Einschreibeschlüssel: inf16as

 

Zusammenfassung

• Ziele und Aufgaben: (S.1)
  • Exploration
    • Suche nach potentiellen Interessantem
    • ungerichtete Suche nach Verwertbarem
      • Oft als DataMining benannt
  • Bestätigende Analyse
    • Benötigt eine vorausgehende Vermutung
  • Prognose
  • Präsentationen
• Zielerreichung durch menschliche Stärken (S.1)
  • Menschen können Dinge, die Computer nicht können
• Geschichte (S.2/3)
  • Bis 1984 drei Meinungen zur Nützlichkeit
    • Tabellen > Graphik
    • Tabellen < Graphik
    • Tabellen = Graphik
    • Grafiken: viele Grafiken haben Vorteile
    • Tabellen: ist interpretationsgenauer
  • Cognitive Fit (1991)
    • Aufgabentypen
      • räumlich: Zusammenhänge/Beziehungen erkennen → Verknüpfungen
      • symbolisch: diskrete Werte ablesen/extrahieren
    • Visualisierunsformen:
      • räumlich/kontinuierlich → typischerweise mit Grafiken (z.B. UML)
      • symbolisch/diskret → typischerweise mir Tabellen, Listen, Texte
    • Wahl der Visualisierungsform abhängig von der gestellten Aufgabe
• Graphische Darstellungen (S.4-33)
  • Überblick
    
  • Wertedarstellung im 2D-Koordinatensystem (S.4-9)
    • Unterschiedliche Schrittweisen
      • Normale (immer gleicher Abstand zwischen Werten)
      • Logarithmus
        • Problem: ist eher ein Vergleichsmaß
      • Prozentuale
        • Wahl des Stichzeitpunkts(Vergleichszeitpunkts) kann den Eindruck beeinflussen
    • Trendlinien: Simlpe Moving Average (SMA) (“gleitender Durchschnitt”) (S.6)
      • Filter gegen Rauschen
      • verringert die in einer Datenreihe vorhandene Variation
      • eher geeignet für diskrete Werte
      • Durchschnitt von N-Vorherigen Werten
      • Anwendung
        • Alarmfunktion (Funktionswert & GD zu große Differenz)
        • Finanzmathematik
    • Trendlinien: Exponential Moving Average (EMA) (S.7)
      • Entspricht genau dem Tiefpass
      • Neue Änderungen stärker berücksichtigt
      • reagiert schnell auf zeitnahe Ereignisse
      • konvergiert gegen 1, wird aber nie 1
    • Trennlinien: MACD (Moving Average Convergence Divergence) (S.8)
      • Differenz eines längerfristigen EMAs und eines mittelfristigen EMAs
      • Wird gegen Signallinie (kurzfristiger EMA) betrachtet
    • Trendfiguren (S.9)
      • Unterstützung
        • 
      • Widerstand
        • 
      • Trendkanal
        • Kombination von Unterstützung & Widerstand
          
  • Mehrdimensionale Darstellungen – 3D Darstellung (S.9-16)
    • Punkte
      • 
    • Flächen
      • 
    • Greyscale-Chart (S.13)
      • Schwärzung einer Fläche ist 3. Dimension
        
      • Vorteil: Große Datenmengen erfassbar, schnell zu lesen (überblicklich)
      • Nachteil: grob, manchmal anstrengend zu lesen
    • Area Chart (S.14)
      • Anteiligkeit (Fläche)  von Teilmengen ist dritte Dimension
      • 
    • 3D-Bar Chart (S.14)
      • Dritte Dimension ist absolut sinnlos!!!
      • (am besten nicht benutzen)
    • Portfolioanalyse: (S.15)
      • Dicke von Kugeln als dritte Dimension
  • Mehrdimensionale Darstellungen – Streumatrix/Scatterplottmatrix (S.17-19)
    • Gesamtsicht eines n-dimensionalen Merkmalraumes
    • nxn-Matrix aus (n²-n) Scatterplots
    • Redundante Informationen an der Diagonalen gespiegelten Plots (Achsenvertrauschung)
    • 
  • Mehrdimensionale Darstellungen – Hybrider Ansatz: 3D-Glyphen (S.20)
    • Kombination aus 3D-Scatterplot und Icon-Technik
    • 5-Dimensionale Werte in 3-dimensionaler Darstellung
    • 
  • Mehrdimensionale Darstellungsmethoden – Netz-Profil-Darstellungen (S.21)
    • Profil-Darstellung
      • Vergleich verschiedener Aspekte, geeignet für sehr sehr viele Dimensionen
        
    • Netzdarstellung
      • Vergleich verschiedener Aspekte, circa bis zu 6 Dimensionen
        
  • Mehrdimensionale Darstellung – Ikonographische Methoden (S.22-27)
    • Idee
      • Icons in ein Koordinatensystem zeichnen
      • Zwei Dimensionen pro Achse
      • zusätzliche, untergeordnete Dimensionen in das Icon codiert
      • V-Icon-Technik
        • 
        • Vorteil Größenvergleich/Nomierung, unkompliziert
      • Open-High-Low-Close-Darstellung (OHLC)
        • 
      • Candlesticks
        • 
        • Tendenz durch Färbung:
          • schwarz (oder Rot) → oben = Beginn, unten = Ende
          • weiß → oben = Ende, unten = Beginn
      • Quartil-Darstellung
        • 
      • Shape Coding
        • Attribute füllen einzelne Pixel, werden zu einem Datensatz/Icon
          
        • Datensätze werden zusammen gefasst, (hier: X = Stunde, Y = Tag)
          
      • Color Icons 
        • Variante 1: Siehe Shape Coding
        • Variante 2; keine globalen Koordinaten, jedoch geordnet
          • 
          • Dadurch Cluster (ähnliche Objekte) erkennbar
          • Rekursiv anwendbar
            • Icons nach Durchschnitt sortieren und selbes Muster erneut anwenden
  • Mehrdimensionale Darstellungsmethoden – Icons für stark explorative Aufgaben (S.27-30)
    • Chernoff-/Semantic Faces
      • 
      • Vorteile
        • Clustererkennung möglich
        • viele Dimensionendarstellbar (durch Augen/Nasen/...)
      • Nachteile
        • MEthode muss erlernt werden
        • keine Diskreten Werte
        • Nur geringe Datenmengen darstellbar
      • Cluster leiten Daten bezüglich X & Y ab
    • Stick Figures
      • Länge und Gliedmaßen (Länge, Winkel) codieren Daten
      • 
      • Vorteil:
        • mehr Daten, bis zu 1000
        • Cluster gut erkennbar
      • Nachteil:
        • Methode muss "erlernt” sein
        • Werte nicht direkt ablesbar
      • Hauptkoordinaten notwendig
      • Bsp.:
        
  • ​​​​​​​​​​​​​​Mehrdimensionale Darstellungsmethoden – Mosaik-Metaphern (S.30-33)
    • ​​​​​​​Unterteilung der Dimensionen in Maiskolben (und nein, ich scherze NICHT)