Ingegneria informatica e dell'intelligenza artificiale
Cod 198298
- Laurea magistrale
- 2 anni
- 120 CFU
- LM-32
ING-INF/05
Visualizzazione delle Informazioni
Codice: 20802126
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Ingegneria informatica e dell'intelligenza artificiale
- Periodo di erogazione
- Secondo semestre
- CFU
- 6 CFU
- Lingua
- Italiano
- SSD
- ING-INF/05
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027. L’insegnamento è diviso in canali: ogni canale ha il suo programma.
- Docente
- Maurizio Patrignani
- Curriculum
- Sistemi Informatici Complessi
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 54
- CUIN
- 260002639
Programma
Data and Visualization: Data overloading. Comparison of Scientific Visualization and Information Visualization. Structured and Unstructured data. Data transformation. Data tables.
Visual Perception: Our vision’s principles and limitations. Peripheral and central view. The perception of color.
Cognitive Issues and User Tasks: Perception abilities. Weber's law. Stevens' power law. Gestalt laws. A two stage model for visual perception. Task taxonomies.
Infovis on the Web - SVG and D3.js: Basic ingredients of Web data visualization. JavaScript crash course. Raster and vector graphics. Overview of JavaScript libraries. Focus on D3.js.
Multivariate Data Representations: Combined views. Icons or glyphs. Alternative coordinate systems.
Visualization in Computer Networks: Visual analysis in the computer network domain. Motivations. Taxonomies. Real-world examples and use cases. Open questions.
Design Methods and Evaluation: Design methodologies and design choices. Design evaluation (goals, difficulties, practices, guidelines).
Visualization of Time Series Data: Definition of time series and temporal data. Visualization of time series (single dependent variable, multiple dependent variables). Case studies.
Interaction: Classification of interaction mechanisms, goals, and timings. Examples of interaction strategies.
Introduction to Graph Drawing: Graph Drawing conventions and aesthetics. The divide an conquer approach for testing planarity of a graph.
Node-link Representations of Trees: Representing trees within the node-link paradigm. Layered drawings of trees. Hv-drawings of trees. Limitations of node-link representations.
Space-Filling Visualizations of Trees: Algorithms and systems for the representation of trees using the space-filling strategy. Treemaps. 3D Space-filling approaches.
Representations of Graphs and Networks with the Force-Directed Approach: The force-directed paradigm. The barycenter method. Spring embedders. Scalability and flexibility of the force-directed paradigm. Fruchterman-Reingold and Barnes–Hut algorithms. Simulating graph theoretic distances. Magnetic fields. Generic energy functions. Handling drawing constraints.
Representations of Hierarchical Data: Algorithms for the representation of layered networks. The Sugiyama approach. Step 1: Cycle removal. Step 2: Level Assignment. Step 3: Crossing Reduction. Step 4: X-Coordinate Assignment
Orthogonal Drawings: Computing orthogonal drawings via Network Flows. The Topology-Shape-Metric approach. Extension to graphs of arbitrary degree. Representations of orthogonal drawings obtained from visibility representations and by incremental approaches.
Visualizing Large Graphs: Strategies for the visualization of massive amount of data providing both overview and details. Alternate between views. Combine different views. Filtering and clustering principles. Three-dimensional and two-dimensional representations of clustered graphs. Hybrid representations.
Tools and Libraries for Drawing Graphs: Tools and Libraries for drawing graphs. Programming languages, input and output formats, and interaction. Some practical example.
Architectures for Scalable Information Visualization: Computational and memory scalabity. Visualization architectures. Strategies for visualizing massive amounts of data.
Prerequisiti
Concetti elementari di corsi di base di Informatica come Algoritmi e Strutture di Dati e Informatica Teorica.
Testi adottati
Trasparenze fornite dal docente e scaricabili via via dal sito istituzionale del corso su Moodle.
Bibliografia di riferimento
[Turfe 83] Edward R. Tufte, “The Visual Display of Quantitative Information”, Graphic Press, 1983. 2nd edition, 2001
[Ware 10] Colin Ware, “Visual Thinking for Design”, Morgan Kaufmann, 2010
[Ware 13] Colin Ware, “Information Visualization: Perception for Design”, Morgan Kaufmann, 3rd ed., 2013
[Inselberg 85] Alfred Inselberg, "The Plane with Parallel Coordinates". Visual Computer 1, 1985
[Murray ‘13] Scott Murray, “Interactive Data Visualization for the Web”. O’Reilly Media, 1st ed., 2013
[Munzner 14] Tamara Munzner, “Visualization Analysis and Design”, CRC Press, 2014.
Modalità di erogazione
Lezioni frontali in classe con proiezione ed illustrazione delle slides del corso.
Modalità di frequenza
Le trasparenze del corso sono abbondantemente commentate allo scopo di rendere possibile la preparazione all'esame anche agli studenti non frequentanti.
Modalità di valutazione
Un breve compito scritto (20% della valutazione). Un progetto di gruppo a fine corso (80% della valutazione).
Attenzione: nei periodi di emergenza COVID-19 l’esame di profitto sarà svolto secondo quanto previsto all’art.1 del Decreto Rettorale n°. 703 del 5 maggio 2020. La prova orale sarà determinante per l’attribuzione della valutazione finale.
Criteri di assegnazione dei voti: La valutazione degli studenti si basa sui descrittori di Dublino e tiene conto del livello di conoscenza, comprensione ed elaborazione critica degli argomenti trattati nel corso. Gli studenti che dimostrano di aver acquisito i concetti fondamentali e di saperli applicare in contesti semplici otterranno una valutazione sufficiente. I voti medi saranno assegnati a coloro che, oltre a padroneggiare le basi, mostrano capacità di analisi e rielaborazione autonoma di concetti più complessi. I voti più alti sono riservati agli studenti che evidenziano una comprensione approfondita, capacità di sintesi, spirito critico e autonomia nel risolvere problemi anche nuovi o non affrontati esplicitamente durante il corso.
Prove previste
- Prova scritta
- Valutazione di un progetto
- Docente
- Maurizio Patrignani
- Curriculum
- Ingegneria dei Dati
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 54
- CUIN
- 260002647
Programma
Data and Visualization: Data overloading. Comparison of Scientific Visualization and Information Visualization. Structured and Unstructured data. Data transformation. Data tables.
Visual Perception: Our vision’s principles and limitations. Peripheral and central view. The perception of color.
Cognitive Issues and User Tasks: Perception abilities. Weber's law. Stevens' power law. Gestalt laws. A two stage model for visual perception. Task taxonomies.
Infovis on the Web - SVG and D3.js: Basic ingredients of Web data visualization. JavaScript crash course. Raster and vector graphics. Overview of JavaScript libraries. Focus on D3.js.
Multivariate Data Representations: Combined views. Icons or glyphs. Alternative coordinate systems.
Visualization in Computer Networks: Visual analysis in the computer network domain. Motivations. Taxonomies. Real-world examples and use cases. Open questions.
Design Methods and Evaluation: Design methodologies and design choices. Design evaluation (goals, difficulties, practices, guidelines).
Visualization of Time Series Data: Definition of time series and temporal data. Visualization of time series (single dependent variable, multiple dependent variables). Case studies.
Interaction: Classification of interaction mechanisms, goals, and timings. Examples of interaction strategies.
Introduction to Graph Drawing: Graph Drawing conventions and aesthetics. The divide an conquer approach for testing planarity of a graph.
Node-link Representations of Trees: Representing trees within the node-link paradigm. Layered drawings of trees. Hv-drawings of trees. Limitations of node-link representations.
Space-Filling Visualizations of Trees: Algorithms and systems for the representation of trees using the space-filling strategy. Treemaps. 3D Space-filling approaches.
Representations of Graphs and Networks with the Force-Directed Approach: The force-directed paradigm. The barycenter method. Spring embedders. Scalability and flexibility of the force-directed paradigm. Fruchterman-Reingold and Barnes–Hut algorithms. Simulating graph theoretic distances. Magnetic fields. Generic energy functions. Handling drawing constraints.
Representations of Hierarchical Data: Algorithms for the representation of layered networks. The Sugiyama approach. Step 1: Cycle removal. Step 2: Level Assignment. Step 3: Crossing Reduction. Step 4: X-Coordinate Assignment
Orthogonal Drawings: Computing orthogonal drawings via Network Flows. The Topology-Shape-Metric approach. Extension to graphs of arbitrary degree. Representations of orthogonal drawings obtained from visibility representations and by incremental approaches.
Visualizing Large Graphs: Strategies for the visualization of massive amount of data providing both overview and details. Alternate between views. Combine different views. Filtering and clustering principles. Three-dimensional and two-dimensional representations of clustered graphs. Hybrid representations.
Tools and Libraries for Drawing Graphs: Tools and Libraries for drawing graphs. Programming languages, input and output formats, and interaction. Some practical example.
Architectures for Scalable Information Visualization: Computational and memory scalabity. Visualization architectures. Strategies for visualizing massive amounts of data.
Prerequisiti
Concetti elementari di corsi di base di Informatica come Algoritmi e Strutture di Dati e Informatica Teorica.
Testi adottati
Trasparenze fornite dal docente e scaricabili via via dal sito istituzionale del corso su Moodle.
Bibliografia di riferimento
[Turfe 83] Edward R. Tufte, “The Visual Display of Quantitative Information”, Graphic Press, 1983. 2nd edition, 2001
[Ware 10] Colin Ware, “Visual Thinking for Design”, Morgan Kaufmann, 2010
[Ware 13] Colin Ware, “Information Visualization: Perception for Design”, Morgan Kaufmann, 3rd ed., 2013
[Inselberg 85] Alfred Inselberg, "The Plane with Parallel Coordinates". Visual Computer 1, 1985
[Murray ‘13] Scott Murray, “Interactive Data Visualization for the Web”. O’Reilly Media, 1st ed., 2013
[Munzner 14] Tamara Munzner, “Visualization Analysis and Design”, CRC Press, 2014.
Modalità di erogazione
Lezioni frontali in classe con proiezione ed illustrazione delle slides del corso.
Modalità di frequenza
Le trasparenze del corso sono abbondantemente commentate allo scopo di rendere possibile la preparazione all'esame anche agli studenti non frequentanti.
Modalità di valutazione
Un breve compito scritto (20% della valutazione). Un progetto di gruppo a fine corso (80% della valutazione).
Attenzione: nei periodi di emergenza COVID-19 l’esame di profitto sarà svolto secondo quanto previsto all’art.1 del Decreto Rettorale n°. 703 del 5 maggio 2020. La prova orale sarà determinante per l’attribuzione della valutazione finale.
Criteri di assegnazione dei voti: La valutazione degli studenti si basa sui descrittori di Dublino e tiene conto del livello di conoscenza, comprensione ed elaborazione critica degli argomenti trattati nel corso. Gli studenti che dimostrano di aver acquisito i concetti fondamentali e di saperli applicare in contesti semplici otterranno una valutazione sufficiente. I voti medi saranno assegnati a coloro che, oltre a padroneggiare le basi, mostrano capacità di analisi e rielaborazione autonoma di concetti più complessi. I voti più alti sono riservati agli studenti che evidenziano una comprensione approfondita, capacità di sintesi, spirito critico e autonomia nel risolvere problemi anche nuovi o non affrontati esplicitamente durante il corso.
Prove previste
- Prova scritta
- Valutazione di un progetto
- Docente
- Maurizio Patrignani
- Curriculum
- Algoritmi, Big Data e Machine Learning
- Anno di corso
- 2
- Periodo
- Secondo semestre
- Ore
- 54
- CUIN
- 260002663
Programma
Data and Visualization: Data overloading. Comparison of Scientific Visualization and Information Visualization. Structured and Unstructured data. Data transformation. Data tables.
Visual Perception: Our vision’s principles and limitations. Peripheral and central view. The perception of color.
Cognitive Issues and User Tasks: Perception abilities. Weber's law. Stevens' power law. Gestalt laws. A two stage model for visual perception. Task taxonomies.
Infovis on the Web - SVG and D3.js: Basic ingredients of Web data visualization. JavaScript crash course. Raster and vector graphics. Overview of JavaScript libraries. Focus on D3.js.
Multivariate Data Representations: Combined views. Icons or glyphs. Alternative coordinate systems.
Visualization in Computer Networks: Visual analysis in the computer network domain. Motivations. Taxonomies. Real-world examples and use cases. Open questions.
Design Methods and Evaluation: Design methodologies and design choices. Design evaluation (goals, difficulties, practices, guidelines).
Visualization of Time Series Data: Definition of time series and temporal data. Visualization of time series (single dependent variable, multiple dependent variables). Case studies.
Interaction: Classification of interaction mechanisms, goals, and timings. Examples of interaction strategies.
Introduction to Graph Drawing: Graph Drawing conventions and aesthetics. The divide an conquer approach for testing planarity of a graph.
Node-link Representations of Trees: Representing trees within the node-link paradigm. Layered drawings of trees. Hv-drawings of trees. Limitations of node-link representations.
Space-Filling Visualizations of Trees: Algorithms and systems for the representation of trees using the space-filling strategy. Treemaps. 3D Space-filling approaches.
Representations of Graphs and Networks with the Force-Directed Approach: The force-directed paradigm. The barycenter method. Spring embedders. Scalability and flexibility of the force-directed paradigm. Fruchterman-Reingold and Barnes–Hut algorithms. Simulating graph theoretic distances. Magnetic fields. Generic energy functions. Handling drawing constraints.
Representations of Hierarchical Data: Algorithms for the representation of layered networks. The Sugiyama approach. Step 1: Cycle removal. Step 2: Level Assignment. Step 3: Crossing Reduction. Step 4: X-Coordinate Assignment
Orthogonal Drawings: Computing orthogonal drawings via Network Flows. The Topology-Shape-Metric approach. Extension to graphs of arbitrary degree. Representations of orthogonal drawings obtained from visibility representations and by incremental approaches.
Visualizing Large Graphs: Strategies for the visualization of massive amount of data providing both overview and details. Alternate between views. Combine different views. Filtering and clustering principles. Three-dimensional and two-dimensional representations of clustered graphs. Hybrid representations.
Tools and Libraries for Drawing Graphs: Tools and Libraries for drawing graphs. Programming languages, input and output formats, and interaction. Some practical example.
Architectures for Scalable Information Visualization: Computational and memory scalabity. Visualization architectures. Strategies for visualizing massive amounts of data.
Prerequisiti
Concetti elementari di corsi di base di Informatica come Algoritmi e Strutture di Dati e Informatica Teorica.
Testi adottati
Trasparenze fornite dal docente e scaricabili via via dal sito istituzionale del corso su Moodle.
Bibliografia di riferimento
[Turfe 83] Edward R. Tufte, “The Visual Display of Quantitative Information”, Graphic Press, 1983. 2nd edition, 2001
[Ware 10] Colin Ware, “Visual Thinking for Design”, Morgan Kaufmann, 2010
[Ware 13] Colin Ware, “Information Visualization: Perception for Design”, Morgan Kaufmann, 3rd ed., 2013
[Inselberg 85] Alfred Inselberg, "The Plane with Parallel Coordinates". Visual Computer 1, 1985
[Murray ‘13] Scott Murray, “Interactive Data Visualization for the Web”. O’Reilly Media, 1st ed., 2013
[Munzner 14] Tamara Munzner, “Visualization Analysis and Design”, CRC Press, 2014.
Modalità di erogazione
Lezioni frontali in classe con proiezione ed illustrazione delle slides del corso.
Modalità di frequenza
Le trasparenze del corso sono abbondantemente commentate allo scopo di rendere possibile la preparazione all'esame anche agli studenti non frequentanti.
Modalità di valutazione
Un breve compito scritto (20% della valutazione). Un progetto di gruppo a fine corso (80% della valutazione).
Attenzione: nei periodi di emergenza COVID-19 l’esame di profitto sarà svolto secondo quanto previsto all’art.1 del Decreto Rettorale n°. 703 del 5 maggio 2020. La prova orale sarà determinante per l’attribuzione della valutazione finale.
Criteri di assegnazione dei voti: La valutazione degli studenti si basa sui descrittori di Dublino e tiene conto del livello di conoscenza, comprensione ed elaborazione critica degli argomenti trattati nel corso. Gli studenti che dimostrano di aver acquisito i concetti fondamentali e di saperli applicare in contesti semplici otterranno una valutazione sufficiente. I voti medi saranno assegnati a coloro che, oltre a padroneggiare le basi, mostrano capacità di analisi e rielaborazione autonoma di concetti più complessi. I voti più alti sono riservati agli studenti che evidenziano una comprensione approfondita, capacità di sintesi, spirito critico e autonomia nel risolvere problemi anche nuovi o non affrontati esplicitamente durante il corso.
Prove previste
- Prova scritta
- Valutazione di un progetto
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Ingegneria informatica
Gli obiettivi del corso sono quelli di introdurre lo studente ai problemi e alle soluzioni relative all'esplorazione visuale di dati astratti, con particolare enfasi sui fenomeni della percezione visiva,sulle metafore grafiche che possono essere adottate e sui metodi e modelli algoritmici più comunemente utilizzati. Verranno approfondite le
conoscenze degli studenti su problemi di ingegneria degli algoritmi e diottimizzazione su reti. Tali conoscenze verranno applicate a problemi di visualizzazione dell'informazione di varia natura e con una forte connotazione pratica.
Risultati di apprendimento attesi — Maurizio Patrignani
Al termine del corso, lo studente sarà in grado di:
Conoscenza e comprensione
- Comprendere i principi fondamentali della visualizzazione delle informazioni e le differenze tra Scientific Visualization e Information Visualization.
- Comprendere le caratteristiche dei dati strutturati e non strutturati e le principali tecniche di trasformazione e rappresentazione dei dati.
- Conoscere i principi della percezione visiva umana, incluse le limitazioni del sistema visivo, la percezione del colore e le differenze tra visione periferica e centrale.
- Comprendere gli aspetti cognitivi coinvolti nell’interpretazione delle visualizzazioni, incluse le leggi di Weber e Stevens, le leggi della Gestalt e i modelli cognitivi della percezione visiva.
- Conoscere i principali paradigmi e strumenti per la visualizzazione sul Web, con particolare attenzione a SVG, D3.js e alle differenze tra grafica raster e vettoriale.
- Comprendere le principali tecniche per la rappresentazione di dati multivariati, temporali, gerarchici e reticolari.
- Comprendere i paradigmi fondamentali per il disegno automatico di grafi e reti, incluse le tecniche force-directed, gerarchiche, ortogonali e space-filling.
- Comprendere i problemi di scalabilità computazionale e visiva nella visualizzazione di grandi quantità di dati.
Capacità di applicare conoscenza e comprensione
- Progettare visualizzazioni efficaci in funzione delle caratteristiche dei dati e dei compiti dell’utente.
- Selezionare tecniche di rappresentazione appropriate per dati temporali, multivariati, gerarchici e reticolari.
- Analizzare criticamente l’efficacia percettiva e cognitiva di una visualizzazione.
- Realizzare visualizzazioni interattive sul Web utilizzando SVG, JavaScript e D3.js.
- Applicare algoritmi e tecniche per il disegno automatico di alberi, grafi e reti.
- Utilizzare strumenti e librerie software per la costruzione di visualizzazioni e diagrammi di grafi.
- Affrontare problemi di visualizzazione di grandi insiemi di dati mediante tecniche di filtraggio, clustering, aggregazione e navigazione multi-scala.
- Interpretare e analizzare visualizzazioni nel dominio delle reti di calcolatori e di altri sistemi complessi.
Autonomia di giudizio
- Valutare criticamente le scelte progettuali adottate in una visualizzazione delle informazioni.
- Confrontare differenti paradigmi di rappresentazione sulla base di efficacia, leggibilità, scalabilità e interattività.
- Individuare limiti e potenziali distorsioni percettive e cognitive nelle rappresentazioni visive dei dati.
- Scegliere metodologie e tecniche di valutazione adeguate per verificare la qualità di una visualizzazione.
Abilità comunicative
- Utilizzare correttamente la terminologia tecnica relativa alla visualizzazione delle informazioni, alla percezione visiva e al graph drawing.
- Presentare e discutere tecniche, algoritmi e sistemi di visualizzazione mediante esempi, diagrammi e dimostrazioni pratiche.
- Comunicare risultati analitici attraverso rappresentazioni visive efficaci e appropriate.
Capacità di apprendimento
- Approfondire autonomamente nuove tecniche, librerie e strumenti per la visualizzazione dei dati.
- Comprendere articoli scientifici e documentazione tecnica relativi alla Information Visualization e al Graph Drawing.
- Adattarsi all’evoluzione delle tecnologie e dei paradigmi per la visualizzazione interattiva e scalabile dei dati.
Risultati di apprendimento attesi — Maurizio Patrignani
Al termine del corso, lo studente sarà in grado di:
Conoscenza e comprensione
- Comprendere i principi fondamentali della visualizzazione delle informazioni e le differenze tra Scientific Visualization e Information Visualization.
- Comprendere le caratteristiche dei dati strutturati e non strutturati e le principali tecniche di trasformazione e rappresentazione dei dati.
- Conoscere i principi della percezione visiva umana, incluse le limitazioni del sistema visivo, la percezione del colore e le differenze tra visione periferica e centrale.
- Comprendere gli aspetti cognitivi coinvolti nell’interpretazione delle visualizzazioni, incluse le leggi di Weber e Stevens, le leggi della Gestalt e i modelli cognitivi della percezione visiva.
- Conoscere i principali paradigmi e strumenti per la visualizzazione sul Web, con particolare attenzione a SVG, D3.js e alle differenze tra grafica raster e vettoriale.
- Comprendere le principali tecniche per la rappresentazione di dati multivariati, temporali, gerarchici e reticolari.
- Comprendere i paradigmi fondamentali per il disegno automatico di grafi e reti, incluse le tecniche force-directed, gerarchiche, ortogonali e space-filling.
- Comprendere i problemi di scalabilità computazionale e visiva nella visualizzazione di grandi quantità di dati.
Capacità di applicare conoscenza e comprensione
- Progettare visualizzazioni efficaci in funzione delle caratteristiche dei dati e dei compiti dell’utente.
- Selezionare tecniche di rappresentazione appropriate per dati temporali, multivariati, gerarchici e reticolari.
- Analizzare criticamente l’efficacia percettiva e cognitiva di una visualizzazione.
- Realizzare visualizzazioni interattive sul Web utilizzando SVG, JavaScript e D3.js.
- Applicare algoritmi e tecniche per il disegno automatico di alberi, grafi e reti.
- Utilizzare strumenti e librerie software per la costruzione di visualizzazioni e diagrammi di grafi.
- Affrontare problemi di visualizzazione di grandi insiemi di dati mediante tecniche di filtraggio, clustering, aggregazione e navigazione multi-scala.
- Interpretare e analizzare visualizzazioni nel dominio delle reti di calcolatori e di altri sistemi complessi.
Autonomia di giudizio
- Valutare criticamente le scelte progettuali adottate in una visualizzazione delle informazioni.
- Confrontare differenti paradigmi di rappresentazione sulla base di efficacia, leggibilità, scalabilità e interattività.
- Individuare limiti e potenziali distorsioni percettive e cognitive nelle rappresentazioni visive dei dati.
- Scegliere metodologie e tecniche di valutazione adeguate per verificare la qualità di una visualizzazione.
Abilità comunicative
- Utilizzare correttamente la terminologia tecnica relativa alla visualizzazione delle informazioni, alla percezione visiva e al graph drawing.
- Presentare e discutere tecniche, algoritmi e sistemi di visualizzazione mediante esempi, diagrammi e dimostrazioni pratiche.
- Comunicare risultati analitici attraverso rappresentazioni visive efficaci e appropriate.
Capacità di apprendimento
- Approfondire autonomamente nuove tecniche, librerie e strumenti per la visualizzazione dei dati.
- Comprendere articoli scientifici e documentazione tecnica relativi alla Information Visualization e al Graph Drawing.
- Adattarsi all’evoluzione delle tecnologie e dei paradigmi per la visualizzazione interattiva e scalabile dei dati.
Risultati di apprendimento attesi — Maurizio Patrignani
Al termine del corso, lo studente sarà in grado di:
Conoscenza e comprensione
- Comprendere i principi fondamentali della visualizzazione delle informazioni e le differenze tra Scientific Visualization e Information Visualization.
- Comprendere le caratteristiche dei dati strutturati e non strutturati e le principali tecniche di trasformazione e rappresentazione dei dati.
- Conoscere i principi della percezione visiva umana, incluse le limitazioni del sistema visivo, la percezione del colore e le differenze tra visione periferica e centrale.
- Comprendere gli aspetti cognitivi coinvolti nell’interpretazione delle visualizzazioni, incluse le leggi di Weber e Stevens, le leggi della Gestalt e i modelli cognitivi della percezione visiva.
- Conoscere i principali paradigmi e strumenti per la visualizzazione sul Web, con particolare attenzione a SVG, D3.js e alle differenze tra grafica raster e vettoriale.
- Comprendere le principali tecniche per la rappresentazione di dati multivariati, temporali, gerarchici e reticolari.
- Comprendere i paradigmi fondamentali per il disegno automatico di grafi e reti, incluse le tecniche force-directed, gerarchiche, ortogonali e space-filling.
- Comprendere i problemi di scalabilità computazionale e visiva nella visualizzazione di grandi quantità di dati.
Capacità di applicare conoscenza e comprensione
- Progettare visualizzazioni efficaci in funzione delle caratteristiche dei dati e dei compiti dell’utente.
- Selezionare tecniche di rappresentazione appropriate per dati temporali, multivariati, gerarchici e reticolari.
- Analizzare criticamente l’efficacia percettiva e cognitiva di una visualizzazione.
- Realizzare visualizzazioni interattive sul Web utilizzando SVG, JavaScript e D3.js.
- Applicare algoritmi e tecniche per il disegno automatico di alberi, grafi e reti.
- Utilizzare strumenti e librerie software per la costruzione di visualizzazioni e diagrammi di grafi.
- Affrontare problemi di visualizzazione di grandi insiemi di dati mediante tecniche di filtraggio, clustering, aggregazione e navigazione multi-scala.
- Interpretare e analizzare visualizzazioni nel dominio delle reti di calcolatori e di altri sistemi complessi.
Autonomia di giudizio
- Valutare criticamente le scelte progettuali adottate in una visualizzazione delle informazioni.
- Confrontare differenti paradigmi di rappresentazione sulla base di efficacia, leggibilità, scalabilità e interattività.
- Individuare limiti e potenziali distorsioni percettive e cognitive nelle rappresentazioni visive dei dati.
- Scegliere metodologie e tecniche di valutazione adeguate per verificare la qualità di una visualizzazione.
Abilità comunicative
- Utilizzare correttamente la terminologia tecnica relativa alla visualizzazione delle informazioni, alla percezione visiva e al graph drawing.
- Presentare e discutere tecniche, algoritmi e sistemi di visualizzazione mediante esempi, diagrammi e dimostrazioni pratiche.
- Comunicare risultati analitici attraverso rappresentazioni visive efficaci e appropriate.
Capacità di apprendimento
- Approfondire autonomamente nuove tecniche, librerie e strumenti per la visualizzazione dei dati.
- Comprendere articoli scientifici e documentazione tecnica relativi alla Information Visualization e al Graph Drawing.
- Adattarsi all’evoluzione delle tecnologie e dei paradigmi per la visualizzazione interattiva e scalabile dei dati.
Obiettivi di sostenibilità
- 9 Imprese, innovazione e infrastrutture
Esempi di domande d’esame
Maurizio Patrignani
1. Descrivi cosa ricordi dei principi della percezione dell’occhio umano. Quali sono le differenze tra i recettori chiamati coni e quelli chiamati bastoncelli; che differenza c’è tra la visione periferica e quella della fovea; cosa sono le saccadi e le fissazioni (fixations); che cosè la funzione DoG (Difference of Gaussian) e che effetti comporta; come è possibile spiegare grazie alla DoG delle illusioni ottiche come la Hermann grid illusion, le Mach bands, ecc
2. Descrivi cosa ricordi delle differenze tra la grafica raster e la grafica vettoriale. Quali sono i paradigmi utilizzati e quali sono i pro e i contro di entrambe le modalità; come classificheresti SVG e HTML Canvas; descrivi a grandi linee come si potrebbe disegnare un grafo con SVG oppure con HTML Canvas; che rapporto c’è tra le due modalità ed i paradigmi statefull e stateless; ecc.
Maurizio Patrignani
1. Descrivi cosa ricordi dei principi della percezione dell’occhio umano. Quali sono le differenze tra i recettori chiamati coni e quelli chiamati bastoncelli; che differenza c’è tra la visione periferica e quella della fovea; cosa sono le saccadi e le fissazioni (fixations); che cosè la funzione DoG (Difference of Gaussian) e che effetti comporta; come è possibile spiegare grazie alla DoG delle illusioni ottiche come la Hermann grid illusion, le Mach bands, ecc
2. Descrivi cosa ricordi delle differenze tra la grafica raster e la grafica vettoriale. Quali sono i paradigmi utilizzati e quali sono i pro e i contro di entrambe le modalità; come classificheresti SVG e HTML Canvas; descrivi a grandi linee come si potrebbe disegnare un grafo con SVG oppure con HTML Canvas; che rapporto c’è tra le due modalità ed i paradigmi statefull e stateless; ecc.
Maurizio Patrignani
1. Descrivi cosa ricordi dei principi della percezione dell’occhio umano. Quali sono le differenze tra i recettori chiamati coni e quelli chiamati bastoncelli; che differenza c’è tra la visione periferica e quella della fovea; cosa sono le saccadi e le fissazioni (fixations); che cosè la funzione DoG (Difference of Gaussian) e che effetti comporta; come è possibile spiegare grazie alla DoG delle illusioni ottiche come la Hermann grid illusion, le Mach bands, ecc
2. Descrivi cosa ricordi delle differenze tra la grafica raster e la grafica vettoriale. Quali sono i paradigmi utilizzati e quali sono i pro e i contro di entrambe le modalità; come classificheresti SVG e HTML Canvas; descrivi a grandi linee come si potrebbe disegnare un grafo con SVG oppure con HTML Canvas; che rapporto c’è tra le due modalità ed i paradigmi statefull e stateless; ecc.