Visualización de Datos

Usted está aquí

Créditos
6
Tipos
  • MEI: Optativa
  • MDS: Optativa
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
CS
El objetivo de la asignatura es dar a conocer los principios básicos de la visualización de datos, tanto desde un punto de vista más teórico como desde un punto de vista práctico. Al finalizar la asignatura, el estudiante debería ser capaz de realizar una limpieza de datos, un diseño visual y una implementación utilizando las técnicas más conocidas de visualización de datos.

Profesorado

Responsable

  • Pere Pau Vázquez Alcocer ( )

Otros

  • Imanol Muñoz Pandiella ( )
  • Marta Fairen Gonzalez ( )
  • Oscar Argudo Medrano ( )

Horas semanales

Teoría
1.5
Problemas
0.5
Laboratorio
2
Aprendizaje dirigido
0.082
Aprendizaje autónomo
8.418

Competencias

Competencias Transversales

Uso solvente de los recursos de información

  • CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

Básicas

  • CB7 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  • CB8 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB9 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Competencias Técnicas Genéricas

Genéricas

  • CG2 - Identificar y aplicar métodos de análisis, extracción de conocimiento y visualización de datos recogidos en formatos muy diversos.

Competencias Técnicas

Específicas

  • CE5 - Modelar, diseñar e implementar sistemas complejos de datos, incluyendo la visualización de datos
  • CE11 - Analizar y extraer conocimiento de información no estructurada mediante técnicas de procesamiento de lenguaje natural, minería de textos e imágenes

Objetivos

  1. Introducción a la Visualización
    Competencias relacionadas: CT4, CG2, CE5, CE11, CB7, CB8, CB9,
    Subcompetences:
    • Objetivos de los sistemas de visualización
    • Conceptos básicos
    • Historia de la visualización
    • Datos, tareas y usuarios
  2. Percepción
    Competencias relacionadas: CE5, CE11, CB8, CB9,
    Subcompetences:
    • Conceptos básicos
    • Variables preatentivas
    • Ránquing de variables visuales
    • Aplicación de la percepción en visualización
  3. Técnicas básicas de visualización de datos
    Competencias relacionadas: CT4, CE5, CE11, CB8,
    Subcompetences:
    • Cantidades
    • Proporciones
    • Distributions
    • Relaciones
    • Otras técnicas
  4. Técnicas avanzadas de visualización
    Competencias relacionadas: CT4, CG2, CE5, CE11, CB7, CB8, CB9,
  5. Visualización geoespacial
    Competencias relacionadas: CT4, CG2, CE5, CE11, CB7, CB8,
  6. Implementación de sistemas de visualización de datos
    Competencias relacionadas: CT4, CG2, CE5, CE11, CB9,
    Subcompetences:
    • Análisis exploratorio de datos
    • Visualizaciones explicativas
  7. Visualización de árboles y grafos
    Competencias relacionadas: CT4, CG2, CE5, CE11, CB7, CB8, CB9,
  8. Visualización de datos temporales
    Competencias relacionadas: CT4, CG2, CE5, CE11, CB9,
  9. Visualización de datos textuales
    Competencias relacionadas: CT4, CG2, CE5, CE11, CB7, CB8, CB9,
  10. Mútliples vistas
    Competencias relacionadas: CT4, CG2, CE5, CE11, CB8,
    Subcompetences:
    • Múltiples vistas
    • Vistas coordinadas
    • Interacción
  11. Conceptos avanzados de visualización
    Competencias relacionadas: CT4, CG2, CE5, CE11, CB8, CB9,

Contenidos

  1. Introducción a la visualización.
    En este apartado se introducirán los conceptos más importantes de visualización, se describirán algunas malas prácticas. También se hablará de la historia de la visualización.
  2. Representaciones visuales de los datos
    En este tema se mostrarán las técnicas más básicas de visualización de datos y también se presentarán algunas técnicas más avanzadas para visualizar datos complejos, como visualización de múltiples variables o visualización geoespacial.
  3. Percepción
    Se explicará el funcionamiento elemental del sistema de percepción visual. También se describirán algunos conceptos importantes como las variables preatentivas, la importancia del color y los principios de percepción más importantes. También se describirá qué variables visuales se perciben con mayor cuidado que otras.
  4. Diseño de múltiples vistas
    Para representar información altamente compleja, es muy común necesitar múltiples variables y vistas. En este apartado se hablará de cómo diseñar sistemas complejos utilizando múltiples vistas: qué formas deben organizar las vistas, separar los datos, y cómo crear interacciones conectadas.
  5. Implementación de aplicaciones de visualización de datos
    Existen muchas herramientas y tecnologías desarrolladas que permiten la programación de sistemas de visualización de datos. Hay herramientas que no requieren ningún tipo de programación como Tableau, Vega, Lyra o que faciliten más control sobre el resultado utilizando lenguajes de programación y librerías como altair por Python, matplotlib por R, o D3 por JavaScript. El objetivo de este tema es que los alumnos sean capaces de evaluar las necesidades que pide un proyecto para poder escoger la herramienta correcta. Además, también será fundamental que los alumnos aprendan a realizar aplicaciones interactivas de visualización de datos utilizando una librería moderna, como altair o Vega.
  6. Visualización de datos especializados
    En este apartado se tratarán datos que poseen una naturaleza específica, como los datos geoespaciales, datos temporales, datos textuales, etc.
  7. Conceptos avanzados
    En esta sección se tratarán temas avanzados que se están desarrollando, que pueden incluir conceptos como la problemática de la visualización de datos científicos, la reducción de dimensionalidad, etc.

Actividades

Actividad Acto evaluativo


Introducción a la visualización y los sistemas de visualización de datos

Desarrollo del tema: Introducción a la visualización
  • Teoría: Definición de visualización. Importancia e impacto. Introducción a los sistemas de visualización.
  • Problemas: Ejemplos de buenas y malas prácticas.
Objetivos: 1
Contenidos:
Teoría
3h
Problemas
1h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Representaciones visuales de datos

Desarrollo del tema: Representaciones visuales de datos. Técnicas básicas de visualización. Técnicas avanzadas de visualización.
  • Laboratorio: Diseño de visualizaciones efectivas. Limpieza de datos. Implementación de visualizaciones básicas de datos.
  • Aprendizaje dirigido: Ejercicios prácticos de visualización de conjuntos sencillos de datos.
  • Aprendizaje autónomo: Ejercicios de limpieza de datos. Ejercicios prácticos de visualización de conjuntos sencillos de datos.
Objetivos: 3 4
Contenidos:
Teoría
3h
Problemas
1h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Percepción

Desarrollo del tema: percepción y color. Ranking de variables visuales. Conceptos de percepción: variables preatentivas. Principios de percepción. Marcas y canales. Uso del color y paletas de colores.
  • Teoría: Percepción y color. Ranking de variables visuales. Conceptos de percepción: Variables preatentivas. Principios de percepción. Marcas y canales. Uso del color y paletas de colores.
  • Problemas: Percepción y color. Ranking de variables visuales. Conceptos de percepción: Variables preatentivas. Principios de percepción. Marcas y canales. Uso del color y paletas de colores.
Objetivos: 2
Contenidos:
Teoría
3h
Problemas
1h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Técnicas para la visualización de datos especializados

En este apartado se tratarán los tipos de datos específicos: datos geoespaciales, de texto, etc., que son particulares por cuanto están representados los datos y por las técnicas necesarias para su visualización.
Objetivos: 5 9 8 7
Contenidos:
Teoría
6h
Problemas
2h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
4h

Diseño de múltiples vistas

Desarrollo del tema: Diseño de múltiples vistas. Organización de múltiples vistas. Vistas coordinadas. Interacción. Análisis exploratorio de datos.
  • Teoría: Diseño de múltiples vistas. Organización de múltiples vistas. Vistas coordinadas. Interacción. Análisis exploratorio de datos.
  • Problemas: Diseño de múltiples vistas. Organización de múltiples vistas. Vistas coordinadas. Interacción. Análisis exploratorio de datos.
  • Laboratorio: Implementación de sistemas de múltiples vistas coordinadas. Implementación de interacción cruzada.
  • Aprendizaje dirigido: Implementación de sistemas de múltiples vistas coordinadas. Implementación de interacción cruzada.
  • Aprendizaje autónomo: Implementación de sistemas de múltiples vistas coordinadas. Implementación de interacción cruzada.
Objetivos: 10
Contenidos:
Teoría
1.5h
Problemas
0.5h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Conceptos avanzados de visualización

En este apartado se introducirán conceptos avanzados como algoritmos de reducción de dimensionalidad, visualización de datos científicos, etc.
  • Teoría: En este apartado se introducirán conceptos avanzados como algoritmos de reducción de dimensionalidad, visualización de datos científicos, etc.
Objetivos: 11
Contenidos:
Teoría
1.5h
Problemas
0.5h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Implementación de aplicaciones de visualización de datos.

Aprendizaje de una herramienta o librería de visualización de datos. Proyecto de visualización de datos.
  • Laboratorio: Aprendizaje de una herramienta o librería de visualización de datos. Proyecto de visualización de datos.
  • Aprendizaje dirigido: Aprendizaje de una herramienta o librería de visualización de datos. Desarrollo de un proyecto de visualización de datos.
  • Aprendizaje autónomo: Aprendizaje de una herramienta o librería de visualización de datos. Desarrollo de un proyecto de visualización de datos.
Objetivos: 2 1 3 10 6 5 8 4
Contenidos:
Teoría
0h
Problemas
0h
Laboratorio
18h
Aprendizaje dirigido
1h
Aprendizaje autónomo
53h

Entrega Lab1

Entrega de la primera parte del proyecto: Visualización estática
Objetivos: 2 1 3 6 5
Semana: 6 (Fuera de horario lectivo)
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Entrega Lab2

Entrega de la segunda parte del proyecto: Lab2
Objetivos: 2 1 3 10 6 5 9 8 7 4
Semana: 14 (Fuera de horario lectivo)
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Examen final

Se realizará una prueba final para demostrar los conocimientos adquiridos en la asignatura.
Objetivos: 2 1 3 10 6 5 9 8 7 4 11
Semana: 15 (Fuera de horario lectivo)
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
8h

Metodología docente

La asignatura se impartirá con contenidos teóricos y problemas que se irán planteando durante el desarrollo de las clases teóricas y contenidos más técnicos impartidos en las clases de laboratorios. En los laboratorios se empezará por la resolución de ejercicios sencillos de visualización y enseguida se pasará a desarrollar un proyecto en dos etapas. En una primera etapa, se realizará una visualización de múltiples vistas estática y en una segunda, se añadirá interacción y elementos de visualización más complejos.

Método de evaluación

La asignatura se evaluará con un proyecto que tendrá dos entregas y un examen final (ExFinal). La primera entrega será una visualización estática (Lab1) y la segunda será una visualización interactiva (Lab2). La nota final será: NF = Lab1 * 0.3 + Lab2 * 0.4 + 0.3 * ExFinal

Bibliografía

Básica:

Capacidades previas

Los estudiantes deberían tener conocimientos básicos de estadística y eventualmente de gráficos por computador. También deben saber programar en algún lenguaje de programación general, preferentemente Python.