Visual Analytics
Modulnummer: Q06-26
Englischer Titel: Visual Analytics
Leistungspunkte: 6
Lehrperson: Dransch/Sips
Empfohlene Vorkenntnisse
Vorlesung: keine
Übung: Programmierkenntnisse, Kenntnisse in der Anwendung von Standard Machine Learning Methoden (z.B. Random Forest, Neuronale Netze), Kenntnisse in der Anwendung von Standard Machine Learning Bibliotheken
Zwingende Voraussetzungen
keine
Inhalt
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 (XAI) Ansätze vertieft und konkretisiert. Dabei werden die Grundlagen von Random Forest Classifiers eingeführt sowie die benötigten Informationen über die Daten diskutiert. Dazu werden Szenarien und Explainable AI Fragestellungen aus dem Deutschen GeoForschungsZentrum herangezogen und zur Entwicklung einer XAI-Methode benutzt, um die Modellleistung eines Random Forest Classifiers zu bewerten und den Classifier iterativ zu verbessern.
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 gleichzeitige Anrechnung dieses Moduls und des Master-Moduls Q05-10 "Visual Analytics für raum-zeitliche Daten" ist ausgeschlossen.
Erforderliche Arbeitsleistungen für LP-Vergabe und Prüfungszulassung
- schriftlich eingereichte und/oder mündlich vorgetragene Lösungen zu Aufgaben
- aktive Teilnahme
Lehrveranstaltungen
Vorlesung: 2 SWS 3 LP
Übung: 2 SWS 2 LP
MAP: 1 LP
Zugeordneter Vertiefungsschwerpunkt
Algorithmen und Modelle: nein
Modellbasierte Systementwicklung: nein
Daten- und Wissensmanagement: ja
Ohne Vertiefungsschwerpunkt: nein
Sprache im Modul
Deutsch: ja
Englisch: ja
Angeboten für Studiengänge
M. Sc.: ja
M. Ed.: ja
Wirtschaftsmaster: ja
Angeboten im
Wintersemester: ja
Sommersemester: nein
Turnus
Jedes Jahr