimensionale Daten Dozent: Dr. Dirk Zeckzer Sprechstunde: nach Vereinbarung Umfang: 2 Prüfungsfach: Modul Fortgeschrittene Computergraphik Medizininformatik, Angewandte Informatik

2 Übersicht 1. Einleitung 2. Datentypen 3. Uni-Variate Data 4. Bi-Variate Data 5. Tri-Variate Data 6. Multi-Variate Data 7. Dimension Sortierung (Anordnung) Informationsvisualisierung 3-2

3 3.1. Einleitung Informationsvisualisierung dient vor allem drei Zielen: Präsentation Zu präsentierenden Fakten sind a priori festgelegt. Visualisierungsprozess besteht aus Auswahl geeigneter Präsentationstechniken. Ergebnis stellt eine hochqualitative Visualisierung der Daten dar, welche die ausgewählten Fakten präsentiert. Informationsvisualisierung 3-3

4 3.1. Einleitung Informationsvisualisierung dient vor allem drei Zielen: Überprüfende Analyse Es existieren zu überprüfende Hypothesen über Daten. Visualisierungsprozess führt eine zielorientierte Untersuchung der Hypothesen durch. Als Ergebnis entsteht eine Visualisierung der Daten, welche die Hypothesen bestätigt oder verwirft. Informationsvisualisierung 3-4

5 3.1. Einleitung Informationsvisualisierung dient vor allem drei Zielen: Erkundende Analyse Es gibt keine Hypothesen zu den Daten. Visualisierungsprozess zeichnet sich durch eine interaktive, ungerichtete Suche nach Strukturen aus. Im Ergebnis führt dies zu Visualisierungen der Daten, aus denen Hypothesen über Daten abgeleitet werden können. Informationsvisualisierung 3-5

6 3.2. Datentypen Unterteilung von möglichen Daten in Klassen hängt eng mit Klassifikation von Wissen zusammen. Problem kann deshalb bislang nicht endgültig gelöst werden. Orientieren an Ideen aus Softwaremodellierung und Datenbanken - Unterscheidung nach folgenden Elementen Objekte, Dinge, Einheiten, Instanzen (engl. entity) Relationen (zwischen Objekt) Attribute (von Objekten oder Relationen) Operationen (auf Objekten oder Relationen) Metadaten (Ergebnisse von Datenanalysen abgeleitete Objekte und Relationen ggf. mit Attributen) Informationsvisualisierung 3-6

7 3.2. Datentypen Attribute spielen für Visualisierung oft besondere Rolle, da ihre Transformation in grafische Elemente oft die Auswahl der Visualisierungstechnik dominiert. Folgende Kategorien werden bei Attributen unterschieden: Nominale Attribute: Reine Aufzählungen bzw. Mengen ohne Ordnung (z.b. Früchte) Ordinale Attribute: Diskrete, zuweilen endliche Mengen mit einer Ordnung (z.b. natürliche oder ganze Zahlen, Schulnoten) Kontinuierliche Attribute (quantitative): Teilmenge der rationalen, meist der reellen Zahlen (z. B. Temperatur, Geschwindigkeit) Informationsvisualisierung 3-7

8 3.2. Datentypen Informationsvisualisierung wird in vielen Anwendungsdomänen genutzt. Im Prinzip kann jede Datei oder Sammlung von Dateien im Rechner Ausgangspunkt einer Informationsvisualisierung sein, einschließlich von Algorithmen und Prozessen (Softwarevisualisierung). Folgende Liste enthält wesentliche Datenquellen und ihre Einordnung gemäß der Einteilung der Datentypen: Tabellen = Objekte mit Attributen Graphen = Objekte mit Relationen, möglicherweise mit Attributen Mediadaten = Objekte mit Attributen, teilweise auch Relationen Prozesse = Objekte mit Relationen und Operationen, oft mit Attributen Informationsvisualisierung 3-8

9 3.2. Datentypen Tabellen Tabellarische Daten wurden noch vor Graphen bislang am häufigsten visualisiert. Sie bestehen aus mehreren Datensätzen (Objekte) d 1,...,d m Enthalten jeweils einen Wert für eine feste Menge von Attributen x 1,...,x n Die meisten Anwendungen im kaufmännischen Bereich und viele Statistikanwendungen sind tabellarische Daten. Die meisten Datenbanken sind so organisiert. Informationsvisualisierung 3-9

10 3.2. Datentypen Graphen Filesysteme, Internetverbindungen, Straßennetze und Kommunikationssysteme sind Beispiele für Verbindungsstrukturen. Lassen sich durch Graphen mit unterschiedlichen Spezialisierungen abbilden Graphen bestehen aus Objekten (Knoten) und Relationen (Kanten). Beiden Elementtypen können Attribute zugeordnet sein. Informationsvisualisierung 3-10

11 3.2. Datentypen Mediadaten Textdokumente, Musikstücke und Filme passen nicht gut in obigen Formate Da sich auch ihre Visualisierung von den anderen Bereichen unterscheidet, sind sie hier getrennt aufgeführt Textdokumente. Jedes Dokument d ist formal ein Wort über einem Alphabet A, d A *. Dokumente sind noch in Kapitel, Abschnitte, Paragraphen, Sätze und Worte (Worte im üblichen Sinn ohne Leerzeichen und Interpunktionen) untergliedert Bilder. Bilddaten können in verschiedenen Formaten vorliegen, beschreiben jedoch letztlich ein 2 oder 3-dimensionales Array von Pixeln mit Farbwerten. Sounddaten. Folge von Amplitudenwerten mit konstanter zeitlicher Abfolge Filmdaten. Folge von Einzelbildern mit konstanter zeitlicher Abfolge Multimediadateien. Hier sind Filmdaten, Sounddaten, Bilder und Texte mit zeitlichen und räumlichen Angaben verknüpft. Informationsvisualisierung 3-11

12 3.2. Datentypen Prozesse Auch Prozesse lassen sich darstellen. Neben Objekten und Relationen auch Operationen Häufig mit Attributen Beispiele Algorithmen Softwaresysteme Geschäftsprozessmodellierungen Ablaufplanungen für Fabriken oder Kliniken Informationsvisualisierung 3-12

13 3.2. Datentypen Die Transformation in visuelle Strukturen hängt von der Dimension der Daten ab: Dimension: Anzahl der Attribute (Variablen) 1D Uni-Variate Daten 2D Bi-Variate Daten 3D Tri-Variate Daten 4D Multi-Variate Daten (Hyper-Variate Daten) Informationsvisualisierung 3-13

14 3.2. Datentypen In der Informationsvisualisierung werde diese Daten in einem 2- oder 3-dimensionalen visuellen Raum dargestellt (visuelle Abbildung) Im Folgenden sind die Daten meistens quantitativ Uni-, Bi- und Tri-Variate Daten werden normalerweise über die Position von Markierungen auf orthogonalen Achsen dargestellt Multi-Variate Daten sind schwieriger darzustellen Wahrnehmung ist sehr wichtig für die visuelle Abbildung und die Bildung von visuellen Strukturen Informationsvisualisierung 3-14

15 3.3. Uni-Variate Daten Folge eindimensionaler numerischer Attribute (idr. nominale Attribute zur Bezeichnung der Objekte vorhanden) Visualisierungen nutzen fast alle die offensichtliche Methode Daten entlang einer Achse abzutragen Wobei in der dritten Spalte die 25%, 50% und 75% - Prozentteile als Boxen, die 10%- und 90%- Perzentile als Balken und die Ausnahmen als Datenpunkte gezeichnet sind. Man kann Perzentile auch nur zusätzlich einzeichnen oder nur Mittelwert und Varianz angeben Werte werden dargestellt als Punkte Balken Segment [R. Spence. Information Visualization. ACM Press/Addison Wesley, New York, ISBN , 2001, page 35] Informationsvisualisierung 3-15

16 3.3. Uni-Variate Daten Plot Plot mit Bezeichungen Tukey Box Plot [Spence 2001] Informationsvisualisierung 3-16

17 3.3. Uni-Variate Daten [Spence 2001] Informationsvisualisierung 3-17

18 3.3. Uni-Variate Daten Histogramme Können mit statistischen Angaben angereichert werden [Spence 2001] Informationsvisualisierung 3-18

19 3.3. Uni-Variate Daten Pie-Chart (Tortendiagramm, Kreisdiagramm) [R. Spence. Information Visualization. ACM Press/Addison Wesley, New York, ISBN , 2001, page 35] Informationsvisualisierung 3-19

20 3.3. Uni-Variate Daten Pie Charts Zeigen relative/anteilige Verteilung Kaum Verwendung im wissenschaftlichen Bereich, dafür für Geschäftsgraphiken Probleme: Fläche und Winkel sind schwieriger zu interpretieren als Länge Schwierig für (numerische) Vergleiche Nutzung von vielen Pie Charts gleichzeitig ist sehr schwierig Informationsvisualisierung 3-20

21 3.3. Uni-Variate Daten Semantische Vergrößerung [R. Spence. Information Visualization. ACM Press/Addison Wesley, New York, ISBN , 2001, page 39] Informationsvisualisierung 3-21

22 3.4. Bi-Variate Daten Bi-Variate Daten bestehen offensichtlich aus einer Menge von Objekten mit zwei Attributen. In der Regel wird ein Zusammenhang der beiden Attribute gesucht. Punktdarstellungen in einem kartesischen Koordinatensystem gehört zu den bekannten Standards: Scatterplot Beispiel: Hauspreise und Anzahl der Schlafzimmer werden gegenübergestellt. [Spence 2001] Informationsvisualisierung 3-22

23 3.4. Bi-Variate Daten Bei präsentativer Visualisierung können Statistische Analyseergebnisse eintragen werden Informationsvisualisierung 3-23

24 3.4. Bi-Variate Daten Man kann auch Histogramme wieder nutzen Müssen allerdings gekoppelt werden (linked) Farbe Pattern (Textur) Interaktion [Spence 2001] Informationsvisualisierung 3-24

25 3.5. Tri-Variate Daten Hier sind jedem Objekt drei kontinuierliche Attribute zugeordnet. IdR. wird Zusammenhang zwischen den Attributen gesucht. Punktdarstellung (Kugeln) gehört zu den offensichtlichen Lösungen. Logische oder geometrische 2D-Projektion der 3D Darstellung Verdeckungsproblem Informationsvisualisierung 3-25

26 3.5. Tri-Variate Daten Probleme 2D-Darstellung eines 3D-Raumes Wie bestimmt man die Werte? [Spence 2001] Informationsvisualisierung 3-26

27 3.5. Tri-Variate Daten Lösung: Betrachtung aller achsenparallelen Projektionen hilft oft weiter Alle drei möglichen 1-1 Beziehungen können untersucht werden [Spence 2001] Informationsvisualisierung 3-27

28 3.5. Tri-Variate Daten Scatterplot-Matrix: Übersichtlichere Anordnung Brushing: Markierung gleicher Punkte Scatter Plot Matrix Scatter Plot Matrix mit Brushing [Spence 2001] Informationsvisualisierung 3-28

29 3.5. Tri-Variate Daten Alternative: Repräsentation einer Dimension durch Größe oder Farbe Nachteil: Unterschiedliche Qualität in der Darstellung macht es schwieriger, Korrelationen zu sehen [Inspired by a lecture of J. Stasko] Informationsvisualisierung 3-29

30 3.5. Tri-Variate Daten Mit Hilfe von Interpolation kann man auch Flächen zur Darstellung verwenden. Schnitt-Ebenen können bei der Festlegung von Werten helfen ( Flooding ). In diesem Bereich treffen sich Informationsvisualisierung und wissenschaftliche Visualisierung. [Spence 2001] Informationsvisualisierung 3-30

31 Wenn mehr als drei kontinuierliche Attribute gegeben sind, können diese nicht mehr nur über die Position repräsentiert werden. Alternativen (Tri-Variate Darstellung): Scatterplot-Matrizen Repräsentation mittels Farbe oder Größe Neue Methoden Informationsvisualisierung 3-31

32 Geometrische Ansätze (Projektion) Scatterplot-Matrizen Auch für n-dimensionalen Fall nutzbar Es ergeben sich n2 n 2 verschiedene Koordinatenpaare [Cleveland W. S.: Visualizing Data AT&T Bell Labortories, Murray Hill, NJ, revised edition] [Ankerst et al. 2002] Informationsvisualisierung 3-32

33 Hyperslice Ohne strikte Festlegung auf orthogonale Projektionen n² Schnitte fester Breite durch Daten legen [van Wijk, van Liere, Hyperslice, Proc. Vis 1993] [Ankerst et al. 2002] Informationsvisualisierung 3-33

34 Prosection Views Auswahl einer n-dimensionaler Teilmenge (Hyperwürfel) Wird bei Projektion mit anderer Farbe dargestellt [Furnas G. W., Buja A.: Prosections Views: Dimensional Inferecel through Sections and Projections, Journal of Computational and Graphical Statistics, Vol. 3, No. 4, 1994, pp ] [Su H., Dawkes H., Tweedie L., Spence R.: An Interactive Visualization Tool for Tolerance Design, Technical Report, Imperial College, London, 1995] [Ankerst et al. 2002] Informationsvisualisierung 3-34

35 Hyperbox Oberfläche eines dreidimensionalen Polytops wird gezeichnet Sichtbare Polygone bestehen aus Vierecken, die genau allen auftretenden Attributpaaren entsprechen Knoten entsprechen in den beiden benachbarten Vierecken stets dem gleichen Attribut. Dies gilt auch für gegenüberliegenden Seiten jedes Viereck Werte können auf die Overfläche abgebildet werden Farbe Textur 6D-Hyperbox [Alpen und Carten, Hyperbox, Proc. IEEE Visualization, pp , 1991] [Spence 2001] Informationsvisualisierung 3-35

36 Koordinatenachsenbasierte Ansätze Parallele Koordinaten Es werden n parallele Achsen gezeichnet, gehören zu n Attributen. Jede Achse wird auf das [Minimum, Maximum]-Intervall der auftretenden Werte skaliert. Jeder Datensatz wird als Polygon dargestellt. [Inselberg 1985, Inselberg 1998, Wegman 1990] [Spence 2001] Informationsvisualisierung 3-36

37 Parallele Koordinaten [Inselberg 1985, Inselberg 1998, Wegman 1990] [Spence 2001] Informationsvisualisierung 3-37

38 Beispiele [Amit Goel. Parallel Coordinates Visualization Applet. Virginia Tech. http: //csgrad.cs.vt.edu/ agoel/parallel_coordinates/. (Cited on page 12.) 1995] [http://www.amitgoel.com/pcoord/stf/table1.stf] Informationsvisualisierung 3-38

39 Beispiele [http://davis.wpi.edu/~xmdv/] Informationsvisualisierung 3-39

40 Linienzüge zeigen lineare Abhängigkeiten der Daten. [Ankerst et al. 2002] Die Polygonzüge schneiden sich zwischen zwei Achsen in maximal einem Punkt. Man kann Regeln für k-dimensionale Unterräume ableiten. [Inselberg 1998] Informationsvisualisierung 3-40

41 Leichtes Rauschen verursacht Probleme. [Ankerst et al. 2002] Informationsvisualisierung 3-41

42 Nachteile von parallelen Koordinaten Bei einer großen Anzahl von Datensätzen gibt es viele Überlappungen Relativ unflexibel (anfangs) Viele Erweiterungen Um die Nachteile zu beseitigen, wurden Techniken wie Fokus und Kontext (siehe spätere Kapitel) eingesetzt Beispiel: Parvis Informationsvisualisierung 3-42

43 Parvis Beispiele Brushing [http://old.vrvis.at/via/research/ang-brush/] Informationsvisualisierung 3-43

44 Parvis Beispiele Brushing + Histogram [http://old.vrvis.at/via/research/ang-brush/] Informationsvisualisierung 3-44

45 Parvis Beispiele Auswahl über Achsenabschnitte und Winkel (in rot) Fokus [http://old.vrvis.at/via/research/ang-brush/] Informationsvisualisierung 3-45

46 [Jimmy Johansson, Revealing Structure within Clustered Parallel Coordinates Displays, InfoVis 2005] Informationsvisualisierung 3-46

47 [Jimmy Johansson, Revealing Structure within Clustered Parallel Coordinates Displays, InfoVis 2005] Informationsvisualisierung 3-47

48 [Jimmy Johansson, Revealing Structure within Clustered Parallel Coordinates Displays, InfoVis 2005] Informationsvisualisierung 3-48

49 [Jimmy Johansson, Revealing Structure within Clustered Parallel Coordinates Displays, InfoVis 2005] Informationsvisualisierung 3-49

50 Star Plot Wenn man Achsen nicht parallel, sondern sternförmig anordnet, erhält man den Star Plot. Einzelne Sterne pro Objekt erzeugen Ein Stern für alle Datensätze [Spence 2001] Informationsvisualisierung 3-50

51 Star Plot Beispiele Informationsvisualisierung 3-51

52 Star-Koordinaten Kombination von Star Plots und Scatterplots Initial haben alle Achsen die gleiche Länge Die Punkten werden wie in der Abbildung gezeigt positioniert Interaktion Skalierung der Achsen Rotieren der Achsen Auswahl von Punkten 8D-Star Coordinate [http://people.cs.vt.edu/~north/infoviz/starcoords.pdf] [E. Kandogan, Visualizing multi-dimensional clusters, trends, and outliers using star coordinates, Proc. of ACM SIGKDD Conference, 2001, pp ] Informationsvisualisierung 3-52

53 Star-Koordinaten [http://people.cs.vt.edu/~north/infoviz/starcoords.pdf] [E. Kandogan, Visualizing multi-dimensional clusters, trends, and outliers using star coordinates, Proc. of ACM SIGKDD Conference, 2001, pp ] Informationsvisualisierung 3-53

54 RadViz TM Bei RadViz werden Achsen ebenfalls radial aufgespannt Werte der einzelnen Attribute werden jedoch als Federkonstanten interpretiert, die Punkt, der ein Objekt darstellt, zu einem Eckpunkt zieht Dabei werden alle Attribute über ihr jeweiliges Min-Max-Intervall skaliert und in den nichtnegativen Raum verschoben (etwa alle auf [0, 1]). [Ankerst et al. 2002] Informationsvisualisierung 3-54

55 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-55

56 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-56

57 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-57

58 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-58

59 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-59

60 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-60

61 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-61

62 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-62

63 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-63

64 [Jarry H.T. Claessen, Jarke J. van Wijk, Flexible Linked Axes for Multivariate Data Visualization, InfoVis 2011] Informationsvisualisierung 3-64

65 [Stef van den Elzen, Jarke J. van Wijk, Small Multiples, Large Singles, EuroVis 2013] Informationsvisualisierung 3-65

66 [Stef van den Elzen, Jarke J. van Wijk, Small Multiples, Large Singles, EuroVis 2013] Informationsvisualisierung 3-66

67 [Stef van den Elzen, Jarke J. van Wijk, Small Multiples, Large Singles, EuroVis 2013] Informationsvisualisierung 3-67

68 [Stef van den Elzen, Jarke J. van Wijk, Small Multiples, Large Singles, EuroVis 2013] Informationsvisualisierung 3-68

69 [Stef van den Elzen, Jarke J. van Wijk, Small Multiples, Large Singles, EuroVis 2013] Informationsvisualisierung 3-69

70 [Stef van den Elzen, Jarke J. van Wijk, Small Multiples, Large Singles, EuroVis 2013] Informationsvisualisierung 3-70

71 [Stef van den Elzen, Jarke J. van Wijk, Small Multiples, Large Singles, EuroVis 2013] Informationsvisualisierung 3-71

72 [Stef van den Elzen, Jarke J. van Wijk, Small Multiples, Large Singles, EuroVis 2013] Informationsvisualisierung 3-72

73 Dimensional Stacking Unterteilung in Untergruppen für Dimensionen Auf den Hauptachsen die Hauptdimensionen In Teilabschnitten die Nebendimensionen Gut bei einer geringen Kardinalität (Anzahl von Datenpunkten) Beschränkt in Anzahl der Dimensionen Informationsvisualisierung 3-73

74 Dimensional Stacking Breitengrad Bohrtiefe Steinqualität Längengrad Informationsvisualisierung 3-74

75 Stacked Histogram Viele Ansätze versuchen mehr Variablen in Histogramm zu packen Zwei Variablen Absolutes Histogramm [Wikipedia.de] Relatives Histogramm [Hauser, 2006] Informationsvisualisierung 3-75

76 ThemeRiver Sammlung wird in einzelne Zeitscheiben aufgeteilt (Dokumenten mit Zeitstempel) Informationsvisualisierung 3-76

77 Für sehr große Objektzahlen und/oder viele Attribute kommt man mit bisherigen Verfahren sehr schnell an Grenze der Bildschirmauflösung Pro Objekt und Attribut werden viele Pixel verwendet Überschneidungen verhindern schnell klare Sicht auf Daten Pixelbasierte Verfahren (Dense Pixel Displays) verwenden Darstellungs-kapazität das Bildschirms optimal Verwenden pro Attributwert eines Objektes genau ein Pixel Farbe des Pixels gibt Wert an Werte der einzelnen Attribute für alle Datensätze, also die Spalten der Tabelle, bilden eigene Teilfenster (subwindows) [Ankerst et al. 2002] Informationsvisualisierung 3-77

78 [Ankerst et al. 2002] Informationsvisualisierung 3-78

79 Folgende Fragen stellen sich Wie werden die Pixel innerhalb der Teilfenster positioniert? Sind neben Rechtecken andere Teilfensterformen möglich? Wie können die Attribute (Dimensionen, Teilfenster) angeordnet werden? Informationsvisualisierung 3-79

80 Anordnung der Pixel Suchen einer bijektiven Abbildung f: 1,, m 1,, b {1,, h}, m Objekte, b Teilfensterbreite, h Teilfensterhöhe, so dass die Funktion m i=1 m j=1 d f i, f j d 0,0, b i j m, h i j m minimiert wird. Dabei ist d(f i, f j ) eine L p -Norm (p = 1, 2), der Abstand von Pixel d i zu d j. Informationsvisualisierung 3-80

81 [Ankerst et al. 2002] Informationsvisualisierung 3-81

82 [Ankerst et al. 2002] Informationsvisualisierung 3-82

83 Rekursive Muster Man kann ein Muster der Ebene i-1 w i -mal in horizontaler Richtung und dann h i fach in vertikaler Richtung zeichnen. [Ankerst et al. 2002] Informationsvisualisierung 3-83

84 [Ankerst et al. 2002] Informationsvisualisierung 3-84

85 [Ankerst, Keim, Kriegel: Circle segments: A technique for visually exploring large dimensional datasets. IEEE Visualization Hot Topics 1996] Informationsvisualisierung 3-85

86 Form der Teilfenster Für Teilfenster eignen sich 2D-Arrays von Rechtecken und Kreissegmente. [Ankerst et al. 2002] Informationsvisualisierung 3-86

87 Circle segments Example Circle segment of visualization of 50 stocks in the past 20 years The arrangement of the pixels starts at the center of the circle and continues to the outside by plotting on a line orthogonal to the segment halving line All older values lie near the center and they are close to each other so that the visual comparison is enhanced [Ankerst, Keim, Kriegel: Circle segments: A technique for visually exploring large dimensional datasets. IEEE Visualization Hot Topics 1996] [Ankerst et al. 2002] Informationsvisualisierung 3-87

88 [Ankerst et al. 2002] Informationsvisualisierung 3-88

89 VisDB wurde zur Visualisierung und Erforschung von Datenbanken entwickelt [Keim D. A., Kriegel H.-P. VisDB: Database Exploration using Multidimensional Visualization, Computer Graphics & Applications Journal, 1994] Motivation: Datenbanken enthalten ein große Menge von Elementen in jeweils n Dimensionen n-dimensionale Abfrage der Datenbank Problem: oft keine exakte Übereinstimmung Lösung: finden von nahen Elementen Informationsvisualisierung 3-89

90 Wie nahe ist ein Eintrag zu einer Anfrage? Datensätze haben oft numerische Werte Jeder Wert einer Dimension hat einen gewissen Abstand zur Anfrage Aufsummieren der Abstände Relevanz ist der Kehrwert des Abstandes: Kleiner Abstand hohe Relevanz Großer Abstand geringe Relevanz Beispiel (5D, Integer von 0 bis 255) Anfrage: 6, 210, 73, 45, 92 Datensatz: 8, 200, 73, 50, 91 Abstand: = 18 Relevanz: = 1267 Informationsvisualisierung 3-90

91 Kodierung Berechne Relevanz aller Datensätze Sortiere sie nach ihrer Relevanz Verwende Spiraltechnik zur Anordnung der Werte von Innen nach Außen Verwende Farben zur Kodierung der Relevanz Informationsvisualisierung 3-91

92 Spiraltechnik Höchste Relevanz im Zentrum Absteigende Relevanz nach außen Informationsvisualisierung 3-92

93 Spiraltechnik 5 Dimensionen Informationsvisualisierung 3-93

94 Gruppierung Anstelle von mehreren Fenstern Gruppiere alle Dimensionen eines Datensatzes Informationsvisualisierung 3-94

95 VisDB Beispiele 8 Dimensionen und 1000 Datensätze Mehrere Fenster Gruppierung Informationsvisualisierung 3-95

96 VisDB Beispiele Informationsvisualisierung 3-96

97 Ordinale Attribute lassen sich gut mit Farben darstellen Pixeltechniken sind sogar eher für ordinale Variablen geeignet Mischungen von ordinalen und kontinuierlichen Attributen sind in der Regel ebenfalls möglich Aber: Bei koordinatenachsenorientierten Verfahren führen die ordinalen Attribute mit einer kleiner Wertmenge zu auffälligen Clustern Diese springen dem Anwender ins Auge und überbetonen damit diese Attribute Informationsvisualisierung 3-97

98 Projektions- und Koordinatenachsenansätze eignen sich nur sehr begrenzt für nominale Attribute, da die Reihenfolge der Werte künstlich erzeugt werden muss. Pixelbasierte Verfahren können dagegen gut mit kategorischen Variablen umgehen, da Farben nach Kapitel 2 im Allgemeinen nicht geordnet sind. Verwendung der Verfahren für kontinuierliche Attribute Einige Techniken sind für ordinale und nominale Attribute besonders geeignet. Informationsvisualisierung 3-98

99 Iconbasierte Techniken Bei den iconbasierten (icon = Bildelement) Techniken werden kleine Graphikelemente aufgrund der Werte eines oder mehrerer Attribute verändert. Werden auf dem Bildschirm dargestellt mit Hilfe Von Werten weiterer Variablen Geometrischer Lage Per ebenenfüllender Kurve (VisDB) Informationsvisualisierung 3-99

100 Chernoff Faces Bei den Chernoff Faces [Chernoff 1973] wird die Tatsache ausgenutzt, dass Menschen Gesichter besonders gut unterscheiden können. [H. Chernoff. The Use of Faces to Represent Points in k-dim Space Graphically, J. of American Statistical Association 68: , 1973] [http://bradandkathy.com/software/faces.html] [Spence 2001] Informationsvisualisierung 3-100

101 Chernoff Faces Bei den Chernoff Faces [Chernoff 1973] wird die Tatsache ausgenutzt, dass Menschen Gesichter besonders gut unterscheiden können. [H. Chernoff. The Use of Faces to Represent Points in k-dim Space Graphically, J. of American Statistical Association 68: , 1973] [Spence 2001] Informationsvisualisierung 3-101

102 [Ankerst et al. 2002] Informationsvisualisierung 3-102

103 Stick Figures Bei Strichfiguren (Stick Figures) werden zwei kontinuierliche oder ordinale Attribute (falls vorhanden) zur Positionierung in der Ebene verwendet Übrigen Attribute werden für Winkel und/oder Längen der Striche verwendet [Pickett R. M.: Visual Analyses of Texture in the Detection and Recognition of Objects in: Picture Processing and Psycho-Pictorics, Lipkin B. S., Rosenfeld A. (eds.), Academic Press, New York, 1970] [Tufte E. R.: The Visual Display of Quantitative Information ', Graphics Press, Cheshire, CT, 1983] [Ankerst et al. 2002] Informationsvisualisierung 3-103

104 Texturen aus diesen Figuren ergeben dann Datencharakteristika [Ankerst et al. 2002] Informationsvisualisierung 3-104

105 Shape Coding Nutzt kleine Rechtecke um die einzelnen Datensätze anzuzeigen Hält für jedes Attribut ein Teilquadrat bereit Rechtecke werden dann geeignet angeordnet, wozu häufig die Zeit (bei Zeitreihen) verwendet wird [Beddow J.: Shape Coding of Multidimensional Data on a Mircocomputer Display, Proc. IEEE Visualization, pp , 1990,] [Ankerst et al. 2002] Informationsvisualisierung 3-105

106 [Ankerst et al. 2002] Informationsvisualisierung 3-106

107 3.7. Dimension Ordering Clutter reduction in Multi-Dimensional Data Visualization [Wei Peng et al., Clutter Reduction in Multi-Dimensional Data Visualization Using Dimension Reordering, InfoVis 2004] Informationsvisualisierung 3-107

108 3.7. Dimension Ordering Maß für Clutter Measure in Parallelen Koordinaten Annahme: Ausreißer verschleiern die Struktur Maß: Verhältnis von Ausreißern zur Gesamtanzahl der Datenpunkte S outlier : Anzahl der Ausreißer zwischen benachbarten Dimensionen Anzahl der banachbarten Paare: n 1 S avg = S outlier n 1 S total : Gesamtzahl der Datenpunkte C = S avg S total = S outlier n 1 S total Informationsvisualisierung 3-108

109 3.7. Dimension Ordering [Wei Peng et al., Clutter Reduction in Multi-Dimensional Data Visualization Using Dimension Reordering, InfoVis 2004] Informationsvisualisierung 3-109

110 3.7. Dimension Ordering [Wei Peng et al., Clutter Reduction in Multi-Dimensional Data Visualization Using Dimension Reordering, InfoVis 2004] Informationsvisualisierung 3-110

111 3.7. Dimension Ordering [Wei Peng et al., Clutter Reduction in Multi-Dimensional Data Visualization Using Dimension Reordering, InfoVis 2004] Informationsvisualisierung 3-111

112 3.7. Dimension Ordering [Wei Peng et al., Clutter Reduction in Multi-Dimensional Data Visualization Using Dimension Reordering, InfoVis 2004] Informationsvisualisierung 3-112

113 3.7. Dimension Ordering [Wei Peng et al., Clutter Reduction in Multi-Dimensional Data Visualization Using Dimension Reordering, InfoVis 2004] Informationsvisualisierung 3-113

114 3.7. Dimension Ordering [Wei Peng et al., Clutter Reduction in Multi-Dimensional Data Visualization Using Dimension Reordering, InfoVis 2004] Visualization Algorithm complexity Dataset Size Dim. Time (min) Parallel Coordinates O(n n!) AAUP :03 Cereal :23 Voy :02 Scatterplot Matrices O(n 2 n!) Voy (6) 0:05 Star Glyphs O(m n n!) AAUP :13 Cars :18 Dimensional Stacking O(m 2 n!) Coal Disaster :10 Detroit :05 Informationsvisualisierung 3-114

115 Literatur R. Spence. Information Visualization. Addison-Wesley, Reading, MA, USA, M. Ankerst, G. Grinstein, D. Keim. Visual Data Mining, Tutorial at KDD 2002 Informationsvisualisierung 3-115

Informations- visualisierung

Informations- visualisierung Informations- visualisierung Thema: 4. Darstellung von Tabellen Dozent: Prof. Dr. Gerik Scheuermann scheuermann@informatik.uni-leipzig.de Sprechstunde: nach Vereinbarung Umfang: 2 Prüfungsfach: Modul Fortgeschrittene

Mehr

0 Einführung: Was ist Statistik

0 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

Mehr

Seminar Visual Analytics and Visual Data Mining

Seminar 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

Mehr

Visualisierung der Imperfektion in multidimensionalen Daten

Visualisierung der Imperfektion in multidimensionalen Daten Visualisierung der Imperfektion in multidimensionalen Daten Horst Fortner Imperfektion und erweiterte Konzepte im Data Warehousing Betreuer: Heiko Schepperle 2 Begriffe (1) Visualisierung [Wikipedia] abstrakte

Mehr

Visualisierung großer Datenbanken

Visualisierung großer Datenbanken Business Intelligence 1 Visualisierung großer Datenbanken Prof. Dr. Hans-Peter Kriegel, Institut für Informatik, Universität München und Prof. Dr. Daniel A. Keim, Institut für Informatik, Universität Halle-Wittenberg

Mehr

Datenvisualisierung mit JMP

Datenvisualisierung mit JMP Datenvisualisierung mit JMP Patrick René Warnat HMS Analytical Software GmbH Rohrbacherstr. 26 Heidelberg patrick.warnat@analytical-software.de Zusammenfassung Das JMP Paket ist ein Softwareprodukt der

Mehr

Visualisierung hochdimensionaler Daten. Hauptseminar SS11 Michael Kircher

Visualisierung hochdimensionaler Daten. Hauptseminar SS11 Michael Kircher Hauptseminar SS11 Inhalt Einführung zu hochdimensionalen Daten Visualisierungsmöglichkeiten dimensionale Teilmengen dimensionale Schachtelung Achsenumgestaltung Algorithmen zur Dimensionsreduktion Zusammenfassung

Mehr

Visualisierung in Natur- und Technikwissenschaften. 0. Einführung. Vorlesung: Mi, 11:15 12:45 + Fr, 9:15 10:45, INF 368 532 Prof. Dr.

Visualisierung in Natur- und Technikwissenschaften. 0. Einführung. Vorlesung: Mi, 11:15 12:45 + Fr, 9:15 10:45, INF 368 532 Prof. Dr. Visualisierung in Natur- und Technikwissenschaften 0. Einführung Vorlesung: Mi, 11:15 12:45 + Fr, 9:15 10:45, INF 368 532 Prof. Dr. Heike Leitte Vertiefung Computergraphik und Visualisierung Jürgen Hesser

Mehr

Visualisierung. Visualisierung von Multiparameterdaten Prof. Dr.-Ing. Detlef Krömker. Goethe-Universität, Frankfurt Graphische Datenverarbeitung

Visualisierung. Visualisierung von Multiparameterdaten Prof. Dr.-Ing. Detlef Krömker. Goethe-Universität, Frankfurt Graphische Datenverarbeitung von Multiparameterdaten Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Abbildung auf Visuelle Variablen : die Position auf der Ebene (2 Freiheitsgrade) die Größe

Mehr

Parahistogramme innerhalb eines dreidimensionalen Interaktionsraumes

Parahistogramme innerhalb eines dreidimensionalen Interaktionsraumes Parahistogramme innerhalb eines dreidimensionalen Interaktionsraumes Albert Pritzkau, Dirk Bartz Universität Leipzig, ICCAS/VCM albert.pritzkau@medizin.uni-leipzig.de Kurzfassung. Im Kontext der Genexpressionsanalyse

Mehr

Datenvisualisierung und Data Mining

Datenvisualisierung und Data Mining B 26 Datenvisualisierung und Data Mining 1 B 26 Datenvisualisierung und Data Mining B 26.1 Einleitung Die rasante technologische Entwicklung der letzten zwei Jahrzehnte ermöglicht heute die persistente

Mehr

Erstellung einer wissenschaftlichen Arbeit

Erstellung einer wissenschaftlichen Arbeit Erstellung einer wissenschaftlichen Arbeit Kapitel 4 Visualisierungen 30.7508, Wintersemester 2015/2016 Bildquellen: http://www.gillikinconsulting.com/wp-content/uploads/2013/11/writer3a_writing_bnw.jpg

Mehr

Datenvisualisierung und Data Mining

Datenvisualisierung und Data Mining Daniel A. Keim Datenvisualisierung und Data Mining 1 Einleitung Die rasante technologische Entwicklung der letzten zwei Jahrzehnte ermöglicht heute die persistente Speicherung riesiger Datenmengen durch

Mehr

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots Einleitung Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots von Irmela Herzog Im Rahmen der Herbsttagung der AG DANK (Datenanalyse und Numerische Klassifikation)

Mehr

Kapitel 0. Einführung. 0.1 Was ist Computergrafik? 0.2 Anwendungsgebiete

Kapitel 0. Einführung. 0.1 Was ist Computergrafik? 0.2 Anwendungsgebiete Kapitel 0 Einführung 0.1 Was ist Computergrafik? Software, die einen Computer dazu bringt, eine grafische Ausgabe (oder kurz gesagt: Bilder) zu produzieren. Bilder können sein: Fotos, Schaltpläne, Veranschaulichung

Mehr

Datenvisualisierung und Data Mining

Datenvisualisierung und Data Mining Datenvisualisierung und Data Mining Daniel A. Keim Universität Konstanz und AT&T Shannon Research Labs 180 Park Ave, Florham Park, NJ, 07932, USA Telefon (+1) 973 360 8482, Fax (+1) 973 360 8077 keim@research.att.com

Mehr

Ziele 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. Ziele und Herausforderungen für die visuell gestützte Analyse großer Datenmengen Präsentation der Modellergebnisse auf KlimafolgenOnline.com Thomas Nocke Potsdam Institut für Klimafolgenforschung Der Visualisierungsprozess

Mehr

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder

Mehr

:= Modellabbildung. Bildsynthese (Rendering) Bildsynthese

:= Modellabbildung. Bildsynthese (Rendering) Bildsynthese Geometrisches Modell bestehend aus Datenstrukturen zur Verknüpfung geometrischer Primitive, welche eine Gesamtszene beschreiben Bildsynthese := Modellabbildung Pixelbasiertes Modell zur Darstellung eines

Mehr

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18 3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen

Mehr

Deskriptive Statistik

Deskriptive Statistik Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche

Mehr

Visual Data Mining im Überblick

Visual Data Mining im Überblick I Visual Data Mining im Überblick Lehrveranstaltung: Seminar Softwaretechnik Dozenten: Stefan Jähnichen, Susanne Jucknath Semester: WS 02 /03 Verfasser: Konrad Kellermann TU Berlin Matrikelnummer: 190213

Mehr

Diagrammtypen. 8. Dezember 2012

Diagrammtypen. 8. Dezember 2012 Diagrammtypen 8. Dezember 212 DIAGRAMME AUSWAHLMATRIX Zur einfachen Bestimmung eines geeigneten Diagrammtypen sollten Sie sich nach dem Sammeln und Eingeben der Daten fragen, welche Aussage ihr Diagramm

Mehr

Modellierung von Geodaten

Modellierung von Geodaten Modellierung von Geodaten Universität Augsburg Fachbereich Informatik Seminar: Datenbankunterstützung für mobile GIS Sommersemester 2011 Zeev Turevsky Betreuer: Dipl.-Informatiker Florian Wenzel Gliederung

Mehr

Grundlagen Visualisierung und Wahrnehmung

Grundlagen Visualisierung und Wahrnehmung Grundlagen Visualisierung und Wahrnehmung GLIEDERUNG Visualisierungsgrundlagen Ziele und Anforderungen Visualisierungspipeline Klassifikation der Daten und Dimensionen Grundlegende Visualisierungstechniken

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Visualisierung, WS07/08 9. November 2007. Visualisierung. Visuelle Variablen, Standardgraphen

Visualisierung, WS07/08 9. November 2007. Visualisierung. Visuelle Variablen, Standardgraphen Visualisierung, Standardgraphen Detlef Krömker Uni Frankfurt, Graphische Datenverarbeitung Wolfgang Müller PH Weingarten, Mediendidaktik und Visualisierung 09.11.2007 Visualisierung - D.Krömker, W.Müller

Mehr

Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien

Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien Katharina Witowski katharina.witowski@dynamore.de Übersicht Beispiel Allgemeines zum LS-OPT Viewer Visualisierung von Simulationsergebnissen

Mehr

Graphische Datenverarbeitung und Bildverarbeitung

Graphische Datenverarbeitung und Bildverarbeitung Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Clippen in 2D und 3D Graphische DV und BV, Regina Pohle, 19. Clippen in 2D und 3D 1 Einordnung in die Inhalte der Vorlesung Einführung

Mehr

Kartographische Darstellung semantisch strukturierter 2D-Daten in einer 3D-Szene

Kartographische Darstellung semantisch strukturierter 2D-Daten in einer 3D-Szene Kartographische Darstellung semantisch strukturierter 2D-Daten in einer 3D-Szene STEFFEN HEMPEL 1, JOACHIM BENNER 2, KARL-HEINZ HÄFELE 3, ANDREAS GEIGER 4 Es wird eine allgemeine Methode zur kartographischen

Mehr

Visualisierung paralleler bzw. verteilter Programme

Visualisierung paralleler bzw. verteilter Programme Seminar Visualisierung in Informatik und Naturwissenschaften im SS 1999 Visualisierung paralleler bzw. verteilter Programme Holger Dewes Gliederung Zum Begriff Motivation PARADE Beispiel 1: Thread basierte

Mehr

Texture Based Direct Volume Rendering

Texture Based Direct Volume Rendering Texture Based Direct Volume Rendering Vorlesung: "Advanced Topics in Computer Graphics" cbrak@upb.de 1 Agenda 1. Einleitung Volume Rendering 1.1. Volumendatensatz 1.2. Volumenintegral 1.3. Image order

Mehr

Quellen: Towards a Human Computer InteractionPerspective. Übersicht. Warum visuelle Sprachen? Begriffsdefinitionen: Hinderungsgründe bisher:

Quellen: Towards a Human Computer InteractionPerspective. Übersicht. Warum visuelle Sprachen? Begriffsdefinitionen: Hinderungsgründe bisher: Quellen: Towards a Human Computer InteractionPerspective von B.K. & B.K. LV: Visuelle Sprachen (03-763) Universität Bremen WS 2001/02 Visual Language Theory: Towards a Human- Computer Perspective; N. Hari

Mehr

Datenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de

Datenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der

Mehr

Kurs zur Ergänzungsprüfung Darstellende Geometrie CAD. Ebenes Zeichnen (2D-CAD) und die ersten Befehle

Kurs zur Ergänzungsprüfung Darstellende Geometrie CAD. Ebenes Zeichnen (2D-CAD) und die ersten Befehle CAD Ebenes Zeichnen (2D-CAD) und die ersten Befehle Schnellzugriff-Werkzeugkasten (Quick Access Toolbar) Registerkarten (Tabs) Gruppenfenster (Panels) Zeichenfläche Befehlszeile: für schriftl. Eingabe

Mehr

Eine computergestützte Einführung mit

Eine computergestützte Einführung mit Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik

Mehr

Übung Statistik I Statistik mit Stata SS07-21.05.2007 6. Grafiken und Wiederholung

Übung Statistik I Statistik mit Stata SS07-21.05.2007 6. Grafiken und Wiederholung Übung Statistik I Statistik mit Stata SS07-21.05.2007 6. Grafiken und Wiederholung Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: Di. 15-16 Uhr Andrea.Kummerer@sowi.uni-goettingen.de Statistik mit Stata

Mehr

6 Vorverarbeitung. Kapitel 6 Vorverarbeitung. Einführung der Vorverarbeitung. Einführung in die Vorverarbeitung

6 Vorverarbeitung. Kapitel 6 Vorverarbeitung. Einführung der Vorverarbeitung. Einführung in die Vorverarbeitung 6 Vorverarbeitung 6.1 Einführung in die Vorverarbeitung Zweck der Vorverarbeitung Kapitel 6 Vorverarbeitung Transformiere die Daten so, dass sie optimal vom Miner verarbeitet werden können. Problem: -

Mehr

Seminar Komplexe Objekte in Datenbanken

Seminar Komplexe Objekte in Datenbanken Seminar Komplexe Objekte in Datenbanken OPTICS: Ordering Points To Identify the Clustering Structure Lehrstuhl für Informatik IX - Univ.-Prof. Dr. Thomas Seidl, RWTH-Aachen http://www-i9.informatik.rwth-aachen.de

Mehr

Das Falten-und-Schneiden Problem

Das Falten-und-Schneiden Problem Das Falten-und-Schneiden Problem Kristian Bredies Uttendorf, 14. Februar 2005 Inhalt Einleitung Origami Das Falten-und-Schneiden Problem Mathematische Analyse Flaches Origami Lokale Eigenschaften Faltbarkeit

Mehr

Interaktive Analyse von Supercomputer-Leistungsdaten

Interaktive Analyse von Supercomputer-Leistungsdaten Institut für Visualisierung und Interaktive Systeme Universität Stuttgart Universitätsstraße 38 D 70569 Stuttgart Diplomarbeit Nr. 3483 Interaktive Analyse von Supercomputer-Leistungsdaten Jessica Hackländer

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation

Mehr

Event-basierte Visualisierung zeitabhängiger Datensätze

Event-basierte Visualisierung zeitabhängiger Datensätze Fakultät Informatik, Institut für Software- und Multimediatechnik, Professur für Computergrafik zeitabhängiger Datensätze Florian Weidner Dresden, 3. Jun 2013 (Betreut von Dr. Sebastian Grottel) Gliederung

Mehr

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3 I Einführung in STATISTICA 1 1 Erste Schritte in STATISTICA 3 2 Datenhaltung in STATISTICA 11 2.1 Die unterschiedlichen Dateitypen in STATISTICA....... 11 2.2 Import von Daten......... 12 2.3 Export von

Mehr

Kapitel 2. Häufigkeitsverteilungen

Kapitel 2. Häufigkeitsverteilungen 6 Kapitel 2 Häufigkeitsverteilungen Ziel: Darstellung bzw Beschreibung (Exploration) einer Variablen Ausgangssituation: An n Einheiten ω,, ω n sei das Merkmal X beobachtet worden x = X(ω ),, x n = X(ω

Mehr

GIS und raumbezogene Datenbanken

GIS und raumbezogene Datenbanken GIS und raumbezogene Datenbanken Eine raumbezogene Datenbank (spatial database) dient der effizienten Speicherung, Verwaltung und Anfrage von raumbezogenen Daten. datenbankorientiert Ein geographisches

Mehr

Visualisierung von Geodaten. Visualisierung von Geodaten

Visualisierung von Geodaten. Visualisierung von Geodaten 1 Inhalt Visualisierung Motivation Definition Vorteile Geoobjekte Geometrische Modellierung Rastermodelle Vektormodelle Hybridmodelle Software Kartographie Client-Server Server-Anwendungen 3D-Visualisierung

Mehr

Visual Business Analytics Visueller Zugang zu Big Data

Visual Business Analytics Visueller Zugang zu Big Data Visual Business Analytics Visueller Zugang zu Big Data Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax:

Mehr

08. übung. Illustrator. medienwerkstatt // seite 1

08. übung. Illustrator. medienwerkstatt // seite 1 Illustrator medienwerkstatt // seite 1 cmd + n = neues Dokument 1. dokument einrichten Format Doppelseitig / Einseitig Seitenränder Menüleiste: Datei > Neu oder (cmd + n) Seitenzahl und Anordnung Format

Mehr

Informationsvisualisierung

Informationsvisualisierung Informationsvisualisierung Methoden und Perspektiven Heidrun Schumann Universität Rostock, Institut für Informatik schumann@informatik.uni-rostock.de Abstract: Ziel der Informationsvisualisierung ist es,

Mehr

Algorithms for graph visualization

Algorithms for graph visualization Algorithms for graph visualization Project - Orthogonal Grid Layout with Small Area W INTER SEMESTER 2013/2014 Martin No llenburg KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum

Mehr

Timeline Figure - Grafische Darstellung eines Subjekts in der klinischen Forschung

Timeline Figure - Grafische Darstellung eines Subjekts in der klinischen Forschung Timeline Figure - Grafische Darstellung eines Subjekts in der klinischen Forschung Poster Endri Endri DataFocus GmbH Lothringer Straße 23 D-50667 Köln endri0501@yahoo.de Zusammenfassung Eine Timeline-Grafik

Mehr

Visualisierung. Rückblick. Scientific Visualization vs. Informationsvisualisierung. Allgemeine Ziele und Anforderungen Prof. Dr.-Ing.

Visualisierung. 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

Mehr

4. Kapitel 3D Engine Geometry

4. Kapitel 3D Engine Geometry 15.11.2007 Mathematics for 3D Game Programming & Computer Graphics 4. Kapitel 3D Engine Geometry Anne Adams & Katharina Schmitt Universität Trier Fachbereich IV Proseminar Numerik Wintersemester 2007/08

Mehr

Animation der Montage von CATIA-Bauteilen

Animation der Montage von CATIA-Bauteilen Animation der Montage von CATIA-Bauteilen KONZEPTION UND PROTOTYP PRÄSENTATION ZUM PRAXISPROJEKT SS 2007 VON TIM HERMANN BETREUER: PROF. DR. HORST STENZEL Motivation Voraussetzungen Ziele Datenkonvertierung

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

Exploration und Klassifikation von BigData

Exploration und Klassifikation von BigData Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)

Mehr

bersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter

bersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter bersicht Niels Schršter EinfŸhrung GROUP BY Roll UpÔs Kreuztabellen Cubes Datenbank Ansammlung von Tabellen, die einen ãausschnitt der WeltÒ fÿr eine Benutzergruppe beschreiben. Sie beschreiben die funktionalen

Mehr

Einfache statistische Auswertungen mit dem TI-Nspire

Einfache statistische Auswertungen mit dem TI-Nspire 1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,

Mehr

Räumliches Data Mining

Räumliches Data Mining Räumliches Data Mining Spatial Data Mining Data Mining = Suche nach "interessanten Mustern" in sehr großen Datensätzen => explorative Datenanlyse auch: Knowledge Discovery in Databases (KDD) verbreitete

Mehr

Microsoft Office Excel 2007. für Windows W-EX2007DI. Autor: Peter Wies. Inhaltliches Lektorat: Sabine Spieß. 1. Ausgabe vom 7.

Microsoft Office Excel 2007. für Windows W-EX2007DI. Autor: Peter Wies. Inhaltliches Lektorat: Sabine Spieß. 1. Ausgabe vom 7. W-EX2007DI Autor: Peter Wies Inhaltliches Lektorat: Sabine Spieß 1. Ausgabe vom 7. Oktober 2008 HERDT-Verlag für Bildungsmedien GmbH, Bodenheim Internet: www.herdt.com Alle Rechte vorbehalten. Kein Teil

Mehr

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II Eine Einführung in R: Hochdimensionale Daten: n

Mehr

Trendlinien in Diagrammen (Excel 2010)

Trendlinien in Diagrammen (Excel 2010) Trendlinien in Diagrammen (Excel 2010) Trendlinien in Diagrammen (Excel 2010)... 1 Allgemeines... 2 Informationen über Prognosen und das Anzeigen von Trends in Diagrammen... 3 AUSWÄHLEN DES PASSENDEN TRENDLINIETYPS

Mehr

Digitale Bildverarbeitung (DBV)

Digitale Bildverarbeitung (DBV) Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung

Mehr

Informationsvisualisierung: Methoden und Perspektiven

Informationsvisualisierung: Methoden und Perspektiven it 3/2004 Informationsvisualisierung: Methoden und Perspektiven Information Visualization: Techniques and Perspectives Heidrun Schumann, Universität Rostock, Wolfgang Müller, Pädagogische Hochschule Ludwigsburg

Mehr

Visuelle Suche in Digitalen Filmarchiven Visual Search in Digital Film Archives. Visuelle Exploration Digitaler Bibliothken

Visuelle Suche in Digitalen Filmarchiven Visual Search in Digital Film Archives. Visuelle Exploration Digitaler Bibliothken Visuelle Suche in Digitalen Filmarchiven Visual Search in Digital Film Archives Visuelle Exploration Digitaler Bibliothken Prof. Dr. am Beispiel des Projektes MedioVis Harald.Reiterer@uni-konstanz.de Kurzvorstellung

Mehr

Seminar: Multimediale Informationssysteme

Seminar: Multimediale Informationssysteme Seminar: Multimediale SQL/MM SQL Multimedia and Application Packages Christian Müller 12.07.2002 SQL/MM: Übersicht Übersicht 1 Einleitung 2 Full Text 3 Spatial 4 Still Image 5 Zusammenfassung 2 SQL/MM:

Mehr

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3

Mehr

Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07

Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Regression Trees Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Ao.Univ.Prof. Dr. Marcus Hudec marcus.hudec@univie.ac.at Institut für Scientific Computing, Universität Wien 2

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie

1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. äume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/5, olie 1 2014 Prof. Steffen Lange - HDa/bI

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Excel 2010. für Windows ISBN 978-3-86249-060-8. Peter Wies 1. Ausgabe, 11. Aktualisierung, November 2013. Grundlagen

Excel 2010. für Windows ISBN 978-3-86249-060-8. Peter Wies 1. Ausgabe, 11. Aktualisierung, November 2013. Grundlagen Peter Wies 1. Ausgabe, 11. Aktualisierung, November 2013 Excel 2010 für Windows Grundlagen ISBN 978-3-86249-060-8 EX2010 10 Excel 2010 - Grundlagen 10 Diagramme erstellen und schnell gestalten In diesem

Mehr

3 GRAFIKEN, BILDER, ZEICHNUNGSOBJEKTE

3 GRAFIKEN, BILDER, ZEICHNUNGSOBJEKTE 3 GRAFIKEN, BILDER, ZEICHNUNGSOBJEKTE Grafiken, Bilder und Zeichnungsobjekte können in einer Präsentation mehrere Funktionen haben: Sie können eine Präsentation anschaulicher machen, können das Vorgeführte

Mehr

9 Einfache Rechnungen ParaSheet

9 Einfache Rechnungen ParaSheet 9 Einfache Rechnungen ParaSheet ParaSheet ist ein typisches, einfaches Spreadsheet (Tabellenkalkulation), das jedoch eine anspruchsvolle Makrosprache und einen umfangreichen Grafikprozessor besitzt. Ein

Mehr

Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen

Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen

Mehr

Einführung in die Statistik mit EXCEL und SPSS

Einführung in die Statistik mit EXCEL und SPSS Christine Duller 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Einführung in die Statistik mit EXCEL und SPSS Ein

Mehr

Geoinformatik I /Geoinformationsysteme

Geoinformatik I /Geoinformationsysteme Geoinformatik I /Geoinformationsysteme SS 2005 1 Georeferenzieren a) Sie haben ein Feature, das mit den Angaben [WGS-1984, UTM-Zone 12N] georeferenziert ist. Was bedeuten die beiden Angaben? (Was ist ein

Mehr

Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words

Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields

Mehr

Wirtschaftsrechnen. Leseprobe

Wirtschaftsrechnen. Leseprobe Wirtschaftsrechnen Kapitel 1 Darstellung von Größen 1.1 Größen im Koordinatensystem 1.2 Diagramme und Ihre Verwendung 1.2.1 Säulendiagramm 1.2.2 Balkendiagramm 1.2.3 Punktdiagramm (Streudiagramm) 1.2.4

Mehr

Detecting Near Duplicates for Web Crawling

Detecting Near Duplicates for Web Crawling Detecting Near Duplicates for Web Crawling Gurmeet Singh Manku et al., WWW 2007* * 16th international conference on World Wide Web Detecting Near Duplicates for Web Crawling Finde near duplicates in großen

Mehr

MODUL 4 UNIVARIATE DATENANALYSE HÄUFIGKEITEN UND DIAGRAMME PROSEMINAR ANALYSE UND DARSTELLUNG VON DATEN I (DESKRIPTIVE STATISTIK)

MODUL 4 UNIVARIATE DATENANALYSE HÄUFIGKEITEN UND DIAGRAMME PROSEMINAR ANALYSE UND DARSTELLUNG VON DATEN I (DESKRIPTIVE STATISTIK) INSTITUT FÜR ERZIEHUNGSWISSENSCHAFT - UNIVERSITÄT SALZBURG PROSEMINAR ANALYSE UND DARSTELLUNG VON DATEN I (DESKRIPTIVE STATISTIK) GÜNTER HAIDER WS 1997/98 MODUL 4 UNIVARIATE DATENANALYSE HÄUFIGKEITEN UND

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische

Mehr

Sortierverfahren für Felder (Listen)

Sortierverfahren für Felder (Listen) Sortierverfahren für Felder (Listen) Generell geht es um die Sortierung von Daten nach einem bestimmten Sortierschlüssel. Es ist auch möglich, daß verschiedene Daten denselben Sortierschlüssel haben. Es

Mehr

Informations- visualisierung

Informations- visualisierung Informations- visualisierung Thema: 8. Spezifische Verfahren - Parallele Koordinaten Dozent: Prof. Dr. Gerik Scheuermann scheuermann@informatik.uni-leipzig.de Sprechstunde: nach Vereinbarung Umfang: 2

Mehr

Grundlagen der Computer-Tomographie

Grundlagen der Computer-Tomographie Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen

Mehr

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28. PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt

Mehr

Einführung. Information Retrieval. IR-Aufgaben. IR in Beispielen. Adhoc-Suche: Web. IR in Beispielen. Was ist IR? Norbert Fuhr

Einführung. Information Retrieval. IR-Aufgaben. IR in Beispielen. Adhoc-Suche: Web. IR in Beispielen. Was ist IR? Norbert Fuhr Einführung Information Retrieval Norbert Fuhr 13. Oktober 2011 IR in Beispielen Was ist IR? Daten Information Wissen Dimensionen des IR Rahmenarchitektur für IR-Systeme Adhoc-Suche: Web IR in Beispielen

Mehr

Proseminar: Website-Managment-System. NetObjects Fusion. von Christoph Feller

Proseminar: Website-Managment-System. NetObjects Fusion. von Christoph Feller Proseminar: Website-Managment-System NetObjects Fusion von Christoph Feller Netobjects Fusion - Übersicht Übersicht Einleitung Die Komponenten Übersicht über die Komponenten Beschreibung der einzelnen

Mehr

Social Media Analytics Aktuelle Herausforderungen

Social Media Analytics Aktuelle Herausforderungen Lehrstuhl für Informatik 5 Informationssysteme RWTH Aachen Social Media Analytics Aktuelle Herausforderungen Ralf Klamma RWTH Aachen I5-KL-111010-1 Gesellschaft für Informatik Regionalgruppe Köln Themenabend

Mehr

Gliederung. Bachelorseminar: Graphiken in R Visualisierung Kategorialer Daten. Einführung. Visualisierung von zweidimensionalen Kontingenztafeln

Gliederung. Bachelorseminar: Graphiken in R Visualisierung Kategorialer Daten. Einführung. Visualisierung von zweidimensionalen Kontingenztafeln Gliederung Bachelorseinar: Graphiken in R Visualisierung Kategorialer Daten Matthias Mitterayer betreut durch Sebastian Kaiser Einführung Institut für Statistik, LMU München 13. Januar 2011 Fazit Visualisierung

Mehr

Interaktive Plots. 2. Theorie und Beispiele. Motivation. 4. Fazit. 3. iplots. Gliederung. Fragen:

Interaktive Plots. 2. Theorie und Beispiele. Motivation. 4. Fazit. 3. iplots. Gliederung. Fragen: Interaktive Plots Peter Mayer betreut durch: Armin Monecke 13. Januar 2011 LMU München, Institut für Statistik, Wintersemester 10/11, Seminar: Graphiken in R im Bachelor-Studiengang 1 Motivation Datensatz

Mehr

4. Relationen. Beschreibung einer binären Relation

4. Relationen. Beschreibung einer binären Relation 4. Relationen Relationen spielen bei Datenbanken eine wichtige Rolle. Die meisten Datenbanksysteme sind relational. 4.1 Binäre Relationen Eine binäre Relation (Beziehung) R zwischen zwei Mengen A und B

Mehr

Projekt AGB-10 Fremdprojektanalyse

Projekt AGB-10 Fremdprojektanalyse Projekt AGB-10 Fremdprojektanalyse 17. Mai 2010 1 Inhaltsverzeichnis 1 Allgemeines 3 2 Produktübersicht 3 3 Grundsätzliche Struktur und Entwurfsprinzipien für das Gesamtsystem 3 3.1 Die Prefuse Library...............................

Mehr

Datenanalyse und abstrakte Visualisierung

Datenanalyse und abstrakte Visualisierung Datenanalyse und abstrakte Visualisierung Patrick Auwärter Hauptseminar: Visualisierung großer Datensätze SS 2011 Inhalt Einleitung Anwendungsbeispiele Kondensationsvorgang Protein-Lösungsmittel System

Mehr

Kartographische Visualisierung

Kartographische Visualisierung Kartographische Visualisierung Kartenmodellierung Modellierung von Karten Ziel der Kartenmodellierung: Geodaten angemessen abbilden (repräsentieren) Informationen mit der Karte vermitteln (präsentieren).

Mehr

Kurzanleitung Zeichnungsmodul ACD Chemsketch 11.0 Freeware

Kurzanleitung Zeichnungsmodul ACD Chemsketch 11.0 Freeware U. Schütz Seite 1 von 7 Kurzanleitung Zeichnungsmodul ACD Chemsketch 11.0 Freeware Draw Durch Anklicken der Schaltfläche Draw wechselt das Programm in den Zeichnungsmodus. Optionen Show Grid Raster anzeigen

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr