Titulo Estágio
ML4Vis - Aprendizagem computacional para validação de modelos de visualização
Local do Estágio
CISUC-CMS
Enquadramento
A quantidade de informação gerada a cada momento atualmente, quer devido à utilização da Internet ou da tecnologia associada a objetos e tarefas do dia-a-dia, levam à necessidade de uso de técnicas de visualização de forma a ser possível analisar os dados gerados. Apesar de, ao longo dos anos, terem surgido inúmeras técnicas diferentes de visualização, a sua utilização depende fortemente do que está contido nos dados, e a utilização da técnica errada ou menos adequada pode levar a dificuldades ou até más interpretações na leitura e interpetaçao da informação.
Já foi possível, até aos dias de hoje, perceber quais são, para alguns tipos de dados, ou consoante o contexto em que foram obtidos, as técnicas mais eficazes de forma a maximizar a retirada de informação. Além disso, também já foi possível associar estes conhecimentos a ferramentas de visualização, através da escrita de regras que permitem, em tempo real, escolher qual a melhor forma de visualizar os dados em mãos. Trata-se das técnicas de visualização automática e/ou adaptativa.
Visualização automática/adaptativa é uma subárea da visualização de informação que tem como objectivo visualizar dados automaticamente sem pressupor nenhum modelo de visualização. Como regra, as famílias das técnicas de visualização automática/adaptativa aplicam um sistema de regras para conseguir mapeamento entre os tipos de dados e os elementos gráficos usados no modelo de visualização. Em particular, os métodos de visualização automática procura e sugere um modelo de visualização mais adequado para os dados em questão, enquanto as técnicas de visualização adaptativa, tal como o nome indica, ajustam (adaptam) o modelo de visualização (seja escolhido automaticamente ou por designer) aos dados a visualizar.
O maior desafio das técnicas de visualização automática/adaptativa até então foi garantir a adequação e eficácia dos modelos de visualização escolhidos por um algoritmo computacional. Este desafio trata de uma fase essencial no pipeline de visualização: a sua validação.
Objetivo
O objetivo desta dissertação é estudar e implementar um modelo de Aprendizagem Computacional associado a um sistema de visualização de dados adaptativa para sua validação automática. Este sistema tem como propósito apresentar um conjunto de dados da melhor forma possível, fazendo-o sem o auxílio de um indivíduo para ser capaz de avaliar a capacidade de exposição da informação neles contida.
Para isto, será feito o uso de Redes Neuronais, que através de um conjunto de dados pré-selecionados de teste, serão treinadas para tentar complementar o sistema de visualização existente, de modo a torná-la auto-adaptativa. Através de métricas de avaliação, será possível medir a performance das técnicas de visualização usadas, podendo melhorar o funcionamento do sistema.
Numa primeira fase, serão testadas em técnicas de visualização relativamente simples, como gráficos de barras ou gráficos de setores (Pie Charts), avançando posteriormente para técnicas mais avançadas como, por exemplo, gráficos baseados em glifos. Esta abordagem deve-se a um objectivo secundário: generalizar os modelos de visualização automática/adaptativa.
Plano de Trabalhos - Semestre 1
- Revisão da bibliografia e Estado da Arte;
- Análise e estudo de técnicas do estado da arte em visualização automática/adaptativa e aplicação de machine learning no reconhecimento e aprendizagem dos modelos de visualização;
- Definição das técnicas/abordagens a explorar;
- Desenvolvimento das experiências para provas de conceito;
- Elaboração do relatório intermédio da dissertação.
Plano de Trabalhos - Semestre 2
- Implementação dos modelos/técnicas definidas;
- Experimentação, testes e validação do sistema;
- Escrita da Dissertação e disseminação dos resultados obtidos através da publicação de um artigo científico.
Condições
- O estágio será realizado nas instalações do grupo CMS do CISUC.
- Durante a fase de candidaturas, dúvidas relacionadas com esta proposta devem ser esclarecidas através de email ou de uma reunião presencial/videoconferência.
- Existe a possibilidade de o/a estudante de atribuir uma Bolsa de Investigação para Licenciado por pelo menos 6 meses, eventualmente renovável. A bolsa irá seguir os valores mensais estipulados pela Fundação para a Ciência e Tecnologia (FCT).
Contactar orientadores:
Evgheni Polisciuc (evgheni@dei.uc.pt)
João Correia (jncor@dei.uc.pt)
Orientador
Evgheni Polisciuc / João Correia
evgheni@dei.uc.pt 📩