作者存档: Siming Chen

西安电子科技大学与西北大学师生参访北大可视化与可视分析实验室

2016年12月5-6日,来自西安电子科技大学与西北大学的两位老师协同四位研究生同学参观访问了北京大学可视化与可视分析实验室。来访的师生都参与了北京大学机器感知与智能重点实验室的可视化方面开放课题的合作。 继续阅读 »

booc.io: An Education System with Hierarchical Concept Maps and Dynamic Non-linear Learning Plans 支持概念地图与动态非线性学习计划可视化的在线教育系统

对于在线教育现在大家都越来越熟悉了,与传统的教育相比它有一些优势,包括可以更加快速利用丰富的互联网资源进行授课与学习、可以支持远程教育让更多人收益,更理想地来说它最终要达到每个人个性化的学习。今天我们介绍的这篇文章[1]来自哈佛大学,描述了他们用了快2年的时间,和教育专家一起构建出一个在线教育系统 – 它支持正常的在线教育的功能,更加有特色的是,它融合了可视化的元素,将课程学习中的概念依据他们的层次结构关系构造出了概念地图,并且为每个学习者根据它的学习情况将课程的依赖关系进行展现,让他们拥有个性化的学习计划,而传统的在线教育网站或者可视化系统很难同时做到这几点。下表进行了他们提出的系统booc.io和以前一些系统的对比。

继续阅读 »

特征与序列:交互式基于网页访问日志数据对相似用户行为的分析 Patterns and Sequences: Interactive Exploration of Clickstreams to Understand Common Visitor Paths

序列数据(Sequence Data),在日常生活中十分经常见到。大规模的序列数据,其中蕴含了人群行为的规律、特征以及异常行为。因此分析人员十分重视对序列数据的分析。本次介绍的论文是针对网站点击序列的分析,这是一类典型的序列,如下图所示,其数据包含了一系列的事件,每个事件包含了时间、用户以及具体的行为。

继续阅读 »

实验室博士生陈思明在第九届R语言大会可视分析分会场演讲

2016年5月28日,北京大学可视化与可视分析实验室博士生陈思明受邀参加在中国人民大学举办的第九届R语言大会,在可视分析分会场做了关于“微博轨迹可视化”的演讲。报告介绍了实验室关于社交媒体可视分析的工作,从每个人的“微博足迹故事”出发,对单个人与人群的移动轨迹进行深入的可视分析。在场观众纷纷踊跃提问,现场与会后讨论交流热烈。本次可视分析分会场还有来自Tableau等公司可视化团队负责人以及利用R语言进行可视分析的学者。 继续阅读 »

塔斯马尼亚大学人机交互技术实验室主任Henry Duh教授访问北京大学可视化实验室

2016年5月18日,来自澳大利亚的塔斯马尼亚大学人机交互技术实验室(HIT, Human Interface Technology Laboratory Australia)主任Henry Duh教授访问北京大学,参观了北大可视化与可视分析实验室的多项演示,并与实验室负责人袁晓如研究员进行了深入的学术讨论。Henry Duh教授是资深的人机交互领域的专家,在相关领域发表了100多篇国际论文,并出版了多项专著。曾获得多项人机交互的成就(例如Asian Human-Computer Interaction Heroes in ACM CHI2015)。

继续阅读 »

英国帝国理工学院郭毅可教授访问北京大学可视化实验室

2015年12月8日,英国帝国理工学院(Imperial College London)郭毅可教授访问北京大学,并作了题为《Big Data for Better Science》的学术报告。郭毅可教授是帝国理工学院数据科学研究所(Data ScienceInstitute)的创始人,计算机系教授。

76584fddjw1eysjnyetzsj218g0xcgv7

继续阅读 »

对于稀疏采样的带有地理标签的社交媒体数据的交互式可视分析与探索 – Interactive Visual Discovering of Movement Patterns from Sparsely Sampled Geo-tagged Social Media Data

‘社交媒体’这个词现大家并不陌生,每天成千上万的人在使用着微博之类的社交媒体软件,各种新闻、心情、信息等都在网络上传播。随着智能手机的普及,发送带有GPS定位的微博数据变得更为容易,大量的带有地理标签的微博被发送、传播。它提供了一个丰富、广阔的可探索的信息空间 — 这对于以前以用户调研(Survey)为主要研究手段的人群移动研究,提供了一个前所未有的空间。今天我们就北京大学可视化与可视分析研究组在今年可视化顶级会议IEEE VIS 2015 发表的一篇可视分析方面的文章进行详细介绍 [1]。

继续阅读 »

时间轴制造器:基于非结构化文本数据的可交互时间轴提取系统(TimeLineCurator: Interactive Authoring of Visual Timelines from Unstructured Text)

时间轴大家都很熟悉了,用来表示不同事件在不同时间上的分布,可以让人清晰地理解事件发展的时间脉络。但是传统的时间轴可视化往往需要结构化的数据,假如一个做数据新闻的记者需要做一个时间轴的可视化,他会需要很长的时间来从非结构化的文本中,逐字逐句地‘复制、粘帖并整理’各个事件,将其做成结构化的包括时间(时间点、时间段)、事件描述、摘要等这样的数据。整个过程十分耗时。

继续阅读 »

Rationale Visualization for Safety and Security – 用于安全监测的逻辑推理可视化

对于安全监测领域,一切重要的对象,包括人、物品、船只、交易记录等,都是时刻地被记录与监测着。他们需要监测这些对象的最新动态,并且判断出哪些对象处于异常状态。然而通常的数据挖掘方法与模型,会根据你的输入,直接给出一个输出,例如,这个人有75%的可能性有某种异常违法行为。然而这种方法并不能让分析人员了解,为什么?是哪些原因让算法做出了这样的判断?但这里传统的算法只能依靠分析人员进行推测了。

继续阅读 »

基于采样数据的任务驱动可视化:让用户做出更正确且确定的决策 Sample-Oriented Task-Driven Visualizations: Allowing Users to Make Better, More Confident Decisions

随着数据的爆炸式增长,各行各业对数据分析的需求日益增大。但人们往往忽略了一个问题 — 他们正在分析的数据其实只是其数据全集中的一个采样。这样的忽略直接导致的结果就是:人们默认把采样数据当做全集数据进行分析,这样会导致几个问题,即采样的数据只是全集的子集,并不能完全代表全集的特征,这里具有一定的不确定性。尤其是在动态分析的数据集而言,这里的不确定性会增大。现有的可视化方法,例如boxplot盒图,它虽然可以展示出不确定性的分布,但是它仅仅是展示而已,对用户进一步的分析与决策判断的辅助效果并不明显。

继续阅读 »