Curso de Visualización de Información

Nota Esta página está en construcción durante agosto, septiembre y octubre de 2020 :) No todos los links están activados.

Bienvenida y Meta-Datos

Bienvenide a la página de mi curso de Visualización de Información. Actualmente dicto este curso en el Magister en Data Science de la Universidad del Desarrollo. Todo el material está disponible en esta página.

Este curso tiene los siguientes objetivos:

1. Adquirir un lenguaje común y un entendimiento fundamental dentro del campo visualización de información.
2. Ser capaces de diseñar una visualización de datos efectiva para el problema a resolver.
3. Ser capaces de evaluar una visualización con espíritu crítico.
4. Aprender a prototipar e implementar visualizaciones en Python.

Cumplir estos objetivos requiere las siguientes capacidades ya desarrolladas en les estudiantes:

1. Python intermedio: a nivel de programación (control de flujo, definición de funciones, estructuras de datos, funciones lambda) y de manejo de herramientas (conda environments, Jupyter Lab).
2. Conocimiento básico de pandas y sus operaciones, incluyendo filtros y operaciones como groupby. Se espera que hayan cursado (o estén cursando) una asignatura de análisis de datos.
3. Lectura en inglés (muchos recursos bibliográficos y de código están disponibles solo en este idioma).

Los siguientes links son relevantes para quienes hacen el curso formalmente en la Universidad del Desarrollo (Chile):

• Instrucciones y evaluación de proyecto de curso
• Instrucciones para leer papers
• Herramientas para visualizar datos (incluyendo del curso)
• Algunos links a Datasets para proyectos
• Los datos, código y notebooks de las clases prácticas se encuentran en el repositorio aves en github.

Bibliografía

La parte teórica del curso se basa en este libro:

• Visualization Analysis & Design, de Tamara Munzner.

Los siguientes son libros complementarios:

• The Functional Art, de Alberto Cairo.
• Design for Information, de Isabel Meirelles.
• How Charts Lie, de Alberto Cairo.

Y los siguientes son complementarios para la práctica:

• Python Data Science Handbook, de Jake Vanderplas. Disponible on-line.
• Data Visualization: a practical introduction, de Kieran Healy. Disponible on-line. Nota: a diferencia del anterior, éste usa en R en sus ejemplos de código.

Unidad Introductoria

Introducción:

1. Introducción a la Visualización
2. Exhibición de Proyectos

Lecturas:

• Heer, Jeffrey, Michael Bostock, and Vadim Ogievetsky. A tour through the visualization zoo. Commun. Acm 53, no. 6 (2010).
• Van Wijk, Jarke J. The value of visualization. IEEE Visualization, 2005.
• Liu, Shixia, Weiwei Cui, Yingcai Wu, and Mengchen Liu. A survey on information visualization: recent advances and challenges. The Visual Computer 30, no. 12 (2014).

Teoría, El proceso de Visualización

Teoría:

3. ¿Qué visualizar? Abstracción de Datos
4. ¿Para qué visualizar? Abstracción de Tareas
5. ¿Cómo visualizar? Codificación Visual

Práctica:

1. Los Datos y las Herramientas: Encuesta Origen-Destino + Python

Lectura:

• Cleveland, William S., and Robert McGill. Graphical perception: Theory, experimentation, and application to the development of graphical methods. Journal of the American statistical association 79, no. 387 (1984).

Técnicas de Visualización por tipo de Dataset

Teoría:

6. Tablas
7. Datos Geográficos y Espaciales
8. Redes y Árboles
9. Texto

Prácticas (utilizando el módulo aves y la Encuesta Origen-Destino de Santiago 2012):

1. Visualización de Tablas (junto a Paula Vásquez-Henríquez)
2. Datos Geográficos: Operaciones en geopandas
3. Datos Geográficos: Mapas: dot_map, bubble_map, heat_map, choropleth_map
4. Redes
5. Texto

Lecturas:

• Andrienko, Natalia, Gennady Andrienko, and Peter Gatalsky. Exploratory spatio-temporal visualization: an analytical review. Journal of Visual Languages & Computing 14, no. 6 (2003).
• Chen, Wei, Fangzhou Guo, and Fei-Yue Wang. A survey of traffic data visualization. IEEE Transactions on Intelligent Transportation Systems 16, no. 6 (2015).
• Hadlak, Steffen, Heidrun Schumann, and Hans-Jörg Schulz. A Survey of Multi-faceted Graph Visualization. In EuroVis (STARs), 2015.
• Collins, Christopher, Gerald Penn, and Sheelagh Carpendale. Bubble sets: Revealing set relations with isocontours over existing visualizations. IEEE Transactions on Visualization and Computer Graphics 15, no. 6 (2009).
• Collins, Christopher, Fernanda B. Viegas, and Martin Wattenberg. Parallel tag clouds to explore and analyze faceted text corpora. In 2009 IEEE Symposium on Visual Analytics Science and Technology, 2009.

Profundización

Teoría:

10. Colores
11. Evaluación de Visualizaciones
12. Reducción de Complejidad
13. Buenas (y Malas) Prácticas

Lecturas:

• Wattenberg, Martin, and Jesse Kriss. Designing for social data analysis. IEEE transactions on visualization and computer graphics 12, no. 4 (2006).
• Segel, Edward, and Jeffrey Heer. Narrative visualization: Telling stories with data. IEEE transactions on visualization and computer graphics 16, no. 6 (2010).
• Hullman, Jessica, and Nick Diakopoulos. Visualization rhetoric: Framing effects in narrative visualization. IEEE transactions on visualization and computer graphics 17, no. 12 (2011).

Versión 2019 del curso (slides)

Éstas son las presentaciones de las clases tradicionales del curso. Fueron dictadas el año 2019:

1. Introducción
2. Exhibición de Proyectos
3. Abstracción de Datos
4. Abstracción de Tareas
5. Codificación Visual
6. Visualización de Tablas
7. Visualización de Mapas y Datos Espaciales
8. Colores
9. Visualización de Redes y Árboles
10. Evaluación y Buenas Prácticas
11. Reducción de Complejidad
12. Visualización de Texto

El contenido está algo desactualizado pero la esencia se mantiene, y al estar en formato slides puede ser más cómodo de ver en algunos contextos.

Créditos y Agradecimientos

Este curso incluye material del libro Visualization Analysis & Design de Tamara Munzner y de las presentaciones de su curso de visualización. ¡Gracias, Tamara!