Visual Analytics nutzt interaktive Visualisierung um aus komplexen Daten von Sensornetzen, Simulations- und Machine Learning-Modellen Informationen zu gewinnen. Durch geeignete Visualisierungsmethoden und Interaktionsmechanismen können Daten visuell exploriert und damit Erkenntnisse gewonnen werden.
Die Vorlesung gibt einen Überblick über Visual Analytics Konzepte und Methoden sowie Anforderungen für effektive Visualisierungen. Vorgestellt und diskutiert werden die Zuordnung von Datentypen zu graphischen Darstellungsmitteln, Visualisierungsmethoden für raum-zeitliche und multivariate Daten, Visualisierungen für Machine Learning Modelle (Explainable AI) und Interaktionsmethoden zur visuellen Exploration von Daten und Machine Learning Modellen. Ergänzt wird dies durch nutzerbezogene Aspekte wie Perzeption/Kognition und Aufgaben, die Rahmenbedingung für effektive Visualisierungen sind.
In der Übung werden die Konzepte und Methoden aus der Vorlesung beispielhaft für Explainable AI Ansätze vertieft und konkretisiert. Dazu werden Szenarien und Explainable AI Fragestellungen aus dem Deutschen GeoForschungsZentrum herangezogen.
Lernziel: Die Studierenden lernen Potential und Methoden von Visual Analytics für die Exploration von Daten und Machine Learning Modellen kennen und bewerten. Sie können effektive Visualisierungen erstellen, die die Beziehung von Datentypen und graphischen Darstellungsmitteln sowie nutzerbezogene Aspekte berücksichtigen. Sie entwickeln und implementieren einen Visual Analytics Ansatz für eine vorgegebene Explainable AI Fragestellung.
Die Veranstaltung wurde 1 mal im Vorlesungsverzeichnis WiSe 2024/25 gefunden:
