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。
可视化与可视分析是大数据时代最被关注的研究方向之一。
可视化和可视分析把数据转化为图形，通过灵活的人机交互，
北京大学可视化与可视分析实验室（http://vis.
VIS发表论文14篇，多次IEEE VAST竞赛获奖。实验室目前配置有先进的可视化环境和设备，
地图是大家最熟悉的可视化之一，在地图上绘制一层例如圆圈、范围或者颜色等来表示变量的可视化大家也并不陌生，例如出名的人口分布图，经济状况图等等。但其实有许多带有空间信息的数据还有更多复杂的维度，例如一个人口普查数据，它包含了每个地方的人口密度、经济情况、住房情况、工作比例等等几十甚至几百个维度，如何同时探索地理空间的变化与这些维度属性之间的关系，是十分有意义的研究问题，同时由于其同时涉及空间变化与高维度属性的变化，它也是一个研究的难点。
这次我们讲一下Dasgupta, A的一系列工作，主要是关于利用可视化进行隐私保护的话题。这是一个有意思的话题，因为我们平时所说所用的可视化，经常会有不经意地带来的信息损失，使我们获得的信息具有一定的不确定性（包括映射信息本身以及人解析认知信息的过程）。这样的信息损失在通常的可视化设计与可视分析中都是被认为不好的，而作者从另一个角度出发，对于隐私保护而言，可视化带来的不确定性却可以是一个好处。
随着现在时代的发展，可视分析不仅仅用于传统的科学数据或者统计数据等量化、可描述的领域，而对于“过程”、“决策”等这些看似抽象的东西，也有可视分析的用武之地。这篇文章，我们就来介绍一个在管理科学领域，利用可视分析对决策流程的管理、探索与优化的故事。
在可视化领域，交互是一种重要的人与数据交流的方式。在制图学和地理空间可视化的工作中，由于数据具有的时空特性，对用户来说，需要感知基于地理空间、时间空间与树形控件的信息，在具体的任务中，交互会扮演十分重要的角色。因此这篇论文，他们的采访对象是十几个地理、制图、基于地图的可视化等方面的专业领域人士。设计了两轮实验，获得了一手的实践经验，并且从中总结得出了基于不同任务的交互分类。
讲故事是人类与生俱来的本领，就像《疯狂原始人》里主人公总是在夜里给大家讲故事一样，人们习惯并喜欢讲故事、听故事。但当故事复杂的时候，尤其是参与的人物之间关系随时间变化、故事的场景也随时间变化时，要很好地”讲“一个让人理解的故事就很有挑战性了。来自微软亚洲研究院的Liu等人在今年的VIS会议中提出的StoryFlow系统，很好地提供了一个基于故事线（Storyline）的追踪故事发展的可视化方法。如下图所示。
继续阅读 »
高维数据分析与可视化是一个重要且充满挑战的研究话题。本篇博客介绍的文章[1]主要针对星型坐标（Star Coordinates）的可视化方式，提出了一种更好地保持高维数据性状、交互进行可视分析探索的一种方式（Orthographic Star Coordinate）。
说起众包（crowdsourcing），现在大家也许并不陌生。最早在2006年，《连线》(Wired)杂志记者Jeff Howe于2006年发明的一个专业术语，用来描述一种新的商业模式，即企业利用互联网来将工作分配出去、发现创意或解决技术问题。通过互联网控制，这些组织可以利用志愿员工大军的创意和能力——这些志愿员工具备完成任务的技能，愿意利用业余时间工作，满足于对其服务收取小额报酬，或者暂时并无报酬，仅仅满足于未来获得更多报酬的前景。尤其对于软件业和服务业，这提供了一种组织劳动力的全新方式。（来源wikipedia）。我们搜索关于众包的项目，在wiki上至少有120个里列出的，更不用说还有许许多多形形色色的新应用的产生。其中最出名的应该要数Amazon的MTurk（https://www.mturk.com/mturk/welcome）。
图一：工作流，1）数据选择，2）专家选择图表，3）众包分析，4）众包评价，5）专家整理
近期评论