Lehrinhalte:
Ein wichtiges und zunehmend eingesetztes Mittel zum Erkenntnisgewinn in der ständig wachsenden Datenflut in praktisch allen Bereichen ist die Visualisierung. Eine intuitive Visualisierung wird häufig durch Abbildung auf graphische Szenen erreicht, die dann mittels Verfahren der graphischen Datenverarbeitung in Bildern dargestellt werden. Gegenstand des Moduls sind fortgeschrittene Verfahren zur Visualisierung komplexer Daten und Prozesse, die auf Methoden der Datenanalyse mittels tiefer Lernverfahren, der graphischen Datenverarbeitung, der Mustererkennung und der angewandten Mathematik aufbauen. Auf eine Einführung in graphische Semiologie nach Bertin folgt eine Darstellung von Visualisierungsverfahren, die sich an gebräuchlichen Datentypen orientiert: Punktmengen, Relationen, eindimensionale Funktionen (insbesondere Zeitreihen), zweidimensionale Funktionen, Funktionen über Volumen und Vektorfelder. Dabei werden effiziente Algorithmen zur Realisierung der Verfahren präsentiert, die auf einem weiten Methodenspektrum beruhen. Ferner wird auf Visualisierungsmethoden eingegangen, die in interaktiven Systemen und der Robotik zum Tragen kommen.

Erworbene Kompetenzen:
Die Studierenden sollen nach Besuch der Vorlesung über ein methodisches Spezialwissen verfügen, das sie in die Lage versetzt, komplexe Visualisierungsaufgaben zu lösen. Dazu sollen sie sowohl Methoden, die in existierenden Systemen verfügbar sind, in ingenieurshafter Weise kombinieren und anwenden können, als auch aktuelle Originalliteratur zu dem Gebiet verstehen und die Resultate in Anwendungen transferieren können. Schließlich sollen sie aber auch neue Lösungsmethoden, insbesondere in Bezug auf neuartige Anwendungen, entwickeln können.

Für Master-Studierende: Siehe Master-Modulhandbücher.

• Vorlesungsfolien im pdf-Format, inkl. Inhaltsverzeichnis
• Videoaufzeichnungen der Vorlesungen
• Prüfungshinweise

Als ergänzende (optionale) Literatur zum thematischen Überblick können nachfolgende Bücher empfohlen werden:

• A. C. Telea: Data Visualization: Principles and Practice, Crc Pr Inc, 2014.
• R. O. Duda, P. E. Hart, D. G. Stork, Pattern Classification, 2. Edition, Wiley-Interscience, 2000
• G. Nielson, H. Hagen, H. Müller (eds.), Scientific Visualization: Overview, Methodologies, Techniques, IEEE CS Press, 1999