# Datenanalyse, Visualisierung und Visual Analytics

**Sommer**


(engl. Data Analysis, Visualization and Visual Analytics )

<table bgcolor="#7FB3D9" border="1" id="bkmrk-%5Btitle%5D" style="width: 100%; border-collapse: collapse; border-width: 1px; border-style: none;"><colgroup><col style="width: 100%;"></col></colgroup><tbody><tr style="background-color: rgb(235, 243, 249);"><td>##### <span style="color: rgb(0, 104, 180);">**Modulnummer: FIN-INF-110388** </span>

</td></tr></tbody></table>

<table bgcolor="#7FB3D9" border="1" id="bkmrk-" style="border-collapse: collapse; width: 100%;"><colgroup><col style="width: 14.2515%;"></col><col style="width: 14.2515%;"></col><col style="width: 13.061%;"></col><col style="width: 15.442%;"></col><col style="width: 14.2515%;"></col><col style="width: 14.2515%;"></col><col style="width: 14.2515%;"></col></colgroup><tbody><tr><td class="align-center" style="border: 5px solid rgb(255, 255, 255);"><span style="color: rgb(61, 61, 61);">**Kürzel**</span>

<span style="color: rgb(61, 61, 61);">DatenVisVA </span>

</td><td class="align-center" style="border: 5px solid rgb(255, 255, 255);"><span style="color: rgb(61, 61, 61);">**CP**</span>

<span style="color: rgb(61, 61, 61);">5 </span>

</td><td class="align-center" style="border: 5px solid rgb(255, 255, 255);"><span style="color: rgb(61, 61, 61);">**Semester**</span>

<span style="color: rgb(61, 61, 61);">Sommer </span>

</td><td class="align-center" style="border: 5px solid rgb(255, 255, 255);"><span style="color: rgb(61, 61, 61);">**Fachsem.**</span>

<span style="color: #3d3d3d;">ab 4. </span>

</td><td class="align-center" style="border: 5px solid rgb(255, 255, 255);">**<span style="color: rgb(61, 61, 61);">Dauer</span>**

<span style="color: rgb(61, 61, 61);">1 Semester </span>

</td><td class="align-center" style="border: 5px solid rgb(255, 255, 255);"><span style="color: rgb(61, 61, 61);">**Sprache**</span>

<span style="color: rgb(61, 61, 61);">deutsch</span>

</td><td class="align-center" style="border: 5px solid rgb(255, 255, 255);"><span style="color: rgb(61, 61, 61);">**Niveau**</span>

<span style="color: rgb(61, 61, 61);">Bachelor </span>

</td></tr></tbody></table>

<table border="1" id="bkmrk-verantwortung%3A-verwe" style="border-collapse: collapse; width: 100%; height: 89.3907px; border-width: 1px; border-style: none;"><colgroup><col style="width: 20.2601%;"></col><col style="width: 79.7399%;"></col></colgroup><tbody><tr><td>**Link zum LSF:**</td><td>[ LSF](https://lsf.ovgu.de/qislsf/rds?state=wsearchv&search=1&subdir=veranstaltung&veranstaltung.semester=20261&veranstaltung.dtxt=Datenanalyse,+Visualisierung+und+Visual+Analytics&P_start=0&P_anzahl=30&P.sort=veranstaltung.dtxt&_form=display "Datenanalyse, Visualisierung und Visual Analytics")</td></tr><tr><td>**Zugang beschränkt:**</td><td></td></tr><tr style="height: 29.7969px;"><td style="height: 29.7969px;">**Verantwortung:**</td><td style="height: 29.7969px;">Holger Theisel </td></tr><tr style="height: 29.7969px;"><td style="height: 29.7969px;">**Dozent:in:**</td><td style="height: 29.7969px;">Dirk Joachim Lehmann </td></tr><tr><td>**Lehrveranstaltungen:**</td><td>Vorlesung *Datenanalyse, Visualisierung und Visual Analytics*</td></tr><tr style="height: 29.7969px;"><td style="height: 29.7969px;">**Verwendbarkeit:**</td><td style="height: 29.7969px;">- B.Sc. INF: Informatik - Wahlpflicht  
- B.Sc. INF: Informatik Wahlpflicht (SPO 2027)  
- B.Sc. CV: Computervisualistik - Wahlpflicht  
- B.Sc. CV: Computervisualistik Wahlpflicht (SPO 2027)  
- B.Sc. INGINF: Informatik - Wahlpflicht  
- B.Sc. INGINF: Informatik Wahlpflicht (SPO 2027)  
- B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht  
- B.Sc. WIF: Informatik Wahlpflicht (SPO 2027)  
- B.Sc. INF (bilingual): Informatik - Wahlpflicht  
- B.Sc. INF (bilingual): Informatik Wahlpflicht (SPO 2027)  
  
</td></tr></tbody></table>

**Angestrebte Lernergebnisse:** Die Studierenden ...

- kennen Methoden der Datenanalyse, Visualisierung und des Visual Analytics, einschließlich algorithmischer Verfahren zur Datenaufbereitung, Dimensionsreduktion und Clusteranalyse.
- kennen Visualisierungstechniken zur Darstellung hochdimensionaler Daten und interaktiver Visual Analytics-Ansätze zur Entscheidungsunterstützung.
- kennen kognitive und wahrnehmungspsychologische Aspekte der Datenvisualisierung sowie Prinzipien effektiver grafischer Darstellungen.
- können geeignete Methoden und Werkzeuge zur Analyse und Visualisierung komplexer Datenbestände auswählen, anwenden und interpretieren.
- können Visualisierungs- und Analysemodelle technisch umsetzen, evaluieren und in geeignete Applikationen integrieren.
- können die Qualität und Aussagekraft von Datenvisualisierungen und analytischen Modellen kritisch bewerten und optimieren.
- können für einfache Problemstellungen aus der Anwendung selbstständig datenbasierte Lösungen entwickeln und präsentieren.

  
**Inhalt:** Inhalte der Veranstaltung:

- Automatisierbare Datenanalyse: Einführung in maschinelles Lernen und statistische Methoden zur Datenauswertung und deren mathematische Grundlagen (insbesondere in der multivariaten Optimierung). Behandelte Techniken umfassen PCA zur Dimensionsreduktion, k-Means zur Clusterbildung und Regressionsanalysen zur Modellierung von Zusammenhängen u.v.m.
- Datenvisualisierung: Methoden zur grafischen Darstellung von Daten zur Erkennung von Mustern und Trends, darunter Scatterplots, Heatmaps und Parallelkoordinaten.
- Visual Analytics: Kombination aus Data-Mining-Methoden und interaktiven Visualisierungen zur Analyse komplexer Datenbestände. Einsatz von Dashboards und Reporting-Tools zur Entscheidungsunterstützung.
- Interdisziplinäre Aspekte: Einfluss der visuellen Wahrnehmung und kognitiven Verarbeitung auf effektive Visualisierungen. Berücksichtigung von Farbtheorie, Gestaltprinzipien und Usability.
- Anwendungsbeispiele: Praxisnahe Anwendungen aus Finanzdatenanalyse, Bioinformatik und Epidemiologie, etwa zur Krankheitsüberwachung oder Genexpressionsanalyse.
- Die Veranstaltung kombiniert Theorie und praxisnahe Anwendungsszenarien, um Studierende auf eigenständige Datenanalyse- und Visualisierungsaufgaben vorzubereiten.

**Arbeitsaufwand:** 30 h Präsenzzeit + 120 h selbstständige Arbeit

<table border="1" id="bkmrk-studien-%2Fpr%C3%BCfungslei" style="border-collapse: collapse; width: 100%;"><colgroup><col style="width: 32.6591%;"></col><col style="width: 35.9941%;"></col><col style="width: 31.3468%;"></col></colgroup><tbody><tr><td>**Prüfungsvorleistungen:**</td><td>**Studien-/Prüfungsleistungen:**</td><td>**Lehrform / SWS:**</td></tr><tr><td style="vertical-align: top;"></td><td class="align-left" style="vertical-align: top;">Klausur, 120 min.

</td><td class="align-left" style="vertical-align: top;">2 SWS Vorlesung

</td></tr></tbody></table>

<table border="1" id="bkmrk-voraussetzungen-nach" style="font-family: var(--font-body); font-size: 14px; width: 100%;"><colgroup><col style="width: 50%;"></col><col style="width: 50%;"></col></colgroup><tbody><tr><td>**Voraussetzungen nach Prüfungsordnung:**</td><td>**Empfohlene Voraussetzungen:**</td></tr><tr><td class="align-left" style="vertical-align: top;">keine

</td><td class="align-left" style="vertical-align: top;"></td></tr></tbody></table>

<table border="1" id="bkmrk-medienformen%3A-litera" style="border-collapse: collapse; width: 100%;"><colgroup><col style="width: 50%;"></col><col style="width: 50%;"></col></colgroup><tbody><tr><td>**Medienformen:**</td><td>**Literatur:**</td></tr><tr><td class="align-left" style="vertical-align: top;"></td><td class="align-left" style="vertical-align: top;"></td></tr></tbody></table>

**Hinweise:**