Informations- visualisierung
|
|
- Leopold Hofer
- vor 8 Jahren
- Abrufe
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] [ Informationsvisualisierung 3-38
39 Beispiele [ 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 [ Informationsvisualisierung 3-43
44 Parvis Beispiele Brushing + Histogram [ Informationsvisualisierung 3-44
45 Parvis Beispiele Auswahl über Achsenabschnitte und Winkel (in rot) Fokus [ 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 [ [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 [ [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] [ [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 Thema: 4. Darstellung von Tabellen Dozent: Prof. Dr. Gerik Scheuermann scheuermann@informatik.uni-leipzig.de Sprechstunde: nach Vereinbarung Umfang: 2 Prüfungsfach: Modul Fortgeschrittene
MehrInformationsvisualisierung
Informationsvisualisierung Thema: 3. Darstellung von mehrdimensionalen Daten Dozent: Dr. Dirk Zeckzer zeckzer@informatik.uni-leipzig.de Sprechstunde: nach Vereinbarung Umfang: 2 Prüfungsfach: Modul Fortgeschrittene
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
Mehr4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.
Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel
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
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrVirtueller Seminarordner Anleitung für die Dozentinnen und Dozenten
Virtueller Seminarordner Anleitung für die Dozentinnen und Dozenten In dem Virtuellen Seminarordner werden für die Teilnehmerinnen und Teilnehmer des Seminars alle für das Seminar wichtigen Informationen,
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrStellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster
Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.
MehrVisualisierung 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
MehrWebalizer HOWTO. Stand: 18.06.2012
Webalizer HOWTO Stand: 18.06.2012 Copyright 2003 by manitu. Alle Rechte vorbehalten. Alle verwendeten Bezeichnungen dienen lediglich der Kennzeichnung und können z.t. eingetragene Warenzeichen sein, ohne
MehrIm Original veränderbare Word-Dateien
Computergrafik Bilder, Grafiken, Zeichnungen etc., die mithilfe von Computern hergestellt oder bearbeitet werden, bezeichnet man allgemein als Computergrafiken. Früher wurde streng zwischen Computergrafik
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrExcel 2013. Fortgeschrittene Techniken. Peter Wies. 1. Ausgabe, März 2013 EX2013F
Excel 2013 Peter Wies 1. Ausgabe, März 2013 Fortgeschrittene Techniken EX2013F 15 Excel 2013 - Fortgeschrittene Techniken 15 Spezielle Diagrammbearbeitung In diesem Kapitel erfahren Sie wie Sie die Wert-
MehrTHREAD ARCS: An Email Thread Visualization
THREAD ARCS: An Email Thread Visualization Eine Technik zur Visualisierung der Email Threads Wladimir Emdin Seminar Visualisierung verteilter Systeme Gliederung 1. Einführung: Email Threads und Ziele deren
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrFachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer
Fachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer Klassendiagramme Ein Klassendiagramm dient in der objektorientierten Softwareentwicklung zur Darstellung von Klassen und den Beziehungen,
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrTREND SEARCH VISUALISIERUNG. von Ricardo Gantschew btk Berlin Dozent / Till Nagel
von Ricardo Gantschew btk Berlin Dozent / Till Nagel 01 IDEE Einige kennen vielleicht GoogleTrends. Hierbei handelt es sich um eine Anwendung, bei der man verschiedenste Begriffe auf die Häufigkeit ihrer
MehrBarrierefreie Webseiten erstellen mit TYPO3
Barrierefreie Webseiten erstellen mit TYPO3 Alternativtexte Für jedes Nicht-Text-Element ist ein äquivalenter Text bereitzustellen. Dies gilt insbesondere für Bilder. In der Liste der HTML 4-Attribute
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
Mehr08. 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
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
MehrFalten regelmäßiger Vielecke
Blatt 1 Gleichseitige Dreiecke Ausgehend von einem quadratischen Stück Papier kann man ohne weiteres Werkzeug viele interessante geometrische Figuren nur mit den Mitteln des Papierfaltens (Origami) erzeugen.
MehrUmstellung News-System auf cms.sn.schule.de
Umstellung News-System auf cms.sn.schule.de Vorbemerkungen Hinweis: Sollten Sie bisher noch kein News-System verwendet haben, nutzen Sie die Anleitung unter http://cms.sn.schule.de/admin/handbuch/grundlagen/page/25/
MehrHilfe zur Urlaubsplanung und Zeiterfassung
Hilfe zur Urlaubsplanung und Zeiterfassung Urlaubs- und Arbeitsplanung: Mit der Urlaubs- und Arbeitsplanung kann jeder Mitarbeiter in Coffee seine Zeiten eintragen. Die Eintragung kann mit dem Status anfragen,
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
MehrIn diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access. Die Grundlagen der Datenbanken.
In diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access Die Grundlagen der Datenbanken kurspc15 Inhaltsverzeichnis Access... Fehler! Textmarke nicht
MehrData 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
MehrDie Übereckperspektive mit zwei Fluchtpunkten
Perspektive Perspektive mit zwei Fluchtpunkten (S. 1 von 8) / www.kunstbrowser.de Die Übereckperspektive mit zwei Fluchtpunkten Bei dieser Perspektivart wird der rechtwinklige Körper so auf die Grundebene
MehrBerechnung der Erhöhung der Durchschnittsprämien
Wolfram Fischer Berechnung der Erhöhung der Durchschnittsprämien Oktober 2004 1 Zusammenfassung Zur Berechnung der Durchschnittsprämien wird das gesamte gemeldete Prämienvolumen Zusammenfassung durch die
Mehr5.2 Neue Projekte erstellen
5.2 Neue Projekte erstellen Das Bearbeiten von bestehenden Projekten und Objekten ist ja nicht schlecht wie aber können Sie neue Objekte hinzufügen oder gar völlig neue Projekte erstellen? Die Antwort
MehrAnwendungshinweise zur Anwendung der Soziometrie
Anwendungshinweise zur Anwendung der Soziometrie Einführung Die Soziometrie ist ein Verfahren, welches sich besonders gut dafür eignet, Beziehungen zwischen Mitgliedern einer Gruppe darzustellen. Das Verfahren
MehrZahlen auf einen Blick
Zahlen auf einen Blick Nicht ohne Grund heißt es: Ein Bild sagt mehr als 1000 Worte. Die meisten Menschen nehmen Informationen schneller auf und behalten diese eher, wenn sie als Schaubild dargeboten werden.
MehrHow to do? Projekte - Zeiterfassung
How to do? Projekte - Zeiterfassung Stand: Version 4.0.1, 18.03.2009 1. EINLEITUNG...3 2. PROJEKTE UND STAMMDATEN...4 2.1 Projekte... 4 2.2 Projektmitarbeiter... 5 2.3 Tätigkeiten... 6 2.4 Unterprojekte...
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrDie Größe von Flächen vergleichen
Vertiefen 1 Die Größe von Flächen vergleichen zu Aufgabe 1 Schulbuch, Seite 182 1 Wer hat am meisten Platz? Ordne die Figuren nach ihrem Flächeninhalt. Begründe deine Reihenfolge. 1 2 3 4 zu Aufgabe 2
Mehr3.2 Spiegelungen an zwei Spiegeln
3 Die Theorie des Spiegelbuches 45 sehen, wenn die Person uns direkt gegenüber steht. Denn dann hat sie eine Drehung um die senkrechte Achse gemacht und dabei links und rechts vertauscht. 3.2 Spiegelungen
MehrHandbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen
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
MehrDas große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten
Das große x -4 Alles über das Wer kann beantragen? Generell kann jeder beantragen! Eltern (Mütter UND Väter), die schon während ihrer Elternzeit wieder in Teilzeit arbeiten möchten. Eltern, die während
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
Mehrmysql - Clients MySQL - Abfragen eine serverbasierenden Datenbank
mysql - Clients MySQL - Abfragen eine serverbasierenden Datenbank In den ersten beiden Abschnitten (rbanken1.pdf und rbanken2.pdf) haben wir uns mit am Ende mysql beschäftigt und kennengelernt, wie man
MehrErstellen einer Collage. Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu])
3.7 Erstellen einer Collage Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu]) Dann Größe des Dokuments festlegen beispielsweise A4 (weitere
MehrDatenbanken Kapitel 2
Datenbanken Kapitel 2 1 Eine existierende Datenbank öffnen Eine Datenbank, die mit Microsoft Access erschaffen wurde, kann mit dem gleichen Programm auch wieder geladen werden: Die einfachste Methode ist,
Mehr5. Bildauflösung ICT-Komp 10
5. Bildauflösung ICT-Komp 10 Was sind dpi? Das Maß für die Bildauflösung eines Bildes sind dpi. Jeder spricht davon, aber oft weiß man gar nicht genau was das ist. Die Bezeichnung "dpi" ist ein Maß, mit
Mehr1. 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
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
MehrErstellen von x-y-diagrammen in OpenOffice.calc
Erstellen von x-y-diagrammen in OpenOffice.calc In dieser kleinen Anleitung geht es nur darum, aus einer bestehenden Tabelle ein x-y-diagramm zu erzeugen. D.h. es müssen in der Tabelle mindestens zwei
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrSQL - Übungen Bearbeitung der Datenbank Personal (1)
Bearbeitung der Datenbank Personal (1) 1. Abfragen einer einzigen Tabelle 1.1. Zeigen Sie alle Informationen an, die über die Kinder der Mitarbeiter gespeichert sind. 1.2. Zeigen Sie aus der Tabelle stelle
MehrWie Sie mit Mastern arbeiten
Wie Sie mit Mastern arbeiten Was ist ein Master? Einer der großen Vorteile von EDV besteht darin, dass Ihnen der Rechner Arbeit abnimmt. Diesen Vorteil sollten sie nutzen, wo immer es geht. In PowerPoint
MehrSerienbrieferstellung in Word mit Kunden-Datenimport aus Excel
Sehr vielen Mitarbeitern fällt es schwer, Serienbriefe an Kunden zu verschicken, wenn sie die Serienbrieffunktion von Word nicht beherrschen. Wenn die Kunden mit Excel verwaltet werden, genügen nur ein
MehrProfessionelle Diagramme mit Excel 2010 erstellen. Peter Wies. 1. Ausgabe, 2. Aktualisierung, März 2014. Themen-Special W-EX2010DI
Peter Wies 1. Ausgabe, 2. Aktualisierung, März 2014 Professionelle Diagramme mit Excel 2010 erstellen Themen-Special W-EX2010DI 2 Professionelle Diagramme mit Excel 2010 erstellen - Themen-Special 2 Wichtige
MehrEinfache 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,
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrAnzeige von eingescannten Rechnungen
Anzeige von eingescannten Rechnungen Wenn Sie sich zu einer Eingangsrechnung die eingescannte Originalrechnung ansehen möchten, wählen Sie als ersten Schritt aus Ihrem Benutzermenü unter dem Kapitel Eingangsrechnung
MehrTutorial. 1. Neue Animation erstellen 2. Kartenobjekte animieren 3. Film erstellen. Tutorial 1
Tutorial 1 Tutorial Zur Einführung in MapCreator Studio erstellen wir eine animierte Karte für einen Videofilm einer Australienreise. Dazu werden wir aus einer mit MapCreator erstellten Karte eine Animation
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrOutlook. sysplus.ch outlook - mail-grundlagen Seite 1/8. Mail-Grundlagen. Posteingang
sysplus.ch outlook - mail-grundlagen Seite 1/8 Outlook Mail-Grundlagen Posteingang Es gibt verschiedene Möglichkeiten, um zum Posteingang zu gelangen. Man kann links im Outlook-Fenster auf die Schaltfläche
MehrWinWerk. Prozess 6a Rabatt gemäss Vorjahresverbrauch. KMU Ratgeber AG. Inhaltsverzeichnis. Im Ifang 16 8307 Effretikon
WinWerk Prozess 6a Rabatt gemäss Vorjahresverbrauch 8307 Effretikon Telefon: 052-740 11 11 Telefax: 052-740 11 71 E-Mail info@kmuratgeber.ch Internet: www.winwerk.ch Inhaltsverzeichnis 1 Ablauf der Rabattverarbeitung...
MehrEinfÅhrung in die objektorientiere Programmierung (OOP) unter Delphi 6.0. EDV Kurs 13/2
EinfÅhrung in die objektorientiere Programmierung (OOP) unter Delphi 6.0 EDV Kurs 13/2 Inhaltsverzeichnis 1 Objekte... 1 2 Klassen... 3 2.1 Beziehungen zwischen Klassen... 4 2.1.1 Vererbung... 4 2.1.2
MehrAnwendungsbeispiele Buchhaltung
Kostenstellen in Webling Webling ist ein Produkt der Firma: Inhaltsverzeichnis 1 Kostenstellen 1.1 Was sind Kostenstellen? 1.2 Kostenstellen in der 2 Kostenstellen in Webling 2.1 Kostenstellen erstellen
MehrVisio 2013. Grundlagen. Linda York. 1. Ausgabe, Oktober 2013
Visio 2013 Linda York 1. Ausgabe, Oktober 2013 Grundlagen V2013 2 Visio 2013 - Grundlagen 2 Einfache Zeichnungen erstellen In diesem Kapitel erfahren Sie wie Sie Shapes einfügen, kopieren und löschen was
MehrLernmaterial für die Fernuni Hagen effizient und prüfungsnah
Lernmaterial für die Fernuni Hagen effizient und prüfungsnah www.schema-f-hagen.de Sie erhalten hier einen Einblick in die Dokumente Aufgaben und Lösungen sowie Erläuterungen Beim Kauf erhalten Sie zudem
MehrAccess [basics] Gruppierungen in Abfragen. Beispieldatenbank. Abfragen gruppieren. Artikel pro Kategorie zählen
Abfragen lassen sich längst nicht nur dazu benutzen, die gewünschten Felder oder Datensätze einer oder mehrerer Tabellen darzustellen. Sie können Daten auch nach bestimmten Kriterien zu Gruppen zusammenfassen
MehrKurzanleitung. Toolbox. T_xls_Import
Kurzanleitung Toolbox T_xls_Import März 2007 UP GmbH Anleitung_T_xls_Import_1-0-5.doc Seite 1 Toolbox T_xls_Import Inhaltsverzeichnis Einleitung...2 Software Installation...2 Software Starten...3 Das Excel-Format...4
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrZusatzmodul Lagerverwaltung
P.A.P.A. die kaufmännische Softwarelösung Zusatzmodul Inhalt Einleitung... 2 Definieren der Lager... 3 Zuteilen des Lagerorts... 3 Einzelartikel... 4 Drucken... 4 Zusammenfassung... 5 Es gelten ausschließlich
MehrSoftware Engineering Klassendiagramme Assoziationen
Software Engineering Klassendiagramme Assoziationen Prof. Adrian A. Müller, PMP, PSM 1, CSM Fachbereich Informatik und Mikrosystemtechnik 1 Lesen von Multiplizitäten (1) Multiplizitäten werden folgendermaßen
MehrAbschlussprüfung Realschule Bayern II / III: 2009 Haupttermin B 1.0 B 1.1
B 1.0 B 1.1 L: Wir wissen von, dass sie den Scheitel hat und durch den Punkt läuft. Was nichts bringt, ist beide Punkte in die allgemeine Parabelgleichung einzusetzen und das Gleichungssystem zu lösen,
MehrLeichte-Sprache-Bilder
Leichte-Sprache-Bilder Reinhild Kassing Information - So geht es 1. Bilder gucken 2. anmelden für Probe-Bilder 3. Bilder bestellen 4. Rechnung bezahlen 5. Bilder runterladen 6. neue Bilder vorschlagen
MehrSerienbriefe schreiben mit Ratio - Adressen (Microsoft Word Versionen 8.0 und 9.0)
Serienbriefe schreiben mit Ratio - Adressen (Microsoft Word Versionen 8.0 und 9.0) Allgemeines Die in Ratio gespeicherten Adressen können jederzeit exportiert werden, um sie an anderer Stelle weiter zu
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrProseminar: 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
MehrExcel Pivot-Tabellen 2010 effektiv
7.2 Berechnete Felder Falls in der Datenquelle die Zahlen nicht in der Form vorliegen wie Sie diese benötigen, können Sie die gewünschten Ergebnisse mit Formeln berechnen. Dazu erzeugen Sie ein berechnetes
MehrDieses erste Kreisdiagramm, bezieht sich auf das gesamte Testergebnis der kompletten 182 getesteten Personen. Ergebnis
Datenanalyse Auswertung Der Kern unseres Projektes liegt ganz klar bei der Fragestellung, ob es möglich ist, Biere von und geschmacklich auseinander halten zu können. Anhand der folgenden Grafiken, sollte
MehrAccess 2013. Grundlagen für Anwender. Susanne Weber. 1. Ausgabe, 1. Aktualisierung, Juni 2013
Access 2013 Susanne Weber 1. Ausgabe, 1. Aktualisierung, Juni 2013 Grundlagen für Anwender ACC2013 2 Access 2013 - Grundlagen für Anwender 2 Mit Datenbanken arbeiten In diesem Kapitel erfahren Sie was
MehrBedingungen. Bedingungen. Bedingungen
Oftmals ist das Arbeiten mit notwendig. Dabei können sich die auf Formatierungen beziehen, aber auch auf Transformationen. Bedingte Formatierung Datentransformation 24.04.2006 Einführung in Excel 91 24.04.2006
MehrPraktikum Schau Geometrie
Praktikum Schau Geometrie Intuition, Erklärung, Konstruktion Teil 1 Sehen auf intuitive Weise Teil 2 Formale Perspektive mit Aufriss und Grundriss Teil 3 Ein niederländischer Maler zeigt ein unmögliches
Mehr(C)opyright 2009 by Jochen Vajda
(C)opyright 2009 by Jochen Vajda Inhalt Einführung Darstellung des Verzeichnisbaums Statusleiste Überschreibenvon Dateien Ordnereinstellungen Suche Einleitung Der folgende Artikel vergleicht den Windows
Mehr(für Grund- und Leistungskurse Mathematik) 26W55DLQHU0DUWLQ(KUHQE UJ*\PQDVLXP)RUFKKHLP
.RPELQDWRULN (für Grund- und Leistungsurse Mathemati) 6W55DLQHU0DUWLQ(KUHQE UJ*\PQDVLXP)RUFKKHLP Nach dem Studium dieses Sripts sollten folgende Begriffe beannt sein: n-menge, Kreuzprodut, n-tupel Zählprinzip
MehrDAUERHAFTE ÄNDERUNG VON SCHRIFTART, SCHRIFTGRÖßE
DAUERHAFTE ÄNDERUNG VON SCHRIFTART, SCHRIFTGRÖßE UND ZEILENABSTAND Word 2010 und 2007 Jedes neue leere Dokument, das mit Word 2010 erstellt wird, basiert auf einer Dokumentvorlage mit dem Namen Normal.dotx.
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf
MehrDatenvisualisierung 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
MehrFIS: Projektdaten auf den Internetseiten ausgeben
Rechenzentrum FIS: Projektdaten auf den Internetseiten ausgeben Ist ein Forschungsprojekt im Forschungsinformationssystem (FIS) erfasst und für die Veröffentlichung freigegeben, können Sie einige Daten
MehrWir unterscheiden folgende drei Schritte im Design paralleler Algorithmen:
1 Parallele Algorithmen Grundlagen Parallele Algorithmen Grundlagen Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: Dekomposition eines Problems in unabhängige Teilaufgaben.
MehrWindows 7: Neue Funktionen im praktischen Einsatz - Die neue Taskleiste nutzen
Windows 7: Neue Funktionen im praktischen Einsatz - Die neue Taskleiste nutzen Das können wir Ihnen versprechen: An der neuen Taskleiste in Windows 7 werden Sie sehr viel Freude haben. Denn diese sorgt
MehrEINMALEINS BEZIEHUNGSREICH
EINMALEINS BEZIEHUNGSREICH Thema: Übung des kleinen Einmaleins; operative Beziehungen erkunden Stufe: ab 2. Schuljahr Dauer: 2 bis 3 Lektionen Materialien: Kleine Einmaleinstafeln (ohne Farben), Punktefelder
MehrData 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,
MehrIhr Ideen- & Projektmanagement-Tool
Planungsbox 2.9 Ihr Ideen- & Projektmanagement-Tool Planungsbox verknüpft Notizen, Termine, Dateien, email- & Internetadressen, ToDo-Listen und Auswertungen Planungsbox verwaltet ToDo-Listen, Termine und
Mehr