DS808: Visualisering

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser
EKA: N340081102
Censur: Ekstern prøve
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Efterår
Niveau: Kandidat

STADS ID (UVA): N340081101
ECTS-point: 5

Godkendelsesdato: 14-03-2022


Varighed: 1 semester

Version: Godkendt - aktiv

Kommentar

Samlæses med DM878.

Indgangskrav

Kurset kan ikke følges af studerende der har bestået enten DM878.

Faglige forudsætninger

Studerende, der følger kurset, forventes at have grundlæggende programmeringsfærdigheder.

Formål

Visualiseringer er et vigtigt værktøj for eksperter indenfor forskellige områder (f.eks. samfundsvidenskab, bioinformatik, digital humaniora og sport) for at få et overblik over datafordelinger og indsigt i fremherskende datamønstre på en forståelig, intuitiv og visuel form. Målet med kurset er at gøre det muligt for den studerende at udvikle passende visuelle grænseflader til (domænespecifikke) brugerløsninger. Dette er vigtigt, da mange studerende vil blive ansat i sektorer, der kan kræve løsninger til visuel dataudforskning.

Kurset bygger på den viden, der er erhvervet i kurset DS831 (Programmering for Data Science), og giver et akademisk grundlag for at forberede et speciale, hvor visuel dataanalyse er i fokus.

Efter afsluttet kursus skulle studerende have fået viden om:
  • Metoder til visualiseringsdesign
  • Syn og menneskelig opfattelse
  • Data- og opgaveabstraktion til visuelt design
  • Visuel indkodning- og interaktionsværktøjer
Efter kurset skal de studerende have tilegnet sig færdighederne i at:
  • Vurdere brugerkrav til visuelt design
  • Udvikle visuelle grænseflader til multivariate datasæt
  • Anvende interaktionsværktøjer til at understøtte interaktiv visuel dataudforskning
  • Validere effektiviteten af ​​visualiseringsløsninger
Efter kurset skal studerende være kompetente i at:
  • Abstrahere domænespecifikke visualiseringsopgaver
  • Tilpasse eksisterende løsninger til understøttelse af relaterede visualiseringsopgaver
  • Udvikle nye visualiseringer til ikke-understøttede brugeropgaver
  • Argumentere omkring datakarakteristika på baggrund af visuelle mønstre

I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:

  • Give kompetence til at udvælge, anvende og sammensætte de rette programmerings-, statistik- og maskinlæringsværktøjer og -metoder til at arbejde med større datamængder generelt og inden for et bestemt fagområde
  • Give kompetence til at anvende og videreudvikle disse værktøjer og metoder til at designe og foretage komplekse dataanalyser og arbejde med avancerede data
  • Give kompetence til at styre arbejds- og udviklingssituationer, der er komplekse inden for databehandlings- og analyseområdet

Målbeskrivelse

For at nå kursets mål er læringsmålet for kurset, at den studerende demonstrerer evne til at:  
  • Forklare visuelle designmetoder for vilkårlige brugeropgaver
  • Vælge passende visuelle karakteristika til kortlægning af datafunktioner
  • Forklare og anvende passende avancerede visualiseringmetoder
  • Evaluere kvaliteten af og foreslå forbedringer til visuelle kortlægninger
  • Løse visuelle designopgaver i teams

Indhold

Kurset indeholder følgende faglige hovedområder: 
  • Nestede modeler til visualiseringsdesign
  • Syn og menneskelig opfattelse og deres indflydelse på visuelt design
  • Hvilke typer data kan visualiseres? (dataabstraktion)
  • Hvorfor skal vi visualisere? (opgaveabstraktion)
  • Hvordan visualiserer vi? (visuel kodning)
  • Færdigheder til at interagere med visuelle repræsentationer
  • Informationssøgning og visuel analyse
  • Avanceret visualisering af numeriske, tekstmæssige, geospatiale, tidsmæssige og netværksdata.

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Efterår og januar

Udprøvninger

Portfolio med mundtligt forsvar

EKA

N340081102

Censur

Ekstern prøve

Bedømmelse

7-trinsskala

Identifikation

Fulde navn og SDU brugernavn

Sprog

Følger, som udgangspunkt, undervisningssprog

Hjælpemidler

Ikke tilladt. 

ECTS-point

5

Uddybende information

Portfolio eksamen består af følgende elementer:

  • et gruppeprojekt med en skriftlig videnskabelig kort artikel (2-4 sider), der beskriver gruppens visualiseringsprojekt
  • en (kort) demonstrationsvideo af visualiseringen som supplerende materiale til papiret
  • en delt præsentation af visualiseringsprojektet med en mundtlig gruppediskussion
  • korte individuelle sessioner med spørgsmål om kursets teoretiske indhold

Mens gruppeprojektet definerer en målkarakter for de deltagende studerende, vil de enkelte sessioner justere dem til individuelle karakterer ved at vurdere en studerendes bidrag til projektet og det vedtagne teoretiske indhold undervist i kurset. 

Vejledende antal undervisningstimer

36 timer per semester

Undervisningsform

På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.

  • Introfase 24 timer
  • Træningsfase 12 timer (eksaminatorier for projektdiskussioner)

Aktiviteter i studiefasen:

  • Løsning af projektopgaverne
  • Selvstudium af visse emner fra lærebogen
  • Selvstændig opsamling på intro og træningsfasen

Ansvarlig underviser

Navn E-mail Institut
Stefan Jänicke stjaenicke@imada.sdu.dk Data Science

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Uddannelsesjura & Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil Uddannelse Semester Udbuds periode
KA Data Science, Economics and Business Administration - optag 1. september 2020 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, Economics and Business Administration - optag 1. september 2021 og 2022 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, Economics and Business Administration - optag 1. september 2021, 2022 og 2023 Kandidat Data Science kandidat | Kandidat i Data Science | Odense 3 E23
KA Data Science, Environmental Data Science - optag 1. september 2020 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, Environmental Data Science - optag 1. september 2021 og 2022 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, Environmental Data Science - optag 1. september 2021, 2022 og 2023 Kandidat Data Science kandidat | Kandidat i Data Science | Odense 3 E23
KA Data Science, Health Data - optag 1. september 2020 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, Health Data - optag 1. september 2021 og 2022 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, Health Data - optag 1. september 2021, 2022 og 2023 Kandidat Data Science kandidat | Kandidat i Data Science | Odense 3 E23
KA Data Science, Human Informatics - optag 1. september 2020 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, Human Informatics - optag 1. september 2021 og 2022 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, Human Informatics - optag 1. september 2021, 2022 og 2023 Kandidat Data Science kandidat | Kandidat i Data Science | Odense 3 E23
KA Data Science, ICT Systems - optag 1. september 2020 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, ICT Systems - optag 1. september 2021 og 2022 Data Science kandidat | Kandidat i Data Science | Odense 3 E22
KA Data Science, ICT Systems - optag 1. september 2021, 2022 og 2023 Kandidat Data Science kandidat | Kandidat i Data Science | Odense 3 E23
KA Data Science, Mediatech - optag 1. september 2023 Kandidat Data Science kandidat | Kandidat i Data Science | Odense 3 E23

Overgangsordninger

Overgangsordninger beskriver, hvordan et kursus erstatter et andet kursus, når der ændres i et studieforløb.
Hvis der er lavet en overgangsordning for et kursus vil den fremgå af oversigten.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.