Universitat Internacional de Catalunya
MÓDULO 6: Técnicas de Visualización de Datos
Otras lenguas de impartición: catalán, inglés
Profesorado
Presentación
La gran cantidad de datos de que disponemos hace imprescindible la visualización para los tres procesos involucrados en cualquier proyecto de Big Data. Antes que nada para conocer las características de los datos con los que contamos, después para analizar los resultados de las transformaciones de estos datos y finalmente para la comunicar eficientemente estos resultados.
En este curso conoceremos los diferentes campos incluidos en la visualización de datos, aprenderemos a elaborar diagramas, gráficas para Big Data, gráficas dinámicas e interactivas, pero sobre todo aprenderemos a evaluar las gráficas y encontrar la más gráfica adecuada para cada necesidad.
Requisitos previos
Es conveniente pero no imprescindible tener nociones de programación.
Objetivos
Construir diagramas estáticos y también gráficas dinámicas e interactivas mediante la gramática de las gráficas.
Elaborar proyectos de visualización de datos.
Evaluar una gráfica y encontrar la gráfica óptima si es que existe.
Ayudarse de la visualización de datos para conocer un problema, proponer la solución, supervisar los resultados y finalmente comunicar esta solución.
Resultados de aprendizaje de la asignatura
Al finalizar el curso el estudiante será capaz de proponer una gráfica para cada necesidad, podrá programar con R el código para obtener las gráficas adecuadas, podrá elaborar proyectos de visualización y sobre todo mejorará el desempeño de todos los procesos de los proyectos de Big Data.
Contenidos
Generación dinámica de documentos
- Los orígenes; Markdown, Pandoc y R Markdown; Implementación en R
Teoría de gráficas
- Los orígenes; Elementos de la gráfica; Tipos de gráficas; Propósito de las gráficas; Caracterización de las variables; Métodos de selección de gráficas
Gramática de las gráficas
- Los orígenes; Capas; Geometrías; Sistemas de coordenadas; Transformaciones; Atributos estéticos; Escalas; Anotaciones; Temas
Gráficas para Big Data mediante técnicas basadas en:
- Transformaciones geométricas; Píxel; Jerarquías; Iconos
Gráficas dinámicas e interactivas
- Los orígenes;Task by Data Type Taxonomy (TTT); Técnicas interactivas; Redes; Realidad virtual y realidad aumentada
Proyectos de visualización de datos
Metodología y actividades formativas
Modalidad totalmente presencial en el aula
Las clases son presenciales siempre y cuando la situación sanitaria lo permita. La primera sesión es fundamentalmente teórica y el resto de sesiones son teórico-prácticas. Los ejercicios realizados en clase se complementaran con la lectura de artículos científicos.
Sistemas y criterios de evaluación
Modalidad totalmente presencial en el aula
El sistema de evaluación constará de tres ejercicios. El primer ejercicio consistirá en la evaluación de gráficas exploratorias, el segundo de gráficas de análisis y el tercero de gráficas de comunicación de datos.
Bibliografía y recursos
Allaire, JJ, Yihui Xie, Jonathan McPherson, Javier Luraschi, Kevin Ushey, Aron Atkins, Hadley Wickham, Joe Cheng, Winston Chang, and Richard Iannone. 2019. Rmarkdown: Dynamic Documents for R. https://rmarkdown.rstudio.com.
Bertin, J. 1967. Sémiologie Graphique. Les Diagrammes, Les Réseaux, Les Cartes. Paris: Mouton.
Friendly, Michael. 2007. “HE Plots for Multivariate General Linear Models.” Journal of Computational and Graphical Statistics 16 (4): 421–44.
Healey, Christopher G. 1996. “Effective Visualization of Large Multidimensional Datasets.”
Millán-Martı́nez, Pere, and Pedro Valero-Mora. 2018. “Automating Statistical Diagrammatic Representations with Data Characterization.” Information Visualization 17 (4): 316–34.
Sarkar, Deepayan. 2008. Lattice: Multivariate Data Visualization with R. New York: Springer. http://lmdvr.r-forge.r-project.org.
Shneiderman, Ben. 1996. “The Eyes Have It: A Task by Data Type Taxonomy for Information Visualizations.” In Proceedings of the 1996 Ieee Symposium on Visual Languages, 336. VL ’96. Washington, DC, USA: IEEE Computer Society.
Swayne, Deborah F., Dianne Cook, and Andreas Buja. 1998. “XGobi: Interactive Dynamic Data Visualization in the X Window System.” Journal of Computational and Graphical Statistics 7: 113–30.
Unwin, Antony, Martin Theus, and Heike Hofmann. 2006. Graphics of Large Datasets: Visualizing a Million (Statistics and Computing). Berlin, Heidelberg: Springer-Verlag.
Wickham, Hadley. 2009. Ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. http://ggplot2.org.
Wilke, C. O. 2019. Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. O’Reilly Media. https://serialmentor.com/dataviz/.
Wilkinson, L. 2005. The Grammar of Graphics. 2nd ed. Statistics and Computing. Springer.
Xie, Y. 2016. Bookdown: Authoring Books and Technical Documents with R Markdown. Chapman & Hall/Crc the R Series. CRC Press. https://bookdown.org/yihui/bookdown/.
Xie, Yihui. 2015. Dynamic Documents with R and Knitr. 2nd ed. Boca Raton, Florida: Chapman; Hall/CRC.