Análisis visual de datos multidimensionales
Fecha
2025Autor
Antonini, Antonella Soledad
Director
Castro, SilviaGanuza, María Luján
Palabras clave
Visualización de datos; Análisis visual; Datos multidimensionales; Proceso de visualización; Técnicas de visualizaciónMetadatos
Mostrar el registro completo del ítemResumen
El crecimiento exponencial en la generación y almacenamiento de datos ha planteado
importantes desafíos en su procesamiento y análisis. En este contexto, la visualización
de datos desempeña un papel fundamental al permitir la transformación de grandes
volúmenes de datos en representaciones comprensibles para el ser humano. No obstante,
a medida que los conjuntos de datos aumentan en tamaño y dimensionalidad, el diseño
de visualizaciones efectivas se vuelve cada vez mas complejo.
Con el objetivo de abordar estos desafíos y optimizar el proceso de visualización,
esta tesis propone soluciones innovadoras que abarcan diversos aspectos clave. En primer
lugar, se desarrolla un marco metodológico basado en tres pilares fundamentales de la
visualización: los datos, su representación visual y los objetivos del análisis. Se realiza
un análisis detallado de las técnicas de visualización existentes, organizándolas en una
nueva taxonomía que facilita su clasificación y aplicación. Asimismo, con el propósito de
unificar la interpretación y el uso de las tareas analíticas en visualización, se propone una
taxonomía de tareas unificada que supera las diferencias terminologías presentes en la
literatura.
De manera complementaria, se diseña y desarrolla un sistema de recomendación que
optimiza la selección de técnicas de visualización considerando de manera integral las
características de los datos, los objetivos analíticos del usuario y sus preferencias en la
representación visual. Este sistema ofrece una guía estructurada para la selección de
representaciones gráficas adecuadas, permitiendo a usuarios expertos y no expertos crear
visualizaciones expresivas y efectivas.
Finalmente, se presenta el diseño e implementación de herramientas especializadas
para la visualización de datos multidimensionales, con un enfoque particular en el análisis
de datos geológicos. Estas herramientas combinan técnicas tradicionales con modelos
avanzados de aprendizaje automático, ofreciendo soluciones innovadoras para el análisis
de grandes conjuntos de datos. The exponential data generation and storage has posed significant challenges in data
processing and analysis. In this context, data visualization plays a fundamental role in
enabling the transformation of large volumes of data into human-comprehensible rep
resentations. However, as data sets increase in size and dimensionality, the design of
effective visualizations becomes increasingly complex.
To address these challenges and optimize the visualization process, this thesis propos
es innovative solutions encompassing several key aspects. First, a methodological frame
work is developed based on three fundamental pillars of visualization: data, their visual
representation, and the objectives of the analysis. A detailed analysis of existing visu
alization techniques is conducted, organizing them into a new taxonomy that facilitates
their classification and application. Additionally, to unify the interpretation and use of
analytical tasks in visualization, a unified taxonomy of tasks is proposed, overcoming the
terminological differences present in the literature.
In addition, a recommendation system is designed and developed that optimizes the
selection of visualization techniques by comprehensively considering the characteristics
of the data, the user’s analytical objectives, and their preferences in visual represen
tation. This system offers a structured guide for the selection of appropriate graphical
representations, allowing expert and non-expert users to create expressive and effective
visualizations.
Finally, the design and implementation of specialized tools for multidimensional data
visualization are presented, with a particular approach to geological data analysis. These
tools combine traditional techniques with advanced machine learning models, offering
innovative solutions for the analysis of large datasets.
Colecciones
- Tesis de postgrado [1457]