Aula23_Visualizacao
Propaganda
SCC0141 - Bancos de Dados e Suas Aplicações Visualização de Informação Prof. Jose Fernando Rodrigues Junior Roteiro Introdução Alguns Conceitos Esquemas visuais mais usados Interação, Sistematização e Processamento Observações Conclusivas Questões a serem respondidas • • • • • • • O que é Visualização de Informações? Por que seu uso? Princípios Técnicas mais usuais Exemplos de sistematização Estado da arte Como obter mais informações sobre o assunto? O que é? • A prática de se beneficiar das capacidades cognitivas visuais para se expressar conhecimento de maneira mais rápida e intuitiva. • Também denominada Infovis • Exemplo: a invasão francesa da Rússia O problema Transferência de dados Dados Humano Objetivo: discernimento Fatos Evolução do Hardware • Dobro do processamento a cada 18 meses (Moore’s Law) • Dobro de tecnologia gráfica a cada 12 meses • Tendência observada já há 50 anos Crescimento da produção/fluxo de dados • Apenas em 2010, estimativa de 5 zetabytes (270 B) • O armazenamento de novas informações tem crescido à taxa de mais de 30 % ao ano Fatos Evolução do Hardware • • • • Dobro do processamento a cada 18 meses (Moore’s Law) da computação é compreensão, e não Dobro“O depropósito tecnologia gráfica a cada 12 meses números.” Tendência observada já há 50 anos Pelo menos mais 10 anos Richard Hamming (Turing Award, 1968) Crescimento da produção/fluxo de dados • Apenas em 2010, estimativa de 5 zetabytes (270 B) • O armazenamento de novas informações tem crescido à taxa de mais de 30 % ao ano Fatos Não evolução do ser humano • Em contraste, habilidades humanas básicas não mudam ao longo do tempo As técnicas de Visualização de Informações reduzem este problema. Conseqüência • Bancos de dados com uma quantidade de dados muito maior do que é possível para o ser humano aproveitar Exibição de dados – diferentes abordagens • Computação gráfica: como renderizar? • Visualização científica: como reproduzir graficamente? • Visualização de informações: como definir um design que personifique meus dados? Exibição de dados – diferentes abordagens Tabela Balancete Trimestre Faturamento 1 70 2 20 3 5 4 5 • Computação gráfica: como renderizar? • Visualização científica: como reproduzir graficamente? • Visualização de informações: como definir um design que personifique meus dados? Ciência Analítica • Objetivos: – – – – Avaliar Prever Identificar alternativas Suporte à decisão • Artefatos de racionalização, hierárquicos: – Elementares: dados individuais, suposições, evidências... – Padrões analíticos: correlação, tendência, classificação, relacionamento, exceções, agrupamentos, estrutura, ... – Artefatos de ordem superior: inferência lógica (se então, por exemplo), casualidade temporal, modelos de regressão (padrões funcionais), ... – Complexos: hipóteses e cenários (explicações) Ciência Analítica Artefatos Elementares Padrões Analíticos Ex.: dados e suposições Ex.: tendência, classificação, relacionamento, agrupamentos,... Artefatos de Ordem Superior Hipóteses E Cenários Ex.: inferência lógica (se então, se e somente se), modelos de regressão (previsão, avaliação, explicação) Ciência Analítica Artefatos Elementares Padrões Analíticos Ex.: dados e suposições Ex.: tendência, classificação, relacionamento, agrupamentos,... Principal abrangência da visualização Artefatos de Ordem Superior Hipóteses E Cenários Ex.: inferência lógica (se então, se e somente se), modelos de regressão (previsão, avaliação, explicação) Ciência Analítica Artefatos Elementares Padrões Analíticos Ex.: dados e suposições Ex.: tendência, classificação, relacionamento, agrupamentos,... Artefatos de Ordem Superior Hipóteses E Cenários Ex.: inferência lógica (se então, se e somente se), modelos de regressão (previsão, avaliação, explicação) Principal abrangência da visualização Mineração de dados e raciocínio suportado por visualização Ciência Analítica Artefatos Elementares Padrões Analíticos Ex.: dados e suposições Ex.: tendência, classificação, relacionamento, agrupamentos,... Artefatos de Ordem Superior Hipóteses E Cenários Ex.: inferência lógica (se então, se e somente se), modelos de regressão (previsão, avaliação, explicação) Principal abrangência da visualização Mineração de dados e raciocínio suportado por visualização Profundo conhecimento de domínio Ciência Analítica Outros recursos: • Objetivos: • Descartes R. 1637. Discourse on Method; – – – – • Avaliar Prever • Jones M. 1995. The Thinker’s Toolkit: 14 Powerful Identificar alternativas Techniques for Problem Solving. Three Rivers Press; Suporte à decisão • Heuer R. 1999. Psychology of Intelligence Analysis. Artefatos de racionalização: U.S. Government Printing Office; – Elementares: dados individuais, suposições, evidências... – Padrões analíticos: correlação, tendência, classificação, • Adams JL. 2001. Conceptual Blockbusting: relacionamento, exceções, agrupamentos, estrutura, ... A Guide Better Ideas. Fourth edition,inferência Perseus lógica Publishing. – to Artefatos de ordem superior: (se então, por exemplo), casualidade temporal, modelos de regressão (padrões funcionais), ... – Complexos: hipóteses e cenários (explicações) Roteiro Introdução Alguns Conceitos Esquemas Visuais mais Usados Interação, Sistematização e Processamento Observações Conclusivas Princípio da Visualização Transferência de dados Dados Humano Princípio da Visualização • Os olhos têm acesso privilegiado ao cérebro • Mais de 50 % do cérebro é dedicado à visão Recursos – pré-atenção • Mecanismo da visão, duas fases – 1ª. Fase: pré-atenção instantânea e em paralelo – 2ª. Fase: varredura demorada e seqüencial Quantos números “4” há na cena? Recursos – pré-atenção Estímulos pré-atentivos 4 canais PART. IDEOL. Cor PL PA PD PB PC PJ PI PE PK PE ESQ PI DIR PL ESQ PD DIR PA ESQ PB DIR PJ DIR PK ESQ PC ESQ Recursos – pré-atenção Estímulos pré-atentivos 4 canais PART. IDEOL. Posição PL PA PC PL PE PB PD PC PI PB PJ PJ PI PE PA PD PE ESQ PI DIR PL ESQ PD DIR PA ESQ PB DIR PJ DIR PK ESQ PC ESQ PK PK Recursos – pré-atenção Estímulos pré-atentivos 4 canais PART. IDEOL. Forma PA PL PA PB PD PC PC PL PJ PI PK PK PE PE PE ESQ PI DIR PL ESQ PD DIR PA ESQ PB DIR PJ DIR PK ESQ PC ESQ Recursos – pré-atenção Estímulos pré-atentivos 4 canais PART. IDEOL. Tempo (animação cor, posição e/ou forma) PA PI PE PK PE ESQ PI DIR PL ESQ PD DIR PA ESQ PB DIR PJ DIR PK ESQ PC ESQ Recursos – pré-atenção Estímulos pré-atentivos Recursos – pré-atenção Estímulos pré-atentivos • Posição: 1D, 2D e 3D; • Forma: ponto, linha, área, volume, orientação, comprimento, colinearidade, tamanho, curvatura; • Cor: matiz, saturação, brilho, textura; • Tempo (animação): movimento e intermitência. Recursos – pré-atenção Estímulos pré-atentivos Mas o que isso tem a ver com computação? Auxílio computacional: • Posição: 1D, 2D e 3D; • escalabilidade de dados (via SGBDs) e de processamento • Forma: ponto, linha, área, volume, orientação, comprimento, colinearidade, • interação: redefinição em tempo tamanho, real da curvatura; apresentação de dados • dimensão temporalbrilho, textura; • Cor: matiz, saturação, • algorítmico: combinação com mineração • Tempo (animação): movimento e intermitência. de dados Recursos – pré-atenção • Mecanismo da visão, duas fases – 1ª. Fase: pré-atenção instantânea e em paralelo – 2ª. Fase: varredura demorada e sequencial Procedimento geral da visualização (Visualization Mantra): Visão geral (1ª. fase) Zoom & filtragem (Interação) Detalhes sob demanda (2ª. Fase) Recursos – pré-atenção Qual o estado com maior nível salarial? Qual a relação entre salário e educação? Comportamentos incomuns (outliers)? Nível educacional (% com curso superior) Recursos – pré-atenção Salário annual Per Capita (U$) Recursos: pré-atenção percepção raciocíonio Recursos: pré-atenção percepção raciocíonio Observação Pré-atenção: • Posição • Forma • Cor • Tempo Raciocínio Percepção (padrões visuais): • Correspondência • Diferenciação • Conectividade • Arranjo • Significado • Variação Interpretação (padrões analíticos): • Correlação • Tendência • Classificação • Relacionamento • Sumarização • Exceções • Agrupamentos • Estrutura • Leitura, ... Recursos: pré-atenção percepção raciocíonio Conhecimento de domínio Observação Projeto/ Sistematização Pré-atenção: /Utilização • Posição • Forma • Cor • Tempo Raciocínio Etapa natural com pouca Percepção carga (padrões visuais): cognitiva • Correspondência • Diferenciação • Conectividade • Arranjo • Significado • Variação Geração de Interpretação conclusões (padrões analíticos): com base no • Correlação domínio dos • Tendência dados • Classificação • Relacionamento • Sumarização • Exceções • Agrupamentos • Estrutura • Leitura, ... Recursos: pré-atenção percepção raciocíonio Canal: Posição ● Forma ● Cor ● Tempo ● Padrões visuais: ● Correspondência ● Diferenciação ● Conectividade ● Arranjo ● Significado ● Variação Demonstração PROJEÇÃO Mundo:ANIMADA Fertilidade Dados de IDH • Ano • Nome do país • Filhos por mulher • Tamanho da População • Renda per capita • Grupo de renda Software: Gapminder (spreadsheet do Google Docs) X População Como a visualização pode ajudar? 1. Mais Recursos – Processamento perceptivo paralelo – Percepção ao invés de cognição – Expansão das memórias de curto e longo prazo do usuário 2. Busca Reduzida – Informações agrupadas reduzem a varredura sequencial – Leitura espacial instantânea 3. Melhor Reconhecimento de Padrões – Reconhecer ao invés de relembrar – Abstração e agregação – Exposição estrutural – Valor, relacionamento, tendência Como a visualização pode ajudar? 4. Inferência Perceptiva – Alguns problemas se tornam óbvios – O raciocínio é amplificado com pistas visuais 5. Monitoramento Perceptivo – Alterações visuais saltam aos olhos 6. Mídia Manipulável – Interação Demonstração Mundo: Distribuição de renda Demonstração Mundo: Distribuição de renda Linhas Gerais de Aplicação Tarefas Exploração analítica Descobrir hipótese Apresentação confirmatória Verificar hipótese Suporte à decisão Apresentação simples Avaliar, prever, identificar alternativas Apresentar o que você já sabe Linhas Gerais de Aplicação Tipos de dados Multi-dimensional (tabular) Bancos de dados relacionais Redes e árvores (grafos) Redes sociais, recomendação, computadores, geográfica Textos e documentos Repositórios de texto (artigos, notícias, wikis) Espacial-temporal (1D, 2D, 3D e 4D) Simulação e reprodução fenômenos científicos redes de redes de localização de Projeto e desenvolvimento Sistematização Formato Visual Dados Dados “crus” Dados estruturados Transformações do Dados Design Visual Mapeamento Visual Processamento Pré-visualização Técnicas de Visualização Visualização Transformações Visuais Técnicas de Interação Visual Sistema de Visualização Roteiro Introdução Alguns Conceitos Esquemas Visuais mais Usados Interação, Sistematização e Processamento Observações Conclusivas Esquemas visuais mais usados • Projeções geométricas Classificação que segue à organização visual • Técnicas iconográficas • Técnicas hierárquicas • Técnicas orientadas a pixels Projeção geométrica Coordenadas Paralelas X2 10 X0: 5 X1: 1 X3 X2: 10 X3: 7 X0 X1 0 Atributo 0 Atributo 1 Atributo 2 Atributo 3 Projeção geométrica Coordenadas Paralelas COORDENADAS PARALELAS Análise Geral Percepções Dados de veículos • Posição: correspondência, arranjo • Milhas Por Galão • Forma: conectividade • Cor: diferenciação • # Cilindros (CYLINDERS) • Autonomia (DISPLACEMENT) • Potência (HORSEPOWER) • Peso (WEIGHT) • Aceleração (ACCELERATION) • Ano (YEAR) Interpretações: • Correlação • Tendência • Sumarização • Classificação • Exceções • Origem (AMER., EUROP., JAP.) Software: VisTree Base de Dados Projeção geométrica MatrizPLOTS de Scatter PlotsAnálise Geral MATRIZ DE SCATTER Percepções Dados de veículos • Posição: correspondência, arranjo • Milhas Por Galão Interpretações: • Correlação • Tendência • Exceções • Matriz de Scatter Plots • # Cilindros (CYLINDERS) •– Autonomia (DISPLACEMENT) Projeção dos atributos combinados • Potência (HORSEPOWER) – Correlação • Peso (WEIGHT) • Aceleração (ACCELERATION) • Ano (YEAR) • Origem (AMER., EUROP., JAP.) Software: VisTree Projeção geométrica Table Lens TABLE LENS Análise Geral Percepções Dados de filmes • Posição: correspondência, arranjo • Rank de arrecadação (RANK) • Forma: correspondência, significado • Lançamento (RELEASE DATE) • Arrecadação (CUMULATIVE GROSS) • Distribuidora (DISTRIBUTOR) • Título (TITLE) Software: Table Lens • Cor: diferenciação Interpretações: • Correlação • Tendência • Classificação • Exceções • Leitura Técnicas Iconográficas Star Glyphs •Peso: 5 •Aceleração: 2 •Peso: 10 •MPG: 1 •Potência: 5 PESO # DE CILINDROS # DE CILINDROS Técnicas Hierárquicas Sobreposição Dimensional MPG POR GALÃO MILHAS (MPG) POTÊNCIA Técnicas Hierárquicas Treemaps Técnicas Orientadas a Pixels Padrões de Arranjo • Design • Arranjo dos pixels: apresentação depende da ordem • Mapeamento de cores por valor de atributo Esquemas visuais mais usados • Projeções geométricas • Técnicas iconográficas • Técnicas hierárquicas • Técnicas orientadas a pixels Roteiro Introdução Alguns Conceitos Esquemas Visuais mais Usados Interação, Sistematização e Processamento Observações Conclusivas Interação e Sistematização • Interação: alteração dos parâmetros de posição, de forma e de cor • Principais: – Filtragem interativa: cor (brushing) e de O analista podealteração “sentir”demelhor a cena deforma (contorno de seleção) análise, aumentando as possibilidades – Transformação Espacial/Zoom: alteração de forma (escala) e de interpretação visual. de posição (rotação e translação) – Distorção: alteração de posição (diferentes perspectivas) • Sistematização com expansão do espaço de exibição: – Visões interligadas (linked-views) – Múltiplos espaços de visualização – Visualização em multi-resolução INTERAÇÃO VIA FILTRAGEM INTERATIVA E LINK & BRUSH SISTEMATIZAÇÃO POR VISÕES INTERLIGADAS (linked-views) Análise Geral Percepções • Posição: correspondência, arranjo • Forma: conectividade • Cor: diferenciação Dados de veículos • Milhas Por Galão • # Cilindros (CYLINDERS) • Autonomia (DISPLACEMENT) • Potência (HORSEPOWER) • Peso (WEIGHT) • Aceleração (ACCELERATION) • Ano (YEAR) • Origem (AMER., EUROP., JAP.) Software: VisTree Interpretações: • Correlação • Tendência • Sumarização • Classificação • Exceções INTERAÇÃO VIA DISTORÇÃO Análise Geral Percepções Dados de filmes • Posição: correspondência • Ano de produção • Forma: diferenciação, significado • Distribuidora (DISTRIBUTOR) • Cor: correspondência • Título (TITLE) Interpretações: • Tendência • Classificação • Exceções • Agrupamentos • Leitura • Gênero Software: TimeWall Ciência Analítica Visual Interação - Distorção espacial StarTree Processamento: préprocessamento e suporte estatístico • Redução de dimensionalidade: n-dimensional k-dimensional, onde n < k • Agregação: por exemplo, sumarização estatística • Seleção: por exemplo, amostragem • Segmentação: hierárquico por exemplo, particionamento REDUÇÃO DE DIMENSIONALIDADE Análise Geral E INTERAÇÃO POR TRANSFORMAÇÃO Percepções ESPACIAL • Posição: correspondência, arranjo • Cor: correspondência Dados de exames de câncer (biopsia) • Identificador (ID) • 9 exames laboratoriais • Classificador (CLASS) Software: FastMapDB Interpretações: • Classificação • Estrutura • Exceções • Agrupamentos AGREGAÇÃO ESTATÍSTICA Análise Geral Percepções • Posição: correspondência, diferenciação, arranjo Dados de veículos •Dados de veículos • Milhas Por Galão • Forma: correspondência, diferenciação, conectividade • # Cilindros (CYLINDERS) • Cor: correspondência, diferenciação • Autonomia (DISPLACEMENT) Interpretações: • Potência (HORSEPOWER) • Sumarização • Peso (WEIGHT) • Correlação • Aceleração (ACCELERATION) • Relacionamento • Ano (YEAR) • Tendência • Classificação • Exceções • Agrupamentos • Origem (AMER., EUROP., JAP.) Software: VisTree Ciência Analítica Visual BoxPlot – Visão geral da distribuição de variáveis BoxPlot – Visão geral da distribuição de variáveis Roteiro Introdução Alguns Conceitos Esquemas Visuais mais Usados Interação, Sistematização e Processamento Observações Conclusivas Comparação com Mineração de Dados • Extração não trivial de informações implícitas, potencialmente úteis e previamente desconhecidas • Caracteristicamente algorítmica Comparação com Mineração de Dados Algoritmos de Mineração de Dados Objetivo Mensurável Flexível Interativo + + – – Visualização de Informações – – + + Visualização de Informações + Algoritmos de Mineração de Dados Comparação com Mineração de Dados Algoritmos de Mineração Mineração Visual dedeDados: Dados Visualização utilização de Informações de Visualização de Informações para Objetivo + – monitorar, guiar ou se beneficiar de Mensurável + – algoritmos de Mineração de Dados. Flexível – + Interativo – + Visualização de Informações + Algoritmos de Mineração de Dados Mineração de Dados Exemplo: monitoramento visual do algoritmo kmedoid para detecção de clusters. Algoritmo k-medoid: 1. Selecione os elementos agrupamentos que serão os centros dos 2. Verifique todos os pontos do conjunto e atribua a cada ponto o agrupamento referente ao centro mais próximo Minimizar 3. Recalcule os centros dos agrupamentos de acordo com os agrupamentos definidos 4. Enquanto os centros trocarem de posição, vá para o passo 2 Estado da Arte Procedimentos sistemáticos análise: de ● avaliação ● planejamento Design de técnicas de visualização quee interação. a Formalização do fato de ● tomada de decisão. de InfoVis engloba uma ciência série de disciplinas, todas interTecnologias de dados: relacionadas. ● armazenamento ● disponibilização ● gerenciamento. Formatos de dados A Ciência Analítica versáteis, orientados à análise. Disponibilização e difusão. Visual [2] Avaliação de técnicas de análise visual de dados • Tema amplo • Critérios: – Funcionalidade – as funcionalidades esperadas são oferecidas? – Efetividade – a técnica agrega valor? Novas descobertas nos dados? – Eficiência – a técnica promove melhor desempenho? – Usabilidade – qual é a dificuldade em se usar o sistema? Há clareza? – Utilidade – é possível se beneficiar da técnica? • Metodologias: – Avaliação analítica: baseada em modelos e em testes estruturados; – Avaliação empírica: quantitativa ou qualitativa Avaliação de técnicas de análise visual de dados • Tema amplo • Critérios: subjetividade aoesperadas que sesão observa em HCI –• Há Funcionalidade – as semelhante funcionalidades oferecidas? (Human-Computer Interaction); – Efetividade – a técnica agrega valor? Novas descobertas nos dados? –• Devido Eficiência a técnica promove ao–contexto analítico,melhor nem desempenho? sempre as técnicas de HCI ser aplicadas adaptação; –podem Usabilidade – qual é asem dificuldade em se usar o sistema? Há clareza? –• Da Utilidade – é possível da técnica? mesma forma, se hábeneficiar metodologias bastante satisfatórias, mas com alto custo de aplicação. • Metodologias: – Avaliação analítica: baseada em modelos e em testes estruturados; – Avaliação empírica: quantitativa ou qualitativa Disseminação • SAP: incorporou (da Inxight) as técnicas StarTree, TableLens e TimeWall em seus produtos • TIBCO (Spotfire): comercializa técnicas como Coordenadas Paralelas, Scatter Plots e TreeMaps • Advanced Visual Systems (AVS): abrange soluções para a indústria e para a academia • Outras empresas: Advizor Solutions, Compudigm, Dimension 5, Infommersion, Macrofocus, Purple Insight, ... • Listagem completa: http://kisd.de/~marian/infovis/ Linhas de Desenvolvimento 1. Paradigmas de Interação Orientados ao usuário E.g.: perspective view Orientados a sistema E.g.: linked views 2. Suporte da Ciência da Computação Componentes E.g.: Graph-Tree Aperfeiçoamentos E.g.: Keim’s color space Linhas de Desenvolvimento 3. Novos Designs E.g.: Gapminder E.g.: Table Lens 4. Suporte Teórico Espaços de Design E.g.: design orientado à percepção Estudo do sistema perceptivo E.g.: princípios de manipulação direta 5. Suporte de Desenvolvimento Componentes E.g.: OpenGL Toolkits E.g.: IVTK http://ivtk.sourceforge.net/ Linhas de Desenvolvimento 3. Novos Designs E.g.: Gapminder E.g.: Table Lens 4. Suporte Teórico Espaços de Design E.g.: design orientado à percepção Estudo do sistema perceptivo E.g.: princípios de manipulação direta 5. Suporte de Desenvolvimento Componentes E.g.: OpenGL Toolkits E.g.: IVTK http://ivtk.sourceforge.net/ Linhas de Desenvolvimento Ainda há muito o que se fazer em: 3. Novos Designs visualização de dados relacionais E.g.: Gapminder E.g.:escalabilidade Table Lens de dados 4. Suporte Teórico Espaços de Design E.g.:mineração design orientado uso combinado com deà percepção dados Estudo do sistema perceptivo visualização E.g.: princípios de manipulação direta 3D interativa 5. Suporte de Desenvolvimento Componentes E.g.: OpenGL utilização da dimensão temporal (animação) Toolkits E.g.: IVTK http://ivtk.sourceforge.net/ Discussão • A visualização pode resolver todos os meus problemas de análise de dados? R.: Não. Análise de dados é um processo elaborado que requer profundo conhecimento de domínio, objetivos claros e trabalho intenso. • Posso trabalhar sem visualização, então? R.: Não. Apesar de seus limites, a visualização provê benefícios bastante favoráveis, e não há substituto para estes benefícios. Discussão • A visualização pode resolver todos os meus problemas de análise de dados? R.: Não. Análise de dados é um processo elaborado que requer profundo conhecimento de domínio, objetivos claros e trabalho intenso. • Posso trabalhar sem visualização, então? R.: Não. Apesar de seus limites, a visualização provê benefícios bastante favoráveis, e não há substituto para estes benefícios. Discussão • A visualização pode resolver todos os meus problemas de análise de dados? R.: Não. Análise de dados é um processo elaborado que requer profundo conhecimento de domínio, objetivos claros e trabalho intenso. • Posso trabalhar sem visualização, então? R.: Não. Apesar de seus limites, a visualização provê benefícios bastante favoráveis, e não há substituto para tais benefícios. Livros Básicos Visualização de Informações Robert SPENCE. “Information Visualization”, ACM Press, 2001 Stuart K. Card, Jock D. MacKinlay, Ben Shneiderman, Mackinlay Card (eds.). “Readings in Information Visualization: Using Vision to Think”, Morgan Kaufmann Series in Interactive Technologies, Academic Press, 1999. ISBN 155860-533-9 Colin WARE. “Information Visualization: Perception for Design”, Morgan Kaufmann Interactive Technologies Series, January 2000. ISBN 1-55860-511-8 Livros Básicos Mineração de Dados K. Cios et. al. - “Data Mining: A Knowledge Discovery Approach”, Springer, 2007 Jiawei Han, Micheline Kamber. “Data Mining: Concepts and Techniques”, Morgan Kaufmann, 2006 Pang-Ning Tan, Michael Steinbach, Vipin Kumar. “Introduction to Data Mining”, Addison Wesley, 2005 Outras áreas de visualização • • • • • • • • • Visualização Científica Visualização de Software Visualização Geográfica Visualização de Redes Ciência Analítica Realidade Virtual Realidade Aumentada Sonificação (som) Háptica (tato) Referências • [1] “How Much Information?” Lyman P and HR Varian, 2003. Disponível em http://www.sims.berkeley.edu/how-much-info. • [2] “Illuminating the Path: The Research and Development Agenda for Visual Analytics” James J. Thomas and Kristin A. Cook, editors. IEEE Press, 2005. Disponível em http://nvac.pnl.gov/agenda.stm. • Software: www.icmc.usp.br/~junio
