Vizualizacija podataka: Tehnike i alati
- Predavanje 30
- Vježbe 30
- Samostalni rad 60
Naziv predmeta
Vizualizacija podataka: Tehnike i alati
Oznaka predmeta
22-02-528
Semestar
3
ECTS
4
Nastavnici i suradnici
Sadržaj i cilj
Ciljevi ovog modula su omogućiti studentima da:
• Tumače temeljne probleme, koncepte i pristupe u dizajniranju i analizi sustava za vizualizaciju podataka.
• Interpretiraju faze pipeline-a vizualizacije, uključujući modeliranje podataka, mapiranje atributa podataka u grafičke atribute, perceptivne probleme, postojeće paradigme vizualizacije, tehnike i alate i procjenu učinkovitosti vizualizacija za određene podatke, zadatke i tipove korisnika.
• Objasne osnove fiziologije ljudskog vizualnog sustava, obrade percepcije te okvira ljudske spoznaje za vizualizaciju podataka
Studenti uče tehnike vizualizacije, eksplorativnu analizu podataka i prediktivno modeliranje. To je neophodno teorijsko i praktično znanje i vještine za sva poslovna područja koja karakterizira velika količina podataka. Pored tehnike, studenti se upoznaju s raznim alatima za vizualizaciju, alatima za istraživačku analizu podataka i alatima za prediktivno modeliranje.
Važno je za studente da pohađaju ovaj modul kako bi razvili odgovarajuće i relevantne tehnike i alate vizualizacije koji su se razvili u disciplinu, crpeći iz područja kao što su računalna grafika, interakcija čovjek-računalo, perceptivna psihologija i umjetnost. Naglasak modula bit će na izlaganju učenika trenutnim istraživačkim problemima i na prepoznavanju potencijalnih tema istraživanja u vizualizaciji podataka, što se odnosi na velike podatkovne sustave.
Literatura
Obvezna literatura:
1. Algebra University College (2020), Data visualization techniques and tools handbook, Zagreb: Algebra University College
2. Ward, M., Grinstein, G. G., and Keim, D. (2015). Interactive Data Visualization Foundations, Techniques, and Applications, Second Edition (Vol. Second edition). Boca Raton: A K Peters/CRC Press, available at http://search.ebscohost.com/login.aspx?direct=trueandsite=eds-liveanddb=edsebkandAN=1763678, Boca Raton, Florida, United States
Preporučena literatura:
1. Kimball, R., Ross, M., Thornthwaite, W., Mundy, J., Becker, B. (2008) The Data Warehouse Lifecycle Toolkit, 2nd Edition, Hoboken: Wiley
2. Laberge, R. (2011) The Data Warehouse Mentor: Practical Data Warehouse and Business Intelligence Insights, New York: McGraw-Hill Education
Magistar inženjer računarstva / Magistrica inženjerka računarstva (mag. ing. comp.) s naznakom završenog smjera.
- Pogodnosti za prijelaznike s drugih visokih učilišta
- Mogućnosti financiranja
- Odluka o dostupnim izbornim kolegijima na diplomskim studijima ak.god. 2021/2022
- Pogodnosti za prijelaznike s drugih visokih učilišta
Minimalni ishodi učenja
- Prepoznati i objasniti alate za vizualizaciju.
- Objasniti odabir/opcije analitičkih obrazaca i tehnika analitičkih interakcija.
- Opisati postupak povezivanja podataka iz različitih izvora podataka pomoću alata za vizualizaciju.
- Opisati korake u primjeni naprednih metoda pripreme podataka za vizualizaciju.
- Opisati složenu interaktivnu upravljačku ploču.
- Identificirati složene metode strojnog učenja i statističkog modeliranja prema podacima za analizu podataka.
- Utvrditi scenarij koji treba riješiti metodama strojnog učenja i statističkim modeliranjem na temelju poslovnog/znanstvenog problema.
- Objasniti najčešće modele strojnog učenja u analizi podataka.
Željeni ishodi učenja
- Odabrati odgovarajući alat za vizualizaciju za analizu podataka, ovisno o zahtjevima u pogledu podataka.
- Kritički protumačiti izbor analitičkih obrazaca i tehnika analitičkih interakcija.
- Povezati podatke iz različitih izvora podataka pomoću alata za vizualizaciju..
- Primijeniti napredne metode pripreme podataka za vizualizaciju.
- Izraditi složenu interaktivnu upravljačku ploču.
- Primijeniti složene metode strojnog učenja i statističkog modeliranja na podatke za analizu podataka.
- Protumačiti rezultate metoda strojnog učenja i statističkog modeliranja u poslovnom/znanstvenom problemu.
- Procijeniti modele strojnog učenja radi njihove prilagodbe u analizi podataka.