SlideShare a Scribd company logo
1 of 52
Download to read offline
デザイニング・インターフェース勉強会
第5回 7章 - 複合的なデータを表示する:
      ツリー、チャート、
その他のインフォメーショングラフィックス
             河村 奨 (@cognitom)
    https://www.facebook.com/groups/di2e.study/
デザイニング・インターフェース 第2版
  パターンによる実践的インタラクションデザイン
        http://amzn.to/LfZuHZ
今日の発表について

                      @cognitom
カフェのマスター || オープンソースのデザイナー || プログラマ

      勉強会詳細は Facebook グループで ↓
       https://www.facebook.com/groups/di2e.study/
この章でやること❶
  インフォメーショングラフィックスの基礎


組織化モデル: どのように組織化されている?
前注意的変数 : どれがどれと関係している?
ナビゲーションとブラウズ : データの詳細を見られる?
ソートと並び替え : 別の観点で並べ替えできる?
検索とフィルタリング : 自分に必要なデータだけに
実際のデータ : 具体的なデータ値は何?
この章でやること❷
                                 パターンの解説


① 外観と詳細 (Overview Plus Detail)       ⑦ ソート可能なテーブル (Sortable Table)
② データティップ (Datatips)                 ⑧ 放射状テーブル (Radial Table)
③ データのスポットライト (Data Spotlight) ⑨ 複数Y軸のグラフ (Multi-Y Graph)
④ 動的なクエリ(Dynamic Queries)            ⑩ 小さな複合データ群 (Small Multiples)
⑤ データのブラッシング (Data Brushing)         11   ツリーマップ (Treemap)
⑥ 部分的なズーム表示 (Local Zooming)
インフォメーショングラフィックスの基礎
‘   言葉で伝えるのではなく



                     ’
            見せる もの



         p.281
組織化モデル
 このデータはどのように組織化されているか?

線形       表形式        階層型       相互接続
                            ネットワーク型




 地理的 (または空間的)   テキスト型     その他
前注意的変数
                   どれがどれと関係しているのか?

                                    特徴統合理論は、人間の視覚的注意についての心理学的モデ
                                    ルで、トリーズマンとゲラードにより1980年代初頭に発表さ
        Master’s Point              れ、大きな影響力を持った。トリーズマンによれば、視覚情
                                    報処理の初期段階でいくつかの単純な視覚的特徴が処理さ

 ひとの頭の中のGPUを
                                                             れ
                                    れ、複数の特徴マップ(feature maps)として表象される。そ


                                                            あ
                                    の後、顕著性マップ(saliency map)として統合を受け、興味

   最大限活用しよう。
                                       と                  も
                                    の対象となる領域へ注意を向けるためにアクセスされる。



                                      は                                 !
                                    トリーズマンは2種類の視覚探索課題を区別した;特徴探索



                                    何                                 験
                                    (feature search)と結合探索(conjunction search)である。特




                                                      実
                                    徴探索は、初期的(primitive)な特徴で定義されるターゲット




                                                    感
                                    を、高速かつ前注意的に探索する過程である。結合探索は、




                                           体
                                    初期的な特徴の結合によって定義されるターゲットの探索
                                    で、逐次的に行われる。結合探索はより低速であり、意識的
Master s Point は、マスターの無責任なコメントです。
書籍内に書かれた内容と必ずしも一致しません。              な注意を必要とする。トリーズマンはいくつもの実験を行
                                                                      Wikipediaより
次に表示される

青い丸をみつけよう


  前注意的変数を体感してみよう
前注意的変数を体感してみよう
前注意的変数を体感してみよう
次に表示される

青い丸をみつけよう


  前注意的変数を体感してみよう
前注意的変数を体感してみよう
前注意的変数を体感してみよう
次は
                      難易
                         度高
                           め



次に表示される数の内、

 1 以上をみつけよう


   前注意的変数を体感してみよう
0.103 0.176 0.387 0.300 0.379 0.276 0.179 0.321 0.192 0.250

0.333 0.384 0.564 0.587 0.857 1.064 0.698 0.621 0.232 0.316

0.421 0.309 0.654 0.729 0.228 0.529 0.832 0.935 0.452 0.426

0.266 0.750 1.056 0.936 0.911 0.820 0.723 1.201 0.935 0.819

0.225 0.326 0.643 0.337 0.721 0.837 0.682 0.987 0.984 0.849

0.187 0.586 0.529 0.340 0.829 0.835 0.873 0.945 1.103 0.710

0.153 0.485 0.560 0.428 0.628 0.335 0.956 0.879 0.699 0.424




                 前注意的変数を体感してみよう
0.103 0.176 0.387 0.300 0.379 0.276 0.179 0.321 0.192 0.250

0.333 0.384 0.564 0.587 0.857 1.064 0.698 0.621 0.232 0.316

0.421 0.309 0.654 0.729 0.228 0.529 0.832 0.935 0.452 0.426

0.266 0.750 1.056 0.936 0.911 0.820 0.723 1.201 0.935 0.819

0.225 0.326 0.643 0.337 0.721 0.837 0.682 0.987 0.984 0.849

0.187 0.586 0.529 0.340 0.829 0.835 0.873 0.945 1.103 0.710

0.153 0.485 0.560 0.428 0.628 0.335 0.956 0.879 0.699 0.424




                 前注意的変数を体感してみよう
次に表示される数の内、

 1 以上をみつけよう


   前注意的変数を体感してみよう
0.103   0.176   0.387   0.300   0.379   0.276   0.179   0.321   0.192   0.250


0.333   0.384   0.564   0.587   0.857   0.820   0.698   1.201   0.232   0.316


0.421   0.309   0.654   0.729   0.228   0.529   0.832   0.935   0.452   0.426


0.266   0.750   0.424   0.936   0.911   1.064   0.723   0.621   0.935   0.819


0.225   0.326   0.643   0.337   0.721   0.837   0.682   0.987   0.984   0.849


1.103   0.586   0.529   0.340   0.829   0.835   0.873   0.945   0.187   0.710


0.153   0.485   0.560   0.428   0.628   0.335   0.956   0.879   0.699   1.056



                        前注意的変数を体感してみよう
0.103   0.176   0.387   0.300   0.379   0.276   0.179   0.321   0.192   0.250


0.333   0.384   0.564   0.587   0.857   0.820   0.698   1.201   0.232   0.316


0.421   0.309   0.654   0.729   0.228   0.529   0.832   0.935   0.452   0.426


0.266   0.750   0.424   0.936   0.911   1.064   0.723   0.621   0.935   0.819


0.225   0.326   0.643   0.337   0.721   0.837   0.682   0.987   0.984   0.849


1.103   0.586   0.529   0.340   0.829   0.835   0.873   0.945   0.187   0.710


0.153   0.485   0.560   0.428   0.628   0.335   0.956   0.879   0.699   1.056



                        前注意的変数を体感してみよう
これは難易度の

問題ではない


 前注意的変数を体感してみよう
8つの前注意的変数



                   Photo / Tiếng Việt: Ảnh cộng hưởng từ hạt nhân bộ não của người.
                     Released under the GFDL by en:User:TheBrain on 20 May 2003




  前注意的変数を体感してみよう
色の諧調




前注意的変数を体感してみよう
色の明度




前注意的変数を体感してみよう
色の彩度




前注意的変数を体感してみよう
質感




前注意的変数を体感してみよう
位置と整列




前注意的変数を体感してみよう
向き




前注意的変数を体感してみよう
大きさ




前注意的変数を体感してみよう
形状




前注意的変数を体感してみよう
前注意的       視覚的特徴なし
            (特徴探索)       (結合探索)




                     0.103   0.176   0.387   0.300   0.379

                     0.333   0.384   0.564   0.587   0.857
  例                  0.421   0.309   0.654   0.729   0.228

                     0.266   0.750   1.056   0.936   0.911




情報伝達     注意を向ける前に    注意を向けた後に

検索時間    項目数によらず一定        項目数に比例

認識の方法    「根源的な認知」    考えることを強いる


        前注意的変数を体感してみよう
http://www.tokyometro.jp/en/subwaymap/pdf/routemap_en.pdf




 色の諧調                   色の明度                   色の彩度         質感   位置と整列   向き   大きさ   形状
ナビゲーションとブラウズ
          どうすればこのデータを詳しく調べられるか?


外観と詳細
           スクロールとパン

部分的なズーム
           ズーム

           関心地点の開閉


ブラッシング
           関心地点へのドリルダウン
ソートと並び替え
 このデータを別の観点で見られるように並べ替えできるか?

        アルファベット順
ソート可能

        数値順
        日付や時刻順
        物理的な位置の順序
        カテゴリまたはタグによる順序
        人気度:利用頻度が高いか低いか
        ユーザ定義による整列順序
        完全にランダムな順序 (何が出るか決して分からない)
検索とフィルタリング
         自分に必要なデータだけを見るにはどうする?


動的なクエリ
          インタラクティブ性が高い
          反復的に操作できる
          コンテクストを示せる
          複合的である
実際のデータ
          具体的なデータ値は何か?

ラベル:    視線移動が最小。使いすぎると煩雑に

凡例 :   なるべくグラフィックの近くに

座標軸、ルーラ、スケール、タイムライン :       大まかな把握

データティップ :    普段隠しておくことで煩雑さを減

データのスポットライト :      スポット以外との関係性を残しつつ

データのブラッシング :      グラフィック自体が選択のUIに
パターンの解説
①    外観と詳細




②    データティップ
                       ① 外観と詳細
③    スポットライト                Overview Plus Detail
④    動的なクエリ




⑤    ブラッシング




⑥    部分的なズーム




⑦
     ソート可能




⑧    放射状テーブル




⑨    複数Y軸グラフ




⑩    小さな複合
               Adobe Illustrator           Sublime Text 2
11
     ツリーマップ
①    外観と詳細




②    データティップ
               ② データティップ
③    スポットライト       Datatips
④    動的なクエリ




⑤    ブラッシング




⑥    部分的なズーム




⑦
     ソート可能




⑧    放射状テーブル




⑨    複数Y軸グラフ




⑩    小さな複合



11
                 Google Maps
     ツリーマップ
①    外観と詳細




②    データティップ
               ③ データのスポットライト
③    スポットライト                Data Spotlight
④    動的なクエリ




⑤    ブラッシング




⑥    部分的なズーム




⑦
     ソート可能




⑧    放射状テーブル




⑨    複数Y軸グラフ




⑩    小さな複合



11
                Google Public Data       Adobe Illustrator
     ツリーマップ
①    外観と詳細




②    データティップ
                    ④ 動的なクエリ
③    スポットライト             Dynamic Queries
④    動的なクエリ




⑤    ブラッシング




⑥    部分的なズーム




⑦
     ソート可能




⑧    放射状テーブル




⑨    複数Y軸グラフ




⑩    小さな複合



11
               Facebookページ管理画面      Google Analytics
     ツリーマップ
①    外観と詳細




②    データティップ
                ⑤ データのブラッシング
③    スポットライト
               312 Chapter 7: Showing Complex Data: Trees, Charts, and Other Information Graphics
                                                                                         Data Brushing
               Data Brushing                                                                   The Patterns   315

④    動的なクエリ




⑤    ブラッシング




⑥    部分的なズーム




                                                                                                                      The Patterns 315
⑦                 Figure 7-29. BBN Cornerstone
               Figure 7-26.SPOT Adventures live map
     ソート可能


                   What
⑧              Let the user select data items in one view; show the same data selected simultaneously in
     放射状テーブル
               another view.


⑨                  Use when
     複数Y軸グラフ   You can show two or more information graphics at a time. You might have two line plots
               and a scatter plot, or a scatter plot and a table, or a diagram and a tree, or a map and a
               timeline, whatever—as long as each graphic is showing the same data set.
⑩    小さな複合
                   Why

               Data Brushing offers a very rich form of interactive data exploration. First, SPOTuser can se- map
                Figure 7-30. Weeplaces (http://weeplaces.com)                      Figure 7-29. the Adventures live
11             lect data points using an information graphic itself as a “selector.” Sometimes it’s easier to
     ツリーマップ    findIn other librariesinterest visually than by less direct means, such as Dynamic Queries—outliers
                     points of
               on a plot can be seen and manipulated immediately, for instance, while figuring out how
                 http://quince.infragistics.com/Patterns/Data%20Brushing.aspx
①    外観と詳細




②    データティップ
               ⑥ 部分的なズーム表示
③    スポットライト      Local Zooming
④    動的なクエリ




⑤    ブラッシング




⑥    部分的なズーム




⑦
     ソート可能




⑧    放射状テーブル




⑨    複数Y軸グラフ




⑩    小さな複合



11
     ツリーマップ
①    外観と詳細




②    データティップ
               ⑦ ソート可能なテーブル
③    スポットライト       Sortable Table
④    動的なクエリ




⑤    ブラッシング




⑥    部分的なズーム




⑦
     ソート可能




⑧    放射状テーブル




⑨    複数Y軸グラフ




⑩    小さな複合



11
     ツリーマップ
①    外観と詳細




②    データティップ
                 ⑧ 放射状テーブル
③    スポットライト            Radial Table
④
                       車種の関連
     動的なクエリ




⑤    ブラッシング




⑥
                                                Master’s Point
     部分的なズーム




⑦
     ソート可能




⑧                                       分野の専門家のための
     放射状テーブル
                                        図式。一般人にはやは
⑨                                       り分かりにくい。
     複数Y軸グラフ




⑩    小さな複合



11
               遺伝子解析                   Master s Point は、マスターの無責任なコメントです。
                                       書籍内に書かれた内容と必ずしも一致しません。

     ツリーマップ
①    外観と詳細




②    データティップ
               ⑨ 複数Y軸のグラフ
③    スポットライト                                   Multi-Y Graph
               328 Chapter 7: Showing Complex Data: Trees, Charts, and Other Information Graphics

④    動的なクエリ
               Multi-Y Graph
⑤    ブラッシング




⑥    部分的なズーム




⑦
     ソート可能




⑧    放射状テーブル




⑨    複数Y軸グラフ

               Figure 7-42. New York Times graphic

⑩    小さな複合
                   What

11             Stack multiple graph lines in one panel; let them all share the same x-axis.
     ツリーマップ
                   Use when
①    外観と詳細




②    データティップ
                     ⑩ 小さな複合データ群
③    スポットライト                                                                     Small Multiples
④              Figure 7-46. Weather chart from The Weather Channel
     動的なクエリ


                  In other libraries
⑤              http://quince.infragistics.com/Patterns/Multi-Y%20Graph.aspx
     ブラッシング



               Small Multiples
⑥    部分的なズーム




⑦
     ソート可能




⑧              Figure 7-47. Climate heat map, from a University of Oregon publication
     放射状テーブル




⑨    複数Y軸グラフ




⑩    小さな複合



11
     ツリーマップ
①    外観と詳細




②    データティップ
                 ツリーマップ
               11
③    スポットライト     Treemap
④    動的なクエリ




⑤    ブラッシング




⑥    部分的なズーム

                                   Master’s Point
⑦
     ソート可能

                           新聞は一種のツリー
⑧    放射状テーブル
                           マップ。WEBでうまく
⑨    複数Y軸グラフ
                           使えているところは皆
                           無。(結局写真には負ける)
⑩    小さな複合


                           Master s Point は、マスターの無責任なコメントです
11                         書籍内に書かれた内容と必ずしも一致しません。
     ツリーマップ
おつかれさまでした。

More Related Content

Viewers also liked

大阪工業大学知的財産学部 知的財産実務研修2014
大阪工業大学知的財産学部 知的財産実務研修2014大阪工業大学知的財産学部 知的財産実務研修2014
大阪工業大学知的財産学部 知的財産実務研修2014Keisuke Katsuki
 
新しい時代における学びの形 EdtechとCreative Learning
新しい時代における学びの形 EdtechとCreative Learning新しい時代における学びの形 EdtechとCreative Learning
新しい時代における学びの形 EdtechとCreative LearningYoshio Goto
 
子ども-大人インタラクションの認知科学的分析とモデル化に向けて(大森 隆司)
子ども-大人インタラクションの認知科学的分析とモデル化に向けて(大森 隆司)子ども-大人インタラクションの認知科学的分析とモデル化に向けて(大森 隆司)
子ども-大人インタラクションの認知科学的分析とモデル化に向けて(大森 隆司)KIT Cognitive Interaction Design
 
SIG-WI2 twitterにおける、人工無脳との インタラクション
SIG-WI2 twitterにおける、人工無脳との インタラクションSIG-WI2 twitterにおける、人工無脳との インタラクション
SIG-WI2 twitterにおける、人工無脳との インタラクションshow you
 
第三章ナビゲーション < 第4回デザイニング・インターフェース勉強会
第三章ナビゲーション < 第4回デザイニング・インターフェース勉強会第三章ナビゲーション < 第4回デザイニング・インターフェース勉強会
第三章ナビゲーション < 第4回デザイニング・インターフェース勉強会Shinichi Nishikawa
 
DRONE BORG 第一回ドローンビジネス勉強会資料
DRONE BORG 第一回ドローンビジネス勉強会資料DRONE BORG 第一回ドローンビジネス勉強会資料
DRONE BORG 第一回ドローンビジネス勉強会資料DRONE BORG
 
社会的シグナル(Social signal)から対話相手の意図を読む, 植田一博
社会的シグナル(Social signal)から対話相手の意図を読む, 植田一博社会的シグナル(Social signal)から対話相手の意図を読む, 植田一博
社会的シグナル(Social signal)から対話相手の意図を読む, 植田一博KIT Cognitive Interaction Design
 
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料Kenta Oono
 
ブロックチェーン連続講義 第3回 ビットコインの技術
ブロックチェーン連続講義 第3回 ビットコインの技術ブロックチェーン連続講義 第3回 ビットコインの技術
ブロックチェーン連続講義 第3回 ビットコインの技術Kenji Saito
 
ネイティブアプリにおける、UI/インタラクションのトレンド
ネイティブアプリにおける、UI/インタラクションのトレンドネイティブアプリにおける、UI/インタラクションのトレンド
ネイティブアプリにおける、UI/インタラクションのトレンドyosuke sato
 
UXはじめの一歩
UXはじめの一歩UXはじめの一歩
UXはじめの一歩井上 誠
 
強化学習入門
強化学習入門強化学習入門
強化学習入門Shunta Saito
 
再生可能エネルギーの現状と今後の見通しについて
再生可能エネルギーの現状と今後の見通しについて再生可能エネルギーの現状と今後の見通しについて
再生可能エネルギーの現状と今後の見通しについて櫻井啓一郎
 
UIデザインとUXの超基礎「UI Design & UX for ENGINEER」
UIデザインとUXの超基礎「UI Design & UX for ENGINEER」UIデザインとUXの超基礎「UI Design & UX for ENGINEER」
UIデザインとUXの超基礎「UI Design & UX for ENGINEER」Kazuki Yamashita
 

Viewers also liked (15)

大阪工業大学知的財産学部 知的財産実務研修2014
大阪工業大学知的財産学部 知的財産実務研修2014大阪工業大学知的財産学部 知的財産実務研修2014
大阪工業大学知的財産学部 知的財産実務研修2014
 
新しい時代における学びの形 EdtechとCreative Learning
新しい時代における学びの形 EdtechとCreative Learning新しい時代における学びの形 EdtechとCreative Learning
新しい時代における学びの形 EdtechとCreative Learning
 
子ども-大人インタラクションの認知科学的分析とモデル化に向けて(大森 隆司)
子ども-大人インタラクションの認知科学的分析とモデル化に向けて(大森 隆司)子ども-大人インタラクションの認知科学的分析とモデル化に向けて(大森 隆司)
子ども-大人インタラクションの認知科学的分析とモデル化に向けて(大森 隆司)
 
SIG-WI2 twitterにおける、人工無脳との インタラクション
SIG-WI2 twitterにおける、人工無脳との インタラクションSIG-WI2 twitterにおける、人工無脳との インタラクション
SIG-WI2 twitterにおける、人工無脳との インタラクション
 
第三章ナビゲーション < 第4回デザイニング・インターフェース勉強会
第三章ナビゲーション < 第4回デザイニング・インターフェース勉強会第三章ナビゲーション < 第4回デザイニング・インターフェース勉強会
第三章ナビゲーション < 第4回デザイニング・インターフェース勉強会
 
DRONE BORG 第一回ドローンビジネス勉強会資料
DRONE BORG 第一回ドローンビジネス勉強会資料DRONE BORG 第一回ドローンビジネス勉強会資料
DRONE BORG 第一回ドローンビジネス勉強会資料
 
社会的シグナル(Social signal)から対話相手の意図を読む, 植田一博
社会的シグナル(Social signal)から対話相手の意図を読む, 植田一博社会的シグナル(Social signal)から対話相手の意図を読む, 植田一博
社会的シグナル(Social signal)から対話相手の意図を読む, 植田一博
 
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
 
ブロックチェーン連続講義 第3回 ビットコインの技術
ブロックチェーン連続講義 第3回 ビットコインの技術ブロックチェーン連続講義 第3回 ビットコインの技術
ブロックチェーン連続講義 第3回 ビットコインの技術
 
ネイティブアプリにおける、UI/インタラクションのトレンド
ネイティブアプリにおける、UI/インタラクションのトレンドネイティブアプリにおける、UI/インタラクションのトレンド
ネイティブアプリにおける、UI/インタラクションのトレンド
 
UXはじめの一歩
UXはじめの一歩UXはじめの一歩
UXはじめの一歩
 
UXとブランド
UXとブランドUXとブランド
UXとブランド
 
強化学習入門
強化学習入門強化学習入門
強化学習入門
 
再生可能エネルギーの現状と今後の見通しについて
再生可能エネルギーの現状と今後の見通しについて再生可能エネルギーの現状と今後の見通しについて
再生可能エネルギーの現状と今後の見通しについて
 
UIデザインとUXの超基礎「UI Design & UX for ENGINEER」
UIデザインとUXの超基礎「UI Design & UX for ENGINEER」UIデザインとUXの超基礎「UI Design & UX for ENGINEER」
UIデザインとUXの超基礎「UI Design & UX for ENGINEER」
 

Similar to 「デザイニング・インターフェース」勉強会 - 第7章

Mobile frontier chapter7
Mobile frontier chapter7Mobile frontier chapter7
Mobile frontier chapter7naoki ando
 
Raspberry Pi Deep Learning Hand-on
Raspberry Pi Deep Learning Hand-onRaspberry Pi Deep Learning Hand-on
Raspberry Pi Deep Learning Hand-onYoshihiro Ochi
 
Nucleus -ソーシャルメディア解析サービスのデザイン-
Nucleus -ソーシャルメディア解析サービスのデザイン-Nucleus -ソーシャルメディア解析サービスのデザイン-
Nucleus -ソーシャルメディア解析サービスのデザイン-Keito Kojima
 
Java Küche Introducing Cognitive Services_20171007
Java Küche Introducing Cognitive Services_20171007Java Küche Introducing Cognitive Services_20171007
Java Küche Introducing Cognitive Services_20171007Ayako Omori
 
Python neo4j cytoscapejsでデータ可視化入門
Python neo4j cytoscapejsでデータ可視化入門Python neo4j cytoscapejsでデータ可視化入門
Python neo4j cytoscapejsでデータ可視化入門Nao Oec
 
Thinking datascientist itself
Thinking datascientist itselfThinking datascientist itself
Thinking datascientist itselfHiroyukiOtsubo
 
関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14Akisato Kimura
 
【社内勉強会資料】自社サービスエンジニアの為の「UX設計と情報設計」
【社内勉強会資料】自社サービスエンジニアの為の「UX設計と情報設計」【社内勉強会資料】自社サービスエンジニアの為の「UX設計と情報設計」
【社内勉強会資料】自社サービスエンジニアの為の「UX設計と情報設計」paiza
 
Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習Preferred Networks
 
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編Daiyu Hatakeyama
 
Big data解析ビジネス
Big data解析ビジネスBig data解析ビジネス
Big data解析ビジネスMie Mori
 
今さら聞けないITエンジニアのための人工知能
今さら聞けないITエンジニアのための人工知能今さら聞けないITエンジニアのための人工知能
今さら聞けないITエンジニアのための人工知能Keisuke Tameyasu
 
DDD読書会 アナリシスパターン
DDD読書会 アナリシスパターンDDD読書会 アナリシスパターン
DDD読書会 アナリシスパターンMasaki Yamamoto
 
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいものTakashi J OZAKI
 
ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知Core Concept Technologies
 
segmentation-modelsでざっくり動かすセマンティックセグメンテーション(U-Net)
segmentation-modelsでざっくり動かすセマンティックセグメンテーション(U-Net)segmentation-modelsでざっくり動かすセマンティックセグメンテーション(U-Net)
segmentation-modelsでざっくり動かすセマンティックセグメンテーション(U-Net)Haruka Shimojima
 
TokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdfTokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdfkotora_0507
 

Similar to 「デザイニング・インターフェース」勉強会 - 第7章 (20)

Mobile frontier chapter7
Mobile frontier chapter7Mobile frontier chapter7
Mobile frontier chapter7
 
Raspberry Pi Deep Learning Hand-on
Raspberry Pi Deep Learning Hand-onRaspberry Pi Deep Learning Hand-on
Raspberry Pi Deep Learning Hand-on
 
Nucleus -ソーシャルメディア解析サービスのデザイン-
Nucleus -ソーシャルメディア解析サービスのデザイン-Nucleus -ソーシャルメディア解析サービスのデザイン-
Nucleus -ソーシャルメディア解析サービスのデザイン-
 
おしゃスタat銀座
おしゃスタat銀座おしゃスタat銀座
おしゃスタat銀座
 
SOINN PBR
SOINN PBRSOINN PBR
SOINN PBR
 
Java Küche Introducing Cognitive Services_20171007
Java Küche Introducing Cognitive Services_20171007Java Küche Introducing Cognitive Services_20171007
Java Küche Introducing Cognitive Services_20171007
 
20201010 personreid
20201010 personreid20201010 personreid
20201010 personreid
 
Python neo4j cytoscapejsでデータ可視化入門
Python neo4j cytoscapejsでデータ可視化入門Python neo4j cytoscapejsでデータ可視化入門
Python neo4j cytoscapejsでデータ可視化入門
 
Thinking datascientist itself
Thinking datascientist itselfThinking datascientist itself
Thinking datascientist itself
 
関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14
 
【社内勉強会資料】自社サービスエンジニアの為の「UX設計と情報設計」
【社内勉強会資料】自社サービスエンジニアの為の「UX設計と情報設計」【社内勉強会資料】自社サービスエンジニアの為の「UX設計と情報設計」
【社内勉強会資料】自社サービスエンジニアの為の「UX設計と情報設計」
 
Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習
 
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
 
Big data解析ビジネス
Big data解析ビジネスBig data解析ビジネス
Big data解析ビジネス
 
今さら聞けないITエンジニアのための人工知能
今さら聞けないITエンジニアのための人工知能今さら聞けないITエンジニアのための人工知能
今さら聞けないITエンジニアのための人工知能
 
DDD読書会 アナリシスパターン
DDD読書会 アナリシスパターンDDD読書会 アナリシスパターン
DDD読書会 アナリシスパターン
 
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
 
ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知
 
segmentation-modelsでざっくり動かすセマンティックセグメンテーション(U-Net)
segmentation-modelsでざっくり動かすセマンティックセグメンテーション(U-Net)segmentation-modelsでざっくり動かすセマンティックセグメンテーション(U-Net)
segmentation-modelsでざっくり動かすセマンティックセグメンテーション(U-Net)
 
TokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdfTokyoR102_BeginnersSession.pdf
TokyoR102_BeginnersSession.pdf
 

More from Tsutomu Kawamura

Riot: ver.3 での変更点と、周辺ツールたち
Riot: ver.3 での変更点と、周辺ツールたちRiot: ver.3 での変更点と、周辺ツールたち
Riot: ver.3 での変更点と、周辺ツールたちTsutomu Kawamura
 
ユーザインターフェース10分講座
ユーザインターフェース10分講座ユーザインターフェース10分講座
ユーザインターフェース10分講座Tsutomu Kawamura
 
Riot + generator で始める新しいデータバインディング
Riot + generator で始める新しいデータバインディングRiot + generator で始める新しいデータバインディング
Riot + generator で始める新しいデータバインディングTsutomu Kawamura
 
インターネットってなんだろう?
インターネットってなんだろう?インターネットってなんだろう?
インターネットってなんだろう?Tsutomu Kawamura
 
シンボルフォント — それは、新しい画像形式
シンボルフォント — それは、新しい画像形式シンボルフォント — それは、新しい画像形式
シンボルフォント — それは、新しい画像形式Tsutomu Kawamura
 
Espresooと始める適材適所のアプリ利用術
Espresooと始める適材適所のアプリ利用術Espresooと始める適材適所のアプリ利用術
Espresooと始める適材適所のアプリ利用術Tsutomu Kawamura
 
OpenSource Cafe @ PAX Jelly #20
OpenSource Cafe @ PAX Jelly #20OpenSource Cafe @ PAX Jelly #20
OpenSource Cafe @ PAX Jelly #20Tsutomu Kawamura
 
【17-E-7】デブサミ2011 LT 「WEBにスタッフロールを!」
【17-E-7】デブサミ2011 LT 「WEBにスタッフロールを!」【17-E-7】デブサミ2011 LT 「WEBにスタッフロールを!」
【17-E-7】デブサミ2011 LT 「WEBにスタッフロールを!」Tsutomu Kawamura
 
教育ガラパゴスは必要ですか?
教育ガラパゴスは必要ですか?教育ガラパゴスは必要ですか?
教育ガラパゴスは必要ですか?Tsutomu Kawamura
 
SugarCRM勉強会#010 美容室からお寺まで、Sugarで顧客管理10業種
SugarCRM勉強会#010 美容室からお寺まで、Sugarで顧客管理10業種SugarCRM勉強会#010 美容室からお寺まで、Sugarで顧客管理10業種
SugarCRM勉強会#010 美容室からお寺まで、Sugarで顧客管理10業種Tsutomu Kawamura
 

More from Tsutomu Kawamura (20)

Riot: ver.3 での変更点と、周辺ツールたち
Riot: ver.3 での変更点と、周辺ツールたちRiot: ver.3 での変更点と、周辺ツールたち
Riot: ver.3 での変更点と、周辺ツールたち
 
ユーザインターフェース10分講座
ユーザインターフェース10分講座ユーザインターフェース10分講座
ユーザインターフェース10分講座
 
Riot + generator で始める新しいデータバインディング
Riot + generator で始める新しいデータバインディングRiot + generator で始める新しいデータバインディング
Riot + generator で始める新しいデータバインディング
 
インターネットってなんだろう?
インターネットってなんだろう?インターネットってなんだろう?
インターネットってなんだろう?
 
シンボルフォント — それは、新しい画像形式
シンボルフォント — それは、新しい画像形式シンボルフォント — それは、新しい画像形式
シンボルフォント — それは、新しい画像形式
 
201311 coworking
201311 coworking201311 coworking
201311 coworking
 
Barcode-punk
Barcode-punkBarcode-punk
Barcode-punk
 
Oss cafe usp友の会lt
Oss cafe usp友の会ltOss cafe usp友の会lt
Oss cafe usp友の会lt
 
OSSCafe USP友の会 LT
OSSCafe USP友の会 LTOSSCafe USP友の会 LT
OSSCafe USP友の会 LT
 
Espresooと始める適材適所のアプリ利用術
Espresooと始める適材適所のアプリ利用術Espresooと始める適材適所のアプリ利用術
Espresooと始める適材適所のアプリ利用術
 
CoderDojoの始め方
CoderDojoの始め方CoderDojoの始め方
CoderDojoの始め方
 
Canvas勉強会
Canvas勉強会Canvas勉強会
Canvas勉強会
 
PaaS祭り - pagoda box
PaaS祭り - pagoda boxPaaS祭り - pagoda box
PaaS祭り - pagoda box
 
OpenCola
OpenColaOpenCola
OpenCola
 
OpenSource Cafe @ PAX Jelly #20
OpenSource Cafe @ PAX Jelly #20OpenSource Cafe @ PAX Jelly #20
OpenSource Cafe @ PAX Jelly #20
 
【17-E-7】デブサミ2011 LT 「WEBにスタッフロールを!」
【17-E-7】デブサミ2011 LT 「WEBにスタッフロールを!」【17-E-7】デブサミ2011 LT 「WEBにスタッフロールを!」
【17-E-7】デブサミ2011 LT 「WEBにスタッフロールを!」
 
ModernAqua
ModernAquaModernAqua
ModernAqua
 
教育ガラパゴスは必要ですか?
教育ガラパゴスは必要ですか?教育ガラパゴスは必要ですか?
教育ガラパゴスは必要ですか?
 
Sugar CRM Q&A (2)
Sugar CRM Q&A (2)Sugar CRM Q&A (2)
Sugar CRM Q&A (2)
 
SugarCRM勉強会#010 美容室からお寺まで、Sugarで顧客管理10業種
SugarCRM勉強会#010 美容室からお寺まで、Sugarで顧客管理10業種SugarCRM勉強会#010 美容室からお寺まで、Sugarで顧客管理10業種
SugarCRM勉強会#010 美容室からお寺まで、Sugarで顧客管理10業種
 

「デザイニング・インターフェース」勉強会 - 第7章

  • 1. デザイニング・インターフェース勉強会 第5回 7章 - 複合的なデータを表示する: ツリー、チャート、 その他のインフォメーショングラフィックス 河村 奨 (@cognitom) https://www.facebook.com/groups/di2e.study/
  • 2. デザイニング・インターフェース 第2版 パターンによる実践的インタラクションデザイン http://amzn.to/LfZuHZ
  • 3. 今日の発表について @cognitom カフェのマスター || オープンソースのデザイナー || プログラマ 勉強会詳細は Facebook グループで ↓ https://www.facebook.com/groups/di2e.study/
  • 4. この章でやること❶ インフォメーショングラフィックスの基礎 組織化モデル: どのように組織化されている? 前注意的変数 : どれがどれと関係している? ナビゲーションとブラウズ : データの詳細を見られる? ソートと並び替え : 別の観点で並べ替えできる? 検索とフィルタリング : 自分に必要なデータだけに 実際のデータ : 具体的なデータ値は何?
  • 5. この章でやること❷ パターンの解説 ① 外観と詳細 (Overview Plus Detail) ⑦ ソート可能なテーブル (Sortable Table) ② データティップ (Datatips) ⑧ 放射状テーブル (Radial Table) ③ データのスポットライト (Data Spotlight) ⑨ 複数Y軸のグラフ (Multi-Y Graph) ④ 動的なクエリ(Dynamic Queries) ⑩ 小さな複合データ群 (Small Multiples) ⑤ データのブラッシング (Data Brushing) 11 ツリーマップ (Treemap) ⑥ 部分的なズーム表示 (Local Zooming)
  • 6.
  • 8. 言葉で伝えるのではなく ’ 見せる もの p.281
  • 9. 組織化モデル このデータはどのように組織化されているか? 線形 表形式 階層型 相互接続 ネットワーク型 地理的 (または空間的) テキスト型 その他
  • 10. 前注意的変数 どれがどれと関係しているのか? 特徴統合理論は、人間の視覚的注意についての心理学的モデ ルで、トリーズマンとゲラードにより1980年代初頭に発表さ Master’s Point れ、大きな影響力を持った。トリーズマンによれば、視覚情 報処理の初期段階でいくつかの単純な視覚的特徴が処理さ ひとの頭の中のGPUを れ れ、複数の特徴マップ(feature maps)として表象される。そ あ の後、顕著性マップ(saliency map)として統合を受け、興味 最大限活用しよう。 と も の対象となる領域へ注意を向けるためにアクセスされる。 は ! トリーズマンは2種類の視覚探索課題を区別した;特徴探索 何 験 (feature search)と結合探索(conjunction search)である。特 実 徴探索は、初期的(primitive)な特徴で定義されるターゲット 感 を、高速かつ前注意的に探索する過程である。結合探索は、 体 初期的な特徴の結合によって定義されるターゲットの探索 で、逐次的に行われる。結合探索はより低速であり、意識的 Master s Point は、マスターの無責任なコメントです。 書籍内に書かれた内容と必ずしも一致しません。 な注意を必要とする。トリーズマンはいくつもの実験を行 Wikipediaより
  • 17. 次は 難易 度高 め 次に表示される数の内、 1 以上をみつけよう 前注意的変数を体感してみよう
  • 18. 0.103 0.176 0.387 0.300 0.379 0.276 0.179 0.321 0.192 0.250 0.333 0.384 0.564 0.587 0.857 1.064 0.698 0.621 0.232 0.316 0.421 0.309 0.654 0.729 0.228 0.529 0.832 0.935 0.452 0.426 0.266 0.750 1.056 0.936 0.911 0.820 0.723 1.201 0.935 0.819 0.225 0.326 0.643 0.337 0.721 0.837 0.682 0.987 0.984 0.849 0.187 0.586 0.529 0.340 0.829 0.835 0.873 0.945 1.103 0.710 0.153 0.485 0.560 0.428 0.628 0.335 0.956 0.879 0.699 0.424 前注意的変数を体感してみよう
  • 19. 0.103 0.176 0.387 0.300 0.379 0.276 0.179 0.321 0.192 0.250 0.333 0.384 0.564 0.587 0.857 1.064 0.698 0.621 0.232 0.316 0.421 0.309 0.654 0.729 0.228 0.529 0.832 0.935 0.452 0.426 0.266 0.750 1.056 0.936 0.911 0.820 0.723 1.201 0.935 0.819 0.225 0.326 0.643 0.337 0.721 0.837 0.682 0.987 0.984 0.849 0.187 0.586 0.529 0.340 0.829 0.835 0.873 0.945 1.103 0.710 0.153 0.485 0.560 0.428 0.628 0.335 0.956 0.879 0.699 0.424 前注意的変数を体感してみよう
  • 20. 次に表示される数の内、 1 以上をみつけよう 前注意的変数を体感してみよう
  • 21. 0.103 0.176 0.387 0.300 0.379 0.276 0.179 0.321 0.192 0.250 0.333 0.384 0.564 0.587 0.857 0.820 0.698 1.201 0.232 0.316 0.421 0.309 0.654 0.729 0.228 0.529 0.832 0.935 0.452 0.426 0.266 0.750 0.424 0.936 0.911 1.064 0.723 0.621 0.935 0.819 0.225 0.326 0.643 0.337 0.721 0.837 0.682 0.987 0.984 0.849 1.103 0.586 0.529 0.340 0.829 0.835 0.873 0.945 0.187 0.710 0.153 0.485 0.560 0.428 0.628 0.335 0.956 0.879 0.699 1.056 前注意的変数を体感してみよう
  • 22. 0.103 0.176 0.387 0.300 0.379 0.276 0.179 0.321 0.192 0.250 0.333 0.384 0.564 0.587 0.857 0.820 0.698 1.201 0.232 0.316 0.421 0.309 0.654 0.729 0.228 0.529 0.832 0.935 0.452 0.426 0.266 0.750 0.424 0.936 0.911 1.064 0.723 0.621 0.935 0.819 0.225 0.326 0.643 0.337 0.721 0.837 0.682 0.987 0.984 0.849 1.103 0.586 0.529 0.340 0.829 0.835 0.873 0.945 0.187 0.710 0.153 0.485 0.560 0.428 0.628 0.335 0.956 0.879 0.699 1.056 前注意的変数を体感してみよう
  • 24. 8つの前注意的変数 Photo / Tiếng Việt: Ảnh cộng hưởng từ hạt nhân bộ não của người. Released under the GFDL by en:User:TheBrain on 20 May 2003 前注意的変数を体感してみよう
  • 33. 前注意的 視覚的特徴なし (特徴探索) (結合探索) 0.103 0.176 0.387 0.300 0.379 0.333 0.384 0.564 0.587 0.857 例 0.421 0.309 0.654 0.729 0.228 0.266 0.750 1.056 0.936 0.911 情報伝達 注意を向ける前に 注意を向けた後に 検索時間 項目数によらず一定 項目数に比例 認識の方法 「根源的な認知」 考えることを強いる 前注意的変数を体感してみよう
  • 34. http://www.tokyometro.jp/en/subwaymap/pdf/routemap_en.pdf 色の諧調 色の明度 色の彩度 質感 位置と整列 向き 大きさ 形状
  • 35. ナビゲーションとブラウズ どうすればこのデータを詳しく調べられるか? 外観と詳細 スクロールとパン 部分的なズーム ズーム 関心地点の開閉 ブラッシング 関心地点へのドリルダウン
  • 36. ソートと並び替え このデータを別の観点で見られるように並べ替えできるか? アルファベット順 ソート可能 数値順 日付や時刻順 物理的な位置の順序 カテゴリまたはタグによる順序 人気度:利用頻度が高いか低いか ユーザ定義による整列順序 完全にランダムな順序 (何が出るか決して分からない)
  • 37. 検索とフィルタリング 自分に必要なデータだけを見るにはどうする? 動的なクエリ インタラクティブ性が高い 反復的に操作できる コンテクストを示せる 複合的である
  • 38. 実際のデータ 具体的なデータ値は何か? ラベル: 視線移動が最小。使いすぎると煩雑に 凡例 : なるべくグラフィックの近くに 座標軸、ルーラ、スケール、タイムライン : 大まかな把握 データティップ : 普段隠しておくことで煩雑さを減 データのスポットライト : スポット以外との関係性を残しつつ データのブラッシング : グラフィック自体が選択のUIに
  • 39.
  • 41. 外観と詳細 ② データティップ ① 外観と詳細 ③ スポットライト Overview Plus Detail ④ 動的なクエリ ⑤ ブラッシング ⑥ 部分的なズーム ⑦ ソート可能 ⑧ 放射状テーブル ⑨ 複数Y軸グラフ ⑩ 小さな複合 Adobe Illustrator Sublime Text 2 11 ツリーマップ
  • 42. 外観と詳細 ② データティップ ② データティップ ③ スポットライト Datatips ④ 動的なクエリ ⑤ ブラッシング ⑥ 部分的なズーム ⑦ ソート可能 ⑧ 放射状テーブル ⑨ 複数Y軸グラフ ⑩ 小さな複合 11 Google Maps ツリーマップ
  • 43. 外観と詳細 ② データティップ ③ データのスポットライト ③ スポットライト Data Spotlight ④ 動的なクエリ ⑤ ブラッシング ⑥ 部分的なズーム ⑦ ソート可能 ⑧ 放射状テーブル ⑨ 複数Y軸グラフ ⑩ 小さな複合 11 Google Public Data Adobe Illustrator ツリーマップ
  • 44. 外観と詳細 ② データティップ ④ 動的なクエリ ③ スポットライト Dynamic Queries ④ 動的なクエリ ⑤ ブラッシング ⑥ 部分的なズーム ⑦ ソート可能 ⑧ 放射状テーブル ⑨ 複数Y軸グラフ ⑩ 小さな複合 11 Facebookページ管理画面 Google Analytics ツリーマップ
  • 45. 外観と詳細 ② データティップ ⑤ データのブラッシング ③ スポットライト 312 Chapter 7: Showing Complex Data: Trees, Charts, and Other Information Graphics Data Brushing Data Brushing The Patterns 315 ④ 動的なクエリ ⑤ ブラッシング ⑥ 部分的なズーム The Patterns 315 ⑦ Figure 7-29. BBN Cornerstone Figure 7-26.SPOT Adventures live map ソート可能 What ⑧ Let the user select data items in one view; show the same data selected simultaneously in 放射状テーブル another view. ⑨ Use when 複数Y軸グラフ You can show two or more information graphics at a time. You might have two line plots and a scatter plot, or a scatter plot and a table, or a diagram and a tree, or a map and a timeline, whatever—as long as each graphic is showing the same data set. ⑩ 小さな複合 Why Data Brushing offers a very rich form of interactive data exploration. First, SPOTuser can se- map Figure 7-30. Weeplaces (http://weeplaces.com) Figure 7-29. the Adventures live 11 lect data points using an information graphic itself as a “selector.” Sometimes it’s easier to ツリーマップ findIn other librariesinterest visually than by less direct means, such as Dynamic Queries—outliers points of on a plot can be seen and manipulated immediately, for instance, while figuring out how http://quince.infragistics.com/Patterns/Data%20Brushing.aspx
  • 46. 外観と詳細 ② データティップ ⑥ 部分的なズーム表示 ③ スポットライト Local Zooming ④ 動的なクエリ ⑤ ブラッシング ⑥ 部分的なズーム ⑦ ソート可能 ⑧ 放射状テーブル ⑨ 複数Y軸グラフ ⑩ 小さな複合 11 ツリーマップ
  • 47. 外観と詳細 ② データティップ ⑦ ソート可能なテーブル ③ スポットライト Sortable Table ④ 動的なクエリ ⑤ ブラッシング ⑥ 部分的なズーム ⑦ ソート可能 ⑧ 放射状テーブル ⑨ 複数Y軸グラフ ⑩ 小さな複合 11 ツリーマップ
  • 48. 外観と詳細 ② データティップ ⑧ 放射状テーブル ③ スポットライト Radial Table ④ 車種の関連 動的なクエリ ⑤ ブラッシング ⑥ Master’s Point 部分的なズーム ⑦ ソート可能 ⑧ 分野の専門家のための 放射状テーブル 図式。一般人にはやは ⑨ り分かりにくい。 複数Y軸グラフ ⑩ 小さな複合 11 遺伝子解析 Master s Point は、マスターの無責任なコメントです。 書籍内に書かれた内容と必ずしも一致しません。 ツリーマップ
  • 49. 外観と詳細 ② データティップ ⑨ 複数Y軸のグラフ ③ スポットライト Multi-Y Graph 328 Chapter 7: Showing Complex Data: Trees, Charts, and Other Information Graphics ④ 動的なクエリ Multi-Y Graph ⑤ ブラッシング ⑥ 部分的なズーム ⑦ ソート可能 ⑧ 放射状テーブル ⑨ 複数Y軸グラフ Figure 7-42. New York Times graphic ⑩ 小さな複合 What 11 Stack multiple graph lines in one panel; let them all share the same x-axis. ツリーマップ Use when
  • 50. 外観と詳細 ② データティップ ⑩ 小さな複合データ群 ③ スポットライト Small Multiples ④ Figure 7-46. Weather chart from The Weather Channel 動的なクエリ In other libraries ⑤ http://quince.infragistics.com/Patterns/Multi-Y%20Graph.aspx ブラッシング Small Multiples ⑥ 部分的なズーム ⑦ ソート可能 ⑧ Figure 7-47. Climate heat map, from a University of Oregon publication 放射状テーブル ⑨ 複数Y軸グラフ ⑩ 小さな複合 11 ツリーマップ
  • 51. 外観と詳細 ② データティップ   ツリーマップ 11 ③ スポットライト Treemap ④ 動的なクエリ ⑤ ブラッシング ⑥ 部分的なズーム Master’s Point ⑦ ソート可能 新聞は一種のツリー ⑧ 放射状テーブル マップ。WEBでうまく ⑨ 複数Y軸グラフ 使えているところは皆 無。(結局写真には負ける) ⑩ 小さな複合 Master s Point は、マスターの無責任なコメントです 11 書籍内に書かれた内容と必ずしも一致しません。 ツリーマップ