Konferenzbeitrag
Visuelle Erklärungen hochdimensionaler und zeitabhängiger Prozesse
Vorschaubild nicht verfügbar
Volltext URI
Dokumententyp
Text/Conference Paper
Datum
2023
Autor:innen
Zeitschriftentitel
ISSN der Zeitschrift
Bandtitel
Quelle
Ausgezeichnete Informatikdissertationen 2022 (Band D23)
Verlag
Gesellschaft für Informatik e.V.
Zusammenfassung
Erkenntnisgewinn aus Daten ist die Hauptmotivation sowohl für Forschung im Bereich der Datenvisualisierung als auch im maschinellen Lernen. Die Mittel, mit denen dieses Ziel erreicht werden soll, unterscheiden sich jedoch erheblich zwischen diesen Feldern. Während das maschinelle Lernen in der Regel versucht Entscheidungen zu automatisieren, rückt die Visualisierung den Menschen in den Mittelpunkt. Eine Kombination dieser unterschiedlichen Ansätze kann Nutzer:innen dabei unterstützen, effektive Einblicke in Daten zu erhalten. Diese Dissertation fasst die Ergebnisse aus fünf Arbeiten zusammen, in denen Visualisierung und maschinelles Lernen kombiniert werden – mit Fokus auf zeitliche und/oder hochdimensionale Prozesse. Dabei spannen diese Arbeiten den Bogen von Visualisierungen zur Modellanalyse bis hin zur Datenverarbeitung für Visualisierung.
Erkenntnisgewinn aus Daten ist die Hauptmotivation sowohl für Forschung im Bereich der Datenvisualisierung als auch im maschinellen Lernen. Die Mittel, mit denen dieses Ziel erreicht werden soll, unterscheiden sich jedoch erheblich zwischen diesen Feldern. Während das maschinelle Lernen in der Regel versucht Entscheidungen zu automatisieren, rückt die Visualisierung den Menschen in den Mittelpunkt. Eine Kombination dieser unterschiedlichen Ansätze kann Nutzer:innen dabei unterstützen, effektive Einblicke in Daten zu erhalten. Diese Dissertation fasst die Ergebnisse aus fünf Arbeiten zusammen, in denen Visualisierung und maschinelles Lernen kombiniert werden – mit Fokus auf zeitliche und/oder hochdimensionale Prozesse. Dabei spannen diese Arbeiten den Bogen von Visualisierungen zur Modellanalyse bis hin zur Datenverarbeitung für Visualisierung.
Erkenntnisgewinn aus Daten ist die Hauptmotivation sowohl für Forschung im Bereich der Datenvisualisierung als auch im maschinellen Lernen. Die Mittel, mit denen dieses Ziel erreicht werden soll, unterscheiden sich jedoch erheblich zwischen diesen Feldern. Während das maschinelle Lernen in der Regel versucht Entscheidungen zu automatisieren, rückt die Visualisierung den Menschen in den Mittelpunkt. Eine Kombination dieser unterschiedlichen Ansätze kann Nutzer:innen dabei unterstützen, effektive Einblicke in Daten zu erhalten. Diese Dissertation fasst die Ergebnisse aus fünf Arbeiten zusammen, in denen Visualisierung und maschinelles Lernen kombiniert werden – mit Fokus auf zeitliche und/oder hochdimensionale Prozesse. Dabei spannen diese Arbeiten den Bogen von Visualisierungen zur Modellanalyse bis hin zur Datenverarbeitung für Visualisierung.