DM878: Visualisering

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N340072102
Censur: Ekstern prøve
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Efterår
Niveau: Kandidat

STADS ID (UVA): N340072101
ECTS-point: 5

Godkendelsesdato: 07-04-2021


Varighed: 1 semester

Version: Godkendt - aktiv

Indgangskrav

Ingen

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 kompetencer inden for programmering og datastrukturer erhvervet i en bacheloruddannelse, 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 planlægge og udføre videnskabelige projekter på højt fagligt niveau herunder styre arbejds- og udviklingssituationer, der er komplekse, uforudsigelige og forudsætter nye løsningsmodeller
  • Give færdigheder i at beskrive, analysere og løse avancerede applikationsdrevne, datalogiske problemstillinger ved hjælp af de lærte modeller og til at tilpasse og udvikle nye varianter af de lærte metoder, hvor det konkrete problem kræver det
  • Give viden om et udvalg af specialiserede modeller og metoder udviklet inden for datalogi baseret på højeste internationale forskning, herunder emner fra fagets forskningsfront; at kunne forstå og på et videnskabeligt grundlag reflektere over det datalogiske fagområdes viden samt kunne identificere videnskabelige problemstillinger

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 modeller 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

Udprøvninger

Portfolio

EKA

N340072102

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. 

Eksamensformen ved reeksamen kan være en anden end eksamensformen ved den ordinære eksamen.

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 Institut for Matematik og Datalogi, Datalogi, Datavidenskab & Statistik

Skemaoplysninger

44
Monday
01-11-2021
Tuesday
02-11-2021
Wednesday
03-11-2021
Thursday
04-11-2021
Friday
05-11-2021
08 - 09
Class f
Forelæsning
09 - 10
Class f
Forelæsning
10 - 11
11 - 12
12 - 13
13 - 14
14 - 15
Class f
Forelæsning
15 - 16
Class f
Forelæsning
Vis fuldt skema

Administrationsenhed

Institut for Matematik og Datalogi (datalogi, fiktiv)

Team hos Registrering & Legalitet

NAT

Anbefalede studieforløb

Profil Program Semester Periode