Datenvisualisierung

Signalverarbeitung

Die Signalverarbeitung wird in Anwendungen wie der Sprachanalyse, der Überwachung der Herzfrequenz, der drahtlosen Kommunikation, der Fernerkundung, der Klimaüberwachung und der GPS-Technik eingesetzt. Zu den typischen Aufgaben gehören die Vorverarbeitung und der Vergleich von Signalen, die Entwicklung digitaler Filter, die Umwandlung von Signalen, die Durchführung von Messungen und die Erkennung von Mustern und Ereignissen. Anhand von Datenvisualisierungen werden hierbei relevante Signale im Zeit- und Frequenzbereich sowie im Zeit-Frequenz-Bereich analysiert.

Das folgende Diagramm zeigt die Audiodaten eines pazifischen Blauwals. Die Visualisierung erfolgt in MATLAB^® mithilfe der Signal Analyzer App, mit der man Signale im Zeit- und Frequenzbereich visualisieren kann.

Bildverarbeitung und Computer Vision

Die Bild- und Videoverarbeitung erleichtert das Erkennen von Formen, Zählen von Objekten, Identifizieren von Farben, Messen von Objekteigenschaften und das Auffinden weiterer nützlicher Informationen. Bildverarbeitungstechniken werden häufig als Vorverarbeitungsschritt im Computer-Vision-Workflow herangezogen. Zu den Anwendungen in diesem Bereich gehören unter anderem die Gesichtserkennung für Smartphones, die Fußgänger- und Fahrzeugvermeidung in selbstfahrenden Fahrzeugen, die Videoüberwachung, die Tumorerkennung in MRT-Geräten und andere Bildabfragesysteme.

Beispielsweise verwendet BMW Computer-Vision-Funktionen in Assisted Driving View (ADV) zur Darstellung von Fahrzeugen in der Umgebung und zur Erkennung der Fahrzeugtypen.

Künstliche Intelligenz (KI)

Bei der Entwicklung von KI-Modellen – sei es mithilfe von Machine Learning oder Deep Learning – spielt die Datenvisualisierung eine wichtige Rolle, da die Modelle auf umfangreichen Datensätzen beruhen, die schwer zu interpretieren sind. Für das Machine Learning erleichtert die Clusteranalyse die Erkennung von Unregelmäßigkeiten und die Vorverarbeitung von Daten beim Supervised Learning. Die Hauptkomponentenanalyse (PCA) und t-distributed Stochastic Neighbor Embedding (t-SNE) sind die beiden am häufigsten verwendeten Datenvisualisierungstechniken. Diese tragen dazu bei, die Datendimensionen zu reduzieren, wodurch Sie sich in erster Linie auf die wichtigsten differenzierenden Dimensionen konzentrieren können.

Beim Deep Learning können Sie den Trainingsfortschritt mithilfe von Datenvisualisierungen wie Diagrammen der Netzwerkgenauigkeit und des -verlusts überwachen und trainierte Netzwerke mithilfe von Visualisierungstechniken wie Gradient-weighted Class Activation Mapping (Grad-CAM), Okklusionsempfindlichkeit, lokal interpretierbaren modellagnostischen Erklärungen (LIME) und Deep Dream untersuchen.

Wie funktioniert die Datenvisualisierung?

Softwarepakete bieten verschiedene Möglichkeiten zur Umwandlung von Rohdaten in aussagekräftige Visualisierungen, wie z. B. Grafiken, Schaubilder und Diagramme. Nachfolgend sehen Sie ein anschauliches Beispiel für Daten zur Radverkehrsdichte. Allein durch die visuelle Betrachtung der Rohdaten ist es schwierig, eine Beziehung zwischen den Datenpunkten herzustellen.

Das nachstehende Balkendiagramm zeigt, dass die Radverkehrsdichte an den einzelnen Wochentagen steigt und fällt. Es steht nun fest, dass die Zahl der Radfahrer an Werktagen höher ist als an Wochenenden. Diese Visualisierung lässt den Schluss zu, dass die Radfahrer auf dieser Strecke überwiegend zur Arbeit und zurück pendeln.

Ein Streudiagramm kann verwendet werden, um mehr Erkenntnisse aus denselben Daten zu gewinnen. Das folgende Diagramm zeigt die Gesamtzahl der Fahrräder in Richtung Osten bzw. Westen zu bestimmten Tageszeiten. Aus diesem Diagramm können wir schließen, dass die Strecken in östlicher Richtung zu den Geschäftsvierteln und die Strecken in westlicher Richtung zu Wohngegenden führen. Außerdem können wir feststellen, dass der Berufsverkehr von 8:00-10:00 Uhr auf der ostwärts gerichteten Strecke und von 16:00-18:00 Uhr auf der westwärts gerichteten Strecke stattfindet.

Ein Schwarmdiagramm ist eine spezielle Art von Streudiagramm, das die Dichte des Radverkehrs zu verschiedenen Tageszeiten, Wochentagen und in verschiedenen Richtungen aufzeigen kann.

In unserem Beispiel zum Fahrradverkehr ermöglicht uns die Visualisierung der Daten mit verschiedenen Diagrammtypen wie Balken-, Streu- und Schwarmdiagrammen, nützliche Informationen aus dem Datensatz zu extrahieren, wie beispielsweise die Tage mit dem höchsten Verkehrsaufkommen, die Richtung des Pendlerverkehrs und die verkehrsreichste Zeit des Tages.