Visualização de Informação: Processo, Técnicas e … · 7 Visualização de Informação...
Transcript of Visualização de Informação: Processo, Técnicas e … · 7 Visualização de Informação...
�1
Faculdade de Ciências e Tecnologia
Departamento de Matemática e Computação
Bacharelado em Ciência da Computação
Visualização de Informação: Processo, Técnicas e Ferramentas
Prof. Dr. Rogério Eduardo Garcia([email protected])
Roteiro
� Introdução
� Conceitos Básicos– Classificação
– Dados
� Visualização Exploratória– Classificação das Técnicas
� Aplicação e Ferramentas– Origem dos Dados
– Alguns Resultados
� Considerações Finais
20/0
8/20
14R
ogér
io E
duar
do G
arci
a2
�2
Introdução
� Por que visualização?
20/0
8/20
14R
ogér
io E
duar
do G
arci
a3
Introdução
� Mas cuidado...
20/0
8/20
14R
ogér
io E
duar
do G
arci
a4
�3
Visualização
� Visualização Científica
� Visualização de Informação
� Visualização de Software
20/0
8/20
14R
ogér
io E
duar
do G
arci
a5
Contextualização
� Grande volume de dados
� Apoio ao processo de análise e interpretação
� Representações Visuais X Dados Abstratos
20/0
8/20
14R
ogér
io E
duar
do G
arci
a6
�4
Visualização
� Metáforas visuais fazem parte do processocognitivo humano...– Cognição: a aquisição ou o uso de conhecimento
� Definição "Tradicional"– "Construir mentalmente uma representação visual"
(Shorter Oxford English Dictionary)
� Definições "Contemporâneas"– "O uso de representações visuais de dados
interativas e apoiadas por computador, para ampliara cognição“
(Card et al., Readings in Information Visualization)
20/0
8/20
14R
ogér
io E
duar
do G
arci
a7
Visualização
� A visualização torna-se útil na medida queamplia a capacidade humana de executartarefas cognitivas
Rog
ério
Edu
ardo
Gar
cia
20/0
8/20
148
�5
Visualização de Informação
� Apresentação
� Suporte à Decisão
� Análise Confirmatória
� Análise Exploratória
20/0
8/20
14R
ogér
io E
duar
do G
arci
a9
Visualização de Informação
� Apresentação– Ponto de partida: fatos a serem apresentados fixos
a priori
– Processo: escolha de uma forma de apresentaçãoapropriada
– Resultado: visualização de boa qualidade, queapresenta os fatos
20/0
8/20
14R
ogér
io E
duar
do G
arci
a10
�6
Visualização de Informação
� Suporte à Decisão– Ponto de partida: resultados de um processo de
investigação
– Processo: busca (em geral, colaborativa) pormodelos, descrições, conclusões
– Resultado: visualizações capazes de apoiar ainvestigação dos modelos de dados e do espaço dedecisões
20/0
8/20
14R
ogér
io E
duar
do G
arci
a11
Visualização de Informação
� Análise Confirmatória– Ponto de partida: hipóteses sobre os dados
– Processo: verificação das hipóteses (buscadirecionada)
– Resultado: visualizações dos dados que permitem aconfirmação (ou não) das hipóteses
20/0
8/20
14R
ogér
io E
duar
do G
arci
a12
�7
Visualização de Informação
� Análise Exploratória– Ponto de partida: dados brutos, nenhuma hipótese
– Processo: busca interativa, usualmente nãodirecionada, por estruturas, padrões, correlações,tendências, etc.
– Resultado: visualizações dos dados que sugeremhipóteses
20/0
8/20
14R
ogér
io E
duar
do G
arci
a13
Visualização de Informação
� Por que Visualização– Habilidade de expressar muita informação– Percepção de propriedades não antecipadas– Facilita a percepção simultânea de características
dos dados em grande e pequena escala– Apoio a processos de formação de hipóteses– Apoio a tarefas de pré-processamento dos dados– Detecção de problemas, limpeza, seleção, ...
20/0
8/20
14R
ogér
io E
duar
do G
arci
a14
�8
Definição
� “Uso de representações visuais de dados abstratos,
apoiado por computador e interativo para amplificar
a cognição” [CAR99]
20/0
8/20
14R
ogér
io E
duar
do G
arci
a15
O Processo
� Visualização Multidimensional, Visualização Exploratória� Metáforas visuais para ajudar pessoas a explorar dados� Dados: tabelas de registros com múltiplos atributos (numéricos e
categóricos)� Modelos gráficos acoplados a estratégias de interação ⇒
processos dinâmicos de exploração
20/0
8/20
14R
ogér
io E
duar
do G
arci
a16
�9
Os Dados
� Dados Brutos– Formato qualquer... em geral, é necessário transformar esses
dados em um conjunto organizado de relações, para facilitar oprocesso de mapeamento em estruturas visuais
� Tabelas de Dados– Conjunto de registros (itens de dados, ou instâncias) com
múltiplos atributos (dimensões, variáveis)– metadados: informação descritiva sobre as instâncias
20/0
8/20
14R
ogér
io E
duar
do G
arci
a17
Os Dados
� Dimensionalidade dos dados– O número de atributos (dimensões), dos itens de dados...– Diferente da dimensionalidade espacial de uma estrutura
visual!
� Tabelas de dados:– Instâncias independentes (flat data), em geral...
– Cada instância representa uma única relação
– Se o problema em estudo envolve relacionamentos entreinstâncias, elas não são independentes...
– Relações entre instâncias tipicamente são descritas porestruturas como hierarquias (árvores) e redes
20/0
8/20
14R
ogér
io E
duar
do G
arci
a18
�10
Os Dados
� Relações hierárquicas podem ser reorganizadas emum conjunto de instâncias "independentes" de forma aobter um "flat file"
� nesse caso, um ou mais atributos registra(m) o(s)relacionamento(s) de interesse entre os itens de dados
– "denormalization’"
� Ou podem ser descritas por arquivos estruturados evisualizadas por técnicas específicas para dadoshierárquicos
20/0
8/20
14R
ogér
io E
duar
do G
arci
a19
AnaJoão
Maria Marcelo Luísa
FlávioJúlia
Ian Fábio Bruno
Lia Nicolau
Pessoa1 Pai-P1 Mãe-P1 Pessoa2 Pai-P2 Mãe-P2 Irmão-de
Maria João Ana Marcelo João Ana Sim
Marcelo João Ana Luísa João Ana Sim
Luísa João Ana Maria João Ana Sim
Ian Júlia Flávio Fábio Júlia Flávio Sim
Fábio Júlia Flávio Bruno Júlia Flávio Sim
Bruno Júlia Flávio Ian Júlia Flávio Sim
Lia Luísa Ian Nicolau Luísa Ian Sim
20/0
8/20
14R
ogér
io E
duar
do G
arci
a20
�11
Tipo de Dados
� Tipo Nominal (discreto, enumerado)– Categórico: conjunto de valores distintos, sem
relação de ordem– Exemplos: "verde", "vermelho", "azul”
"GM", "Fiat", "Volksvagen", "Ford"
– Ordinal: conjunto de valores distintos, com relaçãode ordem
– Exemplos: "segunda", "terça", "quarta", ..."básico", "intermediário", "avançado"
20/0
8/20
14R
ogér
io E
duar
do G
arci
a21
Tipo de Dados
� Tipo Quantitativo (numérico, contínuo)– Intervalo: valores ordenados, medidos em
unidades fixas e iguais.– Exemplo: anos
– Razão: valores ordenados em uma escala demedidas na qual é definido inerentemente um valorde referência zero.
– Exemplo: distâncias
– Sub-tipos: datas, horas, coordenadas espaciais
20/0
8/20
14R
ogér
io E
duar
do G
arci
a22
�12
Dados
20/0
8/20
14R
ogér
io E
duar
do G
arci
a23
FREITAS, C. M. D. S.; CHUBACHI, O. M.; LUZZARDI, P. R. G. ; CAVA, R. A. Introdução à Visualização de Informações. RITA, v. VII, n.2, 2001
Formato
� Em Mineração de Dados, existem algunsformatos padrão– ARFF, C5.0
� Em visualização– Tipicamente, arquivos texto com um registro por
linha, atributos separados por vírgula (.csv), <tab>,espaços, ...
– Ou suporte a gerenciadores de bases de dadosexternos
20/0
8/20
14R
ogér
io E
duar
do G
arci
a24
�13
Visualização Exploratória
� Uso de técnicas de visualização de informaçãocomo apoio a processos de extração deinformação;
� Usam a habilidade humana de detectarpadrões mesmo em cenas complexas,relacionando atributos visuais.
20/0
8/20
14R
ogér
io E
duar
do G
arci
a25
Técnicas de Exploração Visual
� Orientadas a Pixel
� Projeção Geométrica
� Iconográficas
� Hierárquicas
20/0
8/20
14R
ogér
io E
duar
do G
arci
a26
�14
Fonte: (1) - (Adaptado de) Daniel A. Keim & Hans-Peter Kriegel, 1996
Orientadas a Pixel
� Cor = Valor
� Subjanela = atributo (dimensão)
� Questões de Projeto– Mapeamento da cor do pixel
– Arranjo dos pixels dentrode uma subjanela
– Formato das subjanelas
– Ordenação das subjanelas
20/0
8/20
14R
ogér
io E
duar
do G
arci
a27
Orientadas a Pixel
� Arranjo dos Pixels– Depende dos dados e da tarefa na visualização– Manter proximidade entre pixels (itens)
relacionados (temporal e resultado de consulta: 2tipos de problemas)
– Bom arranjo facilita a descoberta de agrupamentose correlações entre os atributos
20/0
8/20
14R
ogér
io E
duar
do G
arci
a28
�15
Orientadas a Pixel
� Arranjo dos Pixels– Dependente ou não de consulta
� Apresentar os itens mais relevantes no centro
� Valor do pixel: distância entre o item e o resultado deconsulta (depende do tipo de dado e aplicação)
� Distância individual e global
20/0
8/20
14R
ogér
io E
duar
do G
arci
a29
Orientadas a Pixel
20/0
8/20
14R
ogér
io E
duar
do G
arci
a30
�16
Orientada a Pixel
Visualização por pixels de um conjunto de dados aleatório em que cada
item tem 9 atributos, usando dois arranjos distintos para a disposição dos
itens (espiral, à esquerda, e por eixos, à direita). Fonte: [Kei97].
20/0
8/20
14R
ogér
io E
duar
do G
arci
a31
Orientadas a Pixel
� Formato das Subjanelas– Facilitar a percepção de relacionamentos entre
atributos pela proximidade dos itens nas subjanelascorrespondentes (em retangular, a distância égrande)
– Retangular aproveita bem o espaço da tela
20/0
8/20
14R
ogér
io E
duar
do G
arci
a32
�17
Arranjo Organização
Orientadas a Pixel
� Formato das Subjanelas– Círculos Segmentados
20/0
8/20
14R
ogér
io E
duar
do G
arci
a33
Exemplo
Orientadas a Pixel
� Formato das Subjanelas– Círculos Segmentados
20/0
8/20
14R
ogér
io E
duar
do G
arci
a34
�18
Orientadas a Pixel
20/0
8/20
14R
ogér
io E
duar
do G
arci
a35
Projeção Geométrica
� Coordenadas Paralelas– Inselberg (1985) – geometria computacional
– Espaço n-dimensional – Display de 2 dimensões
– n-eixos igualmente espaçados, paralelos a um dos eixos dodisplay
– Eixos linearmente escalados, do menor ao maior valor,com a faixa de valores de dados
– Item de dados representados por linhas poligonais queintersectam cada um dos eixos
20/0
8/20
14R
ogér
io E
duar
do G
arci
a36
�19
Projeção Geométrica
20/0
8/20
14R
ogér
io E
duar
do G
arci
a37
Projeção Geométrica
Visualização por Coordenadas Paralelas de sete atributos dos itens de um conjunto
de dados com aproximadamente 5.800 itens. Cada eixo é rotulado com os menores
e os maiores valores de dados e o nome do atributo correspondente.
20/0
8/20
14R
ogér
io E
duar
do G
arci
a38
�20
Projeção Geométrica
20/0
8/20
14R
ogér
io E
duar
do G
arci
a39
Projeção Geométrica
� RadViz (Hoffman 1997)– Normalização
– Valores maiores atraem os pontos
– Diferentes configurações dos eixos produzemdiferentes projeções (outras técnicas)
– Dados com proporção relativa (eleição)
20/0
8/20
14R
ogér
io E
duar
do G
arci
a40
�21
Projeção Geométrica
20/0
8/20
14R
ogér
io E
duar
do G
arci
a41
Projeção Geométrica
� Matriz de Scatterplots– Correlação
– Limitação da quantidade de dados
20/0
8/20
14R
ogér
io E
duar
do G
arci
a42
�22
Técnicas Iconográficas
� Duas dimensões dos dados são mapeadas para as duasdimensões da tela, e as demais dimensões são mapeadas parapropriedades visuais de um ícone
– Percepção de textura aponta certas características nos dados
– 2 dimensões da tela
– Ícone formado por outras dimensões (ângulos oucomprimento)
– Poucas dimensões
20/0
8/20
14R
ogér
io E
duar
do G
arci
a43
Técnicas Iconográficas
20/0
8/20
14R
ogér
io E
duar
do G
arci
a44
�23
Técnica Hierárquica
Operam subdividindo um espaço k-dimensional e exibindo subespaços de forma
hierárquica. Exemplos representativos dessa estratégia no contexto de visualização
de informação são as técnicas denominadas n-Vision
20/0
8/20
14R
ogér
io E
duar
do G
arci
a45
Técnica Hierárquica
20/0
8/20
14R
ogér
io E
duar
do G
arci
a46
�24
Técnicas Baseadas em Grafos
20/0
8/20
14R
ogér
io E
duar
do G
arci
a47
Múltiplas Projeções
20/0
8/20
14R
ogér
io E
duar
do G
arci
a48
�25
Múltiplas Visões Coordenadas
20/0
8/20
14R
ogér
io E
duar
do G
arci
a49
Snap – modelo conceitual
20/0
8/20
14R
ogér
io E
duar
do G
arci
a50
�26
Snap – modelo de dados
20/0
8/20
14R
ogér
io E
duar
do G
arci
a51
Snap – arquitetura
20/0
8/20
14R
ogér
io E
duar
do G
arci
a52
�27
Arquitetura - Pattison e Phillips
20/0
8/20
14R
ogér
io E
duar
do G
arci
a53
Coordenação Boukhelifa e Rodgers
20/0
8/20
14R
ogér
io E
duar
do G
arci
a54
�28
KDD e Mineração de Dados
� Descoberta de conhecimento novo epotencialmente útil;
� A Mineração é uma das etapas do processo deKDD [Fay96];
� A participação do ser humano no processo demineração é de extrema importância [Kei96];
20/0
8/20
14R
ogér
io E
duar
do G
arci
a55
Principais Etapas do KDD
20/0
8/20
14R
ogér
io E
duar
do G
arci
a56
�29
Técnicas de Mineração
� Regras de Associação;
� Generalização, Sumário e Caracterização deDados;
� Classificação de Dados;
� Agrupamento de Dados (Clustering).
20/0
8/20
14R
ogér
io E
duar
do G
arci
a57
Visual Data Mining
� "Mineração Visual de Dados (VDM) é umpasso no processo de extração deconhecimento (KDD) que utiliza a visualizaçãocomo um canal de comunicação entrecomputador e usuário para apoiar aidentificação de padrões novos einterpretáveis"– Posicionamento nas duas últimas fases do
processo: mineração de dados e avaliação– Identifica três categorias de VDM
20/0
8/20
14R
ogér
io E
duar
do G
arci
a58
�30
Visual Data Mining
� Visualização dos dados– Usuário tem total controle sobre a busca no espaço de busca– Focalizar/delimitar espaço de busca
� Visualização dos resultados de uma mineração– Para apoiar a interpretação dos modelos extraídos
� Visualização dos resultados intermediários de umamineração
– Direcionar a busca– Fornecer conhecimento sobre o domínio, por exemplo, para
adaptar um núcleo genérico (para diferentes aplicações) coma intervenção do usuário
20/0
8/20
14R
ogér
io E
duar
do G
arci
a59
Visual Data Mining
Visualização Anterior
Visualização Posterior
Visualização FortementeIntegrada
20/0
8/20
14R
ogér
io E
duar
do G
arci
a60
�31
Visual Data Mining
� Fracamente acoplada– Visualização "intercalada" com estratégias analíticas de
mineração– Apoiar pré-processamento, interpretação de resultados,...– Abordagem limitada: reforça limitações de uma e de outra...
� Fortemente acoplada– Visualização "integrada" em estratégias analíticas de
mineração– Dar ao usuário maior controle e entendimento sobre o
processo analítico, apoiando a tomada de decisõesnecessárias
– Criação de representações visuais do espaço de busca
20/0
8/20
14R
ogér
io E
duar
do G
arci
a61
Visual Data Mining
� Integra Mineração de Dados com técnicasinterativas de Visualização;
� Explora a capacidade humana de identificarpadrões por meio visual;
� Pode apoiar diversas etapas do processo deKDD;
� Apoiado por ferramentas.
20/0
8/20
14R
ogér
io E
duar
do G
arci
a62
�32
Ferramentas de Apoio ao VDM
� Mine Set;
� SeeIT;
� XGobi e Ggobi
� XmdvTool
� OpenDX
� SpotFire.
20/0
8/20
14R
ogér
io E
duar
do G
arci
a63
SpotFire
20/0
8/20
14R
ogér
io E
duar
do G
arci
a64
�33
Exemplo
20/0
8/20
14R
ogér
io E
duar
do G
arci
a65
Exemplo
20/0
8/20
14R
ogér
io E
duar
do G
arci
a66
�34
Exemplo
20/0
8/20
14R
ogér
io E
duar
do G
arci
a67
Exemplo
20/0
8/20
14R
ogér
io E
duar
do G
arci
a68
�35
XmdvTool
20/0
8/20
14R
ogér
io E
duar
do G
arci
a69
Exemplo
20/0
8/20
14R
ogér
io E
duar
do G
arci
a70
�36
Exemplo
20/0
8/20
14R
ogér
io E
duar
do G
arci
a71
Exemplo
20/0
8/20
14R
ogér
io E
duar
do G
arci
a72
�37
Padrão OKC
20/0
8/20
14R
ogér
io E
duar
do G
arci
a73
7 392
MPG
Cylinders(2,10)
Horsepower
Weight
Acceleration
Year(70,90)
Origin(1,3,'USA','Japan','Europe')
8. 50. 4
2.8 8.2 4
40. 250. 4
1500. 5500. 4
5. 30. 4
69.5 82.5 4
.8 3.2 3
18.000000 8.000000 130.000000 3504.000000 12.000000 70.000000 1.000000
15.000000 8.000000 165.000000 3693.000000 11.500000 70.000000 1.000000
18.000000 8.000000 150.000000 3436.000000 11.000000 70.000000 1.000000
16.000000 8.000000 150.000000 3433.000000 12.000000 70.000000 1.000000
17.000000 8.000000 140.000000 3449.000000 10.500000 70.000000 1.000000
15.000000 8.000000 198.000000 4341.000000 10.000000 70.000000 1.000000
14.000000 8.000000 220.000000 4354.000000 9.000000 70.000000 1.000000
14.000000 8.000000 215.000000 4312.000000 8.500000 70.000000 1.000000
14.000000 8.000000 225.000000 4425.000000 10.000000 70.000000 1.000000
15.000000 8.000000 190.000000 3850.000000 8.500000 70.000000 1.000000
15.000000 8.000000 170.000000 3563.000000 10.000000 70.000000 1.000000
Mineração em Texto usando CMV
20/0
8/20
14R
ogér
io E
duar
do G
arci
a74
�38
Visualização de Software
20/0
8/20
14R
ogér
io E
duar
do G
arci
a75
SoftVisOAH
20/0
8/20
14R
ogér
io E
duar
do G
arci
a76
�39
SoftVisOAH
20/0
8/20
14R
ogér
io E
duar
do G
arci
a77
SoftVisOAH
20/0
8/20
14R
ogér
io E
duar
do G
arci
a78
�40
SoftVisOAH
20/0
8/20
14R
ogér
io E
duar
do G
arci
a79
SoftVis4AspectMining
20/0
8/20
14R
ogér
io E
duar
do G
arci
a80
�41
SoftVis4AspectMining
20/0
8/20
14R
ogér
io E
duar
do G
arci
a81
SoftVis4AspectMining
20/0
8/20
14R
ogér
io E
duar
do G
arci
a82
�42
SoftVis4AspectMining
20/0
8/20
14R
ogér
io E
duar
do G
arci
a83
SoftVis4AspectMining
20/0
8/20
14R
ogér
io E
duar
do G
arci
a84
�43
SoftVis4AspectMining
20/0
8/20
14R
ogér
io E
duar
do G
arci
a85
SoftVis4AspectMining
20/0
8/20
14R
ogér
io E
duar
do G
arci
a86
�44
SoftVis4AspectMining
20/0
8/20
14R
ogér
io E
duar
do G
arci
a87
Considerações Finais
� Abordagem alternativa
� Baseada no usuário– Interação é importante
� Problemas:– Escalabilidade
– Oclusão de representação visual
– Tratamento de dados
– Adequação da técnica à exploração
� Oportunidade de desenvolvimento
20/0
8/20
14R
ogér
io E
duar
do G
arci
a88
�45
UFA!!!
20/0
8/20
14R
ogér
io E
duar
do G
arci
a89
� Obrigado pela atenção!
Bibliografia
� ANKERST, M.; BERCHTOLD, S.; KEIM, D. A. Similarity clustering of dimensions for an enhanced visualizationof multidimensional data. In: INFOVIS ’98: Proceedings of the IEEE Symposium on Information Visualization,Washington, DC, USA: IEEE Computer Society, 1998, p. 52–60.
� CARD, S. K.; MACKINLAY, J.; SHNEIDERMAN, B. Readings in information visualization: Using vision to think.San Francisco, CA: Morgan Kaufmann Publishers, 1999.
� D’ARCE, A. F.; GARCIA, R. E.; CORREIA, R. C. M.; ELER, D. M. Coordination Model to Support Visualizationof Aspect-Oriented Programs. In: Proceedings of the 24th International Conference on Software Engineeringand Knowledge Engineering (SEKE ’12), 2012, p. 168–173. DELFIM, F. M. ; GARCIA, R. E. . MultipleCoordinated Views to Support Aspect Mining Using Program Slicing. In: International Conference on SoftwareEngineering and Knowledge Engineering, 2013, Boston. Proceedings of the 25th International Conference onSoftware Engineering and Knowledge Engineering. Skokie, Illinois, USA: Knowledge Systems Institute, 2013.v. 1. p. 531-536.
� DELFIM, F. M. ; GARCIA, R. E. . Uma Proposta de Múltiplas Visões Coordenadas para Apoiar Análise deImpacto de Mudança. In: Workshop de Manutenção de Software Moderna - - Simpósio Brasileiro de Qualidadede de Software, 2013, Salvador-BA. Proc. X Workshop de Manutenção de Software Moderna, 2013.
� DOSHI, P. R.; RUNDENSTEINER, E. A.; WARD, M. O. Prefetching for visual data exploration. In: DatabaseSystems for Advanced Applications (DASFAA), 2003.
� ELER, D. M.; PRATES, J. M.; GARCIA, R. E.; MINGHIM, R. Coordinated Multiple Views to Support ImageRetrieval. In: 18th International Conference Information Visualisation, University of Paris Descartes, Paris,France, 2014.
20/0
8/20
14R
ogér
io E
duar
do G
arci
a90
�46
Bibliografia
� FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. Advances in knowledge discovery and data mining,cáp. From data mining to knowledge discovery: An overview Menlo Park (CA): AAAI/MIT Press, p. 1–34,1996a.
� FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. Knowledge discovery and data mining: Towards aunifying framework. In: Knowledge Discovery and Data Mining, 1996c, p. 82–88.
� FUA, Y.-H.; WARD, M. O.; RUNDENSTEINER, E. A. Structure-based brushes: A mechanism for navigatinghierarchically organized data and information spaces. In: IEEE Trans. On Visualization and ComputerGraphics, 2000, p. 150–159.
� GARCIA, R. E.; DE OLIVEIRA, M. C. F.; MALDONADO, J. C.; MENDONÇA, M. Visual analysis of data fromempirical studies. In: Proceedings of the 2004 International Conference of Distributed Multimedia Systems –International Workshop on Visual Languages and Computing, San Francisco: Knowledge Systems Institute –Visual Computing Lab, UT-Dallas, 2004.
� INSELBERG, A.; DIMSDALE, B. Parallel coordinates: A tool for visualizing multidimensional geometry. In:Proceedings of IEEE Visualization ’90, Los Alamitos-CA: IEEE Computer Society Press, 1990, p. 360–375.
� KEIM, D. A. Pixel-oriented visualization techniques for exploring very large databases. Jounal of Computationaland Graphical Statistics, v. 5, n. 1, p. 58–77, 1996.
� KEIM, D. A. Visual database exploration techniques. In: Proc. Tutorial KDD’97 Int. Conf. on KnowledgeDiscovery and Data Mining, Newport Beach, CA, 1997.
� KEIM, D. A. Designing pixel-oriented visualization techniques: Theory and applications. IEEE Transactions onVisualization and Computer Graphics, v. 6, n. 5, p. 59–78, 2000.
20/0
8/20
14R
ogér
io E
duar
do G
arci
a91
Bibliografia
� KEIM, D. A. Information visualization and visual data mining. IEEE Transactions on Visualization AndComputers Graphics, v. 7, n. 1, p. 100–107, 2002.
� KEIM, D. A.; KRIEGEL, H.-P. Visualization techniques for mining large databases: A comparison. IEEETransactions on Knowledge and Data Engineering, v. 8, n. 6, p. 923–938, 1996.
� NORTH, C.; SHNEIDERMAN, B. Snap-together visualization: can users construct and operate coordinatedvisualizations? International Journal of Human-Computer Studies, v. 53, n. 5, 2000.
� DE OLIVEIRA, M. C. F.; LEVKOWITZ, H. Visual data exploration and mining: A survey. IEEE Transactions onVisualization and Computer Graphics, v. 9, n. 3, p. 378–394, 2003.
� PRATES, J. M.; SCATALON, L. P.; GARCIA, R. E.; ELER, D. M. Coordinating multiple views using anontology-based semantic mapping. In: 17th International Conference Information Visualisation, University ofLondon, London, UK: IEEE Computer Society, 2013, p. 192-197.
� PRATES, J. M.; SCATALON, L. P.; GARCIA, R. E.; ELER, D. M. Ontologies to coordinate multiple views:exploring document collections. In: 16th International Conference on Artificial Intelligence, Las Vegas, USA,2014.
� SHNEIDERMAN, B. Tree visualization with treemaps: A 2d space-filling approach. ACM Trans. Graphics, v.11, n. 1, p. 92–99, 1992. WARE, C. Information visualization: Perception for design. Second edition ed.Morgan Kaufmann Publishers, 2000.
� WEGMAN, E. J. Hyperdimensional data analysis using parallel coordinates. Journal of American StatisticalAssociation, v. 85, n. 411, 1990.
20/0
8/20
14R
ogér
io E
duar
do G
arci
a92