Seminar (S2) Interaktive Visualisierung sehr großer Datenmengen Sommersemester 12

Transkript

1 Seminar (S2) Interaktive Visualisierung sehr großer Datenmengen Sommersemester 12 Prof. Dr. Dieter Fellner, Dr. Jörn Kohlhammer, Dr. Tatiana von Landesberger Jürgen Bernhard, Sebastian Bremm, James Davey, Sebastian Maier, Thorsten May, Tobias Ruppert, Maximilian Scherer

2 Visual Analytics Die Herausforderung Exponentiell wachsende Datenmengen Proteine in der PDB aus durchschnittlich je 8000 Atomen 100 Mio. FedEx Transaktionen pro Tag 150 Mio. VISA Transaktionen pro Tag 300 Mio. Ferngespräche in AT&T s Netzwerk pro Tag 50 Mrd. s weltweit pro Tag 600 Mrd. IP Pakete pro Tag allein im DE- CIX backbone

3 Visual Analytics Die Vision Integration der menschlichen Fähigkeiten in den Analyseprozess ist essenziell für eine Lösung Maschine / System Statistische Analysen Wissenschaftliche Visualisierung Data Mining Semantikbasierte Ansätze Das Beste aus zwei Welten Informationsvisualisierung Cognitive Science Serious Gaming Design Mensch Wahrnehmung Visuelle Intelligenz Entscheidungslehre Kompression & Filterung Graphiken und Rendering Mensch-Maschine- Schnittstelle Erwartungen des Benutzers

4 Visual Analytics ein neuer Ansatz Kombination aus Informationsvisualisierung, Statistik, Data Mining, Business Intelligence und anderen Gebieten Anwendungsgebiete Finanzindustrie Pharmazeutische Industrie Sicherheit Sozialwissenschaften Informationsvisualisierung Wahrnehmungstheorie Interaktivität Benutzerfreundlichkeit Visual Analytics Data Mining Statistik Datenbankmanagement Wissensmanagement

5

6 Organisation des Seminars

7 Ziele Ausarbeitung eines Themas im Bereich Visual Analytics in Gruppen von zwei Studenten. Präsentation der Inhalte in einem gemeinsamen Vortrag Beteiligung an den Diskussionen Schriftliche Ausarbeitung Anwesenheitspflicht bei allen Vorträgen!

8 Semestralleistung Vortrag gehalten Beteiligung an den Diskussionen Folien und schriftliche Ausarbeitung abgegeben Bewertungsgrundlage für benoteten Schein Vortrag Schriftliche Ausarbeitung Beteiligung an den Diskussionen

9 Der Vortrag Ziele Vermittlung der wesentlichen Eckdaten des Themas Inhalte Beschreibung des Themas Contribution/Wissenschaftliche Einordnung (Was ist neu?) Benefit (Was kann man damit machen?) Was könnte man noch verbessern? Dauer ca. 30 Min (15 Minuten pro Person) Danach Diskussion (max. 15 Min) Anonyme Feedbackbögen für die Vortragenden

10 Die Ausarbeitung Schriftliche Ausarbeitung Einführung in das Thema Hintergrund, Fragestellungen Daten Aufgaben Zusammenfassung der bisherigen Lösungen Diskussion von Contribution, Benefit und offene Probleme Umfang 10 Seiten (inklusive Bilder und Literaturverzeichnis) EuroVis Template (LaTeX) EuroVis2012.zip Hinweise zu Plagiarismus:

11 Wichtige Termine Anmeldefrist: Erste Version der Ausarbeitung: Vortragstermine (jeweils 14:25 bis 16:05 Uhr): , , , Finale Abgabe der Ausarbeitung:

12 Anmeldung an Inhalt Name (x2) Matrikelnummer (x2) Fachbereich (x2) adresse (x2) Thema Wunschtermin für den Vortrag Bitte ausschließlich Zweiergruppen! First come, first served! Anmeldefrist:

13 Die Themen

14 (1) Applikationen zur visuell-interaktiven Zeitserienanalyse Jürgen Bernard

15 (1) Applikationen zur visuell-interaktiven Zeitserienanalyse Jürgen Bernard Planning Lines Theme River Midgaard Cluster Calendar View

16 (2) Vergleich von Hierarchien / Bäumen Sebastian Bremm sebastian.bremm@gris.tu-darmstadt.de

17 (2) Vergleich von Hierarchien / Bäumen Aufgabe des Biologen: Berechne die Verwandtschaftsbeziehung von Organismen Problem: Es gibt viele Algorithmen mit jeweils vielen Parametern Viele unterschiedliche Bäume Ziel: Finde Gemeinsamkeiten und Unterschiede

18 (2) Vergleich von Hierarchien / Bäumen Literature: Visualizing Changes of Hierarchical Data using Treemaps Tu Y and Shen H-W; 2007 Interactive visual comparison of multiple trees Bremm, von Landesberger, Heß, Schreck, Weil, Hamacherk; 2011 TreeJuxtaposer: scalable tree comparison using Focus+ Context with guaranteed visibility Munzner, T. and Guimbretière, F. and Tasiran, S. and Zhang, L. and Zhou, Y.; 2003 TOPD/FMTS: a new software to compare phylogenetic trees Puigbo; Garcia-Vallvè; McInerney; 2007

19 (3) Analysis of Malware Data James Davey

20 (3) Analysis of Malware How does a worm take control of a host? What does it do once it has control of a computer s resources? Goal: learn more about malware propagation

21 (3) Analysis of Malware Literature: Visual analysis of malware behavior using treemaps and thread graphs Trinius, P.; Holz, T.; Gobel, J. & Freiling, F. Visual Reverse Engineering of Binary and Data Files Conti, G.; Dean, E.; Sinda, M. & Sangster, B. Visualizing compiled executables for malware analysis Quist, D. & Liebrock, L.

22 (4) Visuelle Unterstützung für optimale Algorithmenparametersetzung Dr. Tatiana von Landesberger

23 (4) Visuelle Unterstützung für optimale Algorithmenparametersetzung Viele Algorithmen brauchen Parameter (e.g., K-Means, etc.) Gutes Ergebnis nur wenn gute Parameter Wie setze ich die richtigen Parameter? Often: Dauert lange und muss nicht zum optimalen Ergebnis führen Visuelle Analyse von Parametern und Outputs hilft schneller und besser optimale Parameter zu finden

24 (4) Visuelle Unterstützung für optimale Algorithmenparametersetzung Ziel des Seminars: Überblick und Bewertung der Verfahren Ausgangsliteratur: Visualization of Parameter Space for Image Analysis Pretorius et al. InfoVis 2011, Uncertainty-Aware Exploration of Continuous Parameter Spaces Using Multivariate Prediction: Berger et al, EuroVis 2011

25 (5) Visual Analysis of Event Logs (6) Visual Analysis Workflow Sebastian Maier

26 (5) Visual Analysis of Event Logs How to find relevant patterns in large event log databases (e.g. Operating System, Server and Applications Logs) What Event(-Group) is behind the visible Error? Visual Analytics, Combining Hierarchy with Time

27 (5) Visual Analysis of Event Logs Literature: LogView: Visualizing Event Log Clusters Makanju, A., Brooks, S., Zincir-Heywood, A. N. and Milios, E. E., in: Privacy, Security and Trust, PST '08. Sixth Annual Conference on, pages , 2008 Multiscale and multivariate visualizations of software evolution Voinea, Lucian and Telea, Alexandru, in: Proceedings of the 2006 ACM symposium on Software visualization, Brighton, United Kingdom, pages , ACM, 2006 Towards a conceptual framework for visual analytics of time and time-oriented data Aigner, Wolfgang, Bertone, Alessio, Miksch, Silvia, Tominski, Christian and Schumann, Heidrun, in: WSC '07: Proceedings of the 39th conference on Winter simulation, Washington D.C., pages , IEEE Press, 2007

28 (6) Visual Analysis Workflow What makes a VA workflow? What features are required? What ideas are available?

29 (6) Visual Analysis Workflow Literature: V. Benzaken, J.-D. Fekete, P.-L. Hémery, W. Khemiri, and I. Manolescu, "EdiFlow: Dataintensive interactive workflows for visual analytics," in Proc. Data Engineering (ICDE), 2011 IEEE 27th International Conference on, 2011, pp S. Ingram, T. Munzner, V. Irvine, M. Tory, S. Bergner, and T. Möller, "DimStiller: Workflows for dimensional analysis and reduction," in Proc. Proceedings of the 5th IEEE Conference on Visual Analytics in Science and Technology (VAST), Florida, USA, 2010 Card, S. K., Mackinlay, J. D., and Shneiderman, B., editors. Readings in Information Visualization: Using Vision to Think. Morgan Kaufmann, San Francisco

30 (7) Visual Opinion Mining Tobias Ruppert

31 (7) Visual Opinion Mining Visual-interactive exploration of opinions extracted from full text Text analysis Sentiment analysis

32 (7) Visual Opinion Mining Literature: Visual Analysis of Conflicting Opinions Chaomei Chen, Fidelia Ibekwe-SanJuan, Eric SanJuan, Chris Weaver Visual Opinion Analysis of Customer Feedback Data Daniela Oelke, Ming Hao, Christian Rohrdantz, Daniel A. Keim, Umeshwar Dayal, Lars- Erik Haug, Halldór Janetzko Diamonds in the Rough: Social Media Visual Analytics for Journalistic Inquiry Nicholas Diakopoulos, Mor Naaman, Funda Kivran-Swaine

33 Die Themen (1) Applikationen zur visuell-interaktiven Zeitserienanalyse (JB) (2) Vergleich von Hierarchien / Bäumen (SB) (3) Analysis of Malware Data (JD) (4) Visuelle Unterstützung für optimale Algorithmenparametersetzung (TvL) (5) Visual Analysis of Event Logs (SM) (6) Visual Analysis Workflow (SM) (7) Visual Opinion Mining (TR)

34 Organisatorisches Anmeldefrist: Themen, Papers, Kontaktdaten: Organisatorische Fragen: Thematische Fragen: Betreuer des jeweiligen Themas.

35 Ende Folie 35