Exportar registro bibliográfico

Uma nova metáfora visual escalável para dados tabulares e sua aplicação na análise de agrupamentos (2017)

  • Authors:
  • Autor USP: MOSQUERA, EVINTON ANTONIO CORDOBA - ICMC
  • Unidade: ICMC
  • Sigla do Departamento: SCC
  • Subjects: MINERAÇÃO DE DADOS; VISUALIZAÇÃO; ANÁLISE DE CONGLOMERADOS; ANÁLISE DE DADOS
  • Keywords: Agregação de dados; Análise visual; Clustering analysis; Dados tabulares; Data aggregation; Data mining; Data visualization; Tabular data; Visual analytics; Visualização de dados
  • Language: Português
  • Abstract: A rápida evolução dos recursos computacionais vem permitindo que grandes conjuntos de dados sejam armazenados e recuperados. No entanto, a exploração, compreensão e extração de informação útil ainda são um desafio. Com relação às ferramentas computacionais que visam tratar desse problema, a Visualização de Informação possibilita a análise de conjuntos de dados por meio de representações gráficas e a Mineração de Dados fornece processos automáticos para a descoberta e interpretação de padrões. Apesar da recente popularidade dos métodos de visualização de informação, um problema recorrente é a baixa escalabilidade visual quando se está analisando grandes conjuntos de dados, resultando em perda de contexto e desordem visual. Com intuito de representar grandes conjuntos de dados reduzindo a perda de informação relevante, o processo de agregação visual de dados vem sendo empregado. A agregação diminui a quantidade de dados a serem representados, preservando a distribuição e as tendências do conjunto de dados original. Quanto à mineração de dados, visualização de informação vêm se tornando ferramental essencial na interpretação dos modelos computacionais e resultados gerados, em especial das técnicas não-supervisionados, como as de agrupamento. Isso porque nessas técnicas, a única forma do usuário interagir com o processo de mineração é por meio de parametrização, limitando a inserção de conhecimento de domínio no processo de análise de dados. Nesta dissertação, propomos edesenvolvemos uma metáfora visual baseada na TableLens que emprega abordagens baseadas no conceito de agregação para criar representações mais escaláveis para a interpretação de dados tabulares. Como aplicação, empregamos a metáfora desenvolvida na análise de resultados de técnicas de agrupamento. O ferramental resultante não somente suporta análise de grandes bases de dados com reduzida perda de contexto, mas também fornece subsídios para entender como os atributos dos dados contribuem para a formação de agrupamentos em termos da coesão e separação dos grupos formados.
  • Imprenta:
  • Data da defesa: 19.09.2017
  • Acesso à fonte
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      MOSQUERA, Evinton Antonio Cordoba; PAULOVICH, Fernando Vieira. Uma nova metáfora visual escalável para dados tabulares e sua aplicação na análise de agrupamentos. 2017.Universidade de São Paulo, São Carlos, 2017. Disponível em: < http://www.teses.usp.br/teses/disponiveis/55/55134/tde-07022018-082548/ >.
    • APA

      Mosquera, E. A. C., & Paulovich, F. V. (2017). Uma nova metáfora visual escalável para dados tabulares e sua aplicação na análise de agrupamentos. Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-07022018-082548/
    • NLM

      Mosquera EAC, Paulovich FV. Uma nova metáfora visual escalável para dados tabulares e sua aplicação na análise de agrupamentos [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-07022018-082548/
    • Vancouver

      Mosquera EAC, Paulovich FV. Uma nova metáfora visual escalável para dados tabulares e sua aplicação na análise de agrupamentos [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-07022018-082548/

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

    Digital Library of Intellectual Production of Universidade de São Paulo     2012 - 2021