Oktató:                   Ruttkay Zsófia (KTL)   e-mail: ruttkayATmome.hu      fogadó óra: B213, hétfő 13-14.30 h

Idő:         szerda 15:10-16:30 B101 - SAJÁT LAPTOP KELL
                 Első alkalom: szeptember 12 SZERDA
Hely:    B101

Előfeltétel: Nincs, de affinitás a programozáshoz és analitikus, problémamegoldó gondolkodás szükséges.

A számonkérés formája: Hf gyakorlatok és végső saját adatvizualizációs projekt.

ETR kód: 124-40-71-01, ÁTH_MÉD_MA-05 , ÁTH_MÉDIA_BA-05
A kurzus honlapja:   http://create.mome.hu/ruttkay/ap12/
A kurzus munkafelülete hallgatónként: google site, eléréséhez gmail cím szükséges.

Tematika:
Digitális korunkban rengeteg adat gyűlik és érhető el online, a városi napi forgalomtól a híreken valamint a magyar irodalom szövegein keresztül a személyes élet nyomaikig. Mit kezdehetünk az adatokkal, hogyan jeleníthetjük meg az összefüggéseit, kaphatunk rálátást több szempontból is, tehetjük az esetenként folyvást változó adattömeget élővé, jelentéssel bíróvá?

A kurzus két szinten nyújt alapokat az adatvizualizációhoz:
1. Elvi szinten azt tisztázzuk, hogy mi az adat, milyen fajtái vannak, hol és hogyan lelhető fel, és milyen kérdéseket tehetünk fel hogy az adathalmazban rejlő érdekes összefüggéseket, jelentéseket kinyerjük?
2. Milyen adatrendezési elvekkel, algoritmikus és programozási fogalmakkal, konstrukciókkal tudjuk mindezt megvalósítani?

(A harmadik szintre, a kreatív vizuális tervezésre illetve komplex saját projektre egy következő kurzus keretében kerül majd sor,melyhez ez a kurzus alapokat ad.)

A kurzus során a Processing nyelvet használjuk programozási környezetként. A kurzus első felében - az adatvizualizáció elvi kérdéseinek tisztázásával párhuzamosan - algoritmikus és programozási gyakorlatokra kerül sor. Eme intenzív szakasz során órai példákkal és otthon megoldandó feladatokkal szereznek a hallgatók készségeket az adatvizualizáció egyes problémáinak kezelésére. A kurzus második felében max 2 fős csapatban saját hozott, vagy felajánlott témájú adatvizualizációs projektet valósítanak meg a hallgatók, amit dokumentálva mutatnak be a kurzus végén.

A kurzus intenzív órai és otthoni munkát is feltételez. Eredményként a hallgatók egy sokféle területen hasznosítható és továbbfejleszthető tudásra és készség szintű Processing programozásra tesznek szert.
A kurzus értékelése:

• a kurzus első felében a feladatok teljesítése 40 %
• az adatvizualizációs projekt komplexitása, és megvalósításának színvonala 45 %
• a projekt dokumentációja (film, online felület) 15 %

Irodalom, online példák:

Adatvizualizáció
• Challenge és projektek: www.visualizing.org
• Golan Levin et al kurzusán született hallgatói projektek
• Jer Thorp intro course on data visualization
• Hanspeter Pfister Harvard - advanced, on subtle aspects of DV CS171 talks
• collection of examples, projects:http://datavisualization.ch/tag/processing/

Szövegvizualizáció
• Understanding Shakespeare project
• Ben Fry Comparing editions of Darwins Darwins On the Origin of Species
• Text visualization principles overview
• Text mining and the digital humanities
• Text visualization techniques and tools

Processing
• Processing site (download, exhibition, ...)

Események
• Ars Electronica - The Big Picure

A kurzus programja:

szept.12.	Bevezetés: pédák. Mi az adat, miért érdekes, akuális? Az adatvizualizáció részfeladatai. Előadás .pdf Processing 1 alapok	HF1: Marc Lombardi – utánanézni (Ben Fry blog) HF2: http://www.visualizing.org/ alaposan megnézni HF3: saját projekten gondolkozni, 2-4 kérdés, hol lenne adat hozzá, ... HF4:www.processing.org-ról processinget letölteni, gettingstarted, valamit rajzolni sk
szept.19.	NINCS ÓRA a TERENCE EU project MOME-s látogatása miatt.
szept.26.	Processing 2 - példák alább (másolhatók, ahhoz hogy fusson azonos nevű mappába kell tenni a .pde filet: for() használata - m db kör egy sorban - ahány kör kifér a vászonra egy sorban - egymásba ágyazott for() m sorba, m oszlopba rajzol köröket % (maradék) fv, mellyel most a színt határozzuk meg random(.., ..) fv véletlen számokat generál, mellyel most az y koordinátát határoztuk meg kísérleteztünk a noLoop() kiiktatásával, a map() függvény segít abban hogy az értéket leképezzed pl. színre, koordinátára, méretre - amire akarod	HF1: Saját Vasarely parafrázis program for használatával HF2: első adatvizualizáció a random() föggvény által generált adatokat (minimum 20-at) jelenítsed meg valahogy A HF .pde fileokat töltsétek fel a munkafelületen a nevetek alá
okt.3.	Processing 3 - ez volt a mult óran körök véletlen y helyen - számok értéke = kör y koord, array megadásának módjai, kkordináta tengelyek rajzolva - számok értéke többféle módon, oszlopos, gráf mods from Jer Thorp intro course - gyakoriság átlátszóság alapján transzőarens körök egymáson - gyakoriság oszloposan - gyakoriság szinesben RGB versus HSB szinmód - több sor mindegyik egy-egy adat tömböt jelenít meg - négyzetesen - négyzetesen, egér kattra új adattal - gyakoriság ill szám griden	HF3: Idősor 1 de csak előre megadott két szám közé eső adatokat vegyél figyelembe, más az szemét HF4: Idősor 2 átlag feletti- alatti legyen más-más szín HF5: Idősor 3 - hőségriadó 3 egymást követő érték nagyobb mint egy küszöb, csak ilyen "napokat" emelj ki - itt egy mo (RZs) HF6: 2 adatsor egymás mellett 2 adatsor egymás mellett, egy koordinátarendszerben (pl. két ország adatai) HF7: SAJÁT az eddigiek alapján értelmezzed a (véletlen) adatsort, írjad le commentbe hogy mi az amit látunk
okt.10.	Gyakorlás Hf-ek megbeszélése	Pótoljátok az eddigi hf-eket, gyakorlásként is Learning Processing példák
okt.17.	Térképes vizualizáció, adatok beolvasása Órai példák - read in data from text file and visualize with old methods here is for input the data folder .rar - improve visualization with data shown on axes - improve visualization by showing countries one by one - read in blank map, place locations, save those to output file and show data at given locations here is for input the data folder .rar További példák read in data from text file use data from text file as visualization parameters find data in xml from online resource wether grabber load URL with SimpleML load XML with SimpleML Sárosi Róbert kommentált példái: TextProcessing és hozzá adat list.txt XMLProcessing és hozzá adat data.xml Könyvtárak: külső library használata SimpleML lib for asynchronous requests for raw data from web pages XLsReader to read in excel files	HF8: Legutolsó órai példa továbbfejlesztése: pl. ország pozíció adatok beolvasása (ha nem üres a file), évenkénti adatok billenytűre, az év fent kiíródik - commentbe szerepeljen a plusz HF9: Várható élettartam férfiakra is a nőkkel együtt HF10: SAJÁT projekthez kérdések/terv és adatforrás keresése - egy .pdf-ben leírni
okt.24.	Interakció, gráf megjelenítés graph layout examples from Chapter 8 in Viusalizing Data by Ben Fry relationship-visualizer realtime train arrival visualization Szindbad szövegvizualizáció .rar hangrend és szótaghossz megjelenítés	HF11: SAJÁT projekt terv - egy .pdf-ben, felrakni okt 30 este 8-ig
okt.31.	Saját projekt javaslatok
nov.7.	Saját projekthez adatbeolvasás
nov.14.	KURZUSHÉT - nincs óra
nov.21.	Saját projekt 1
nov.26.	Saját projekt 2
dec.2.	Projektek bemutatása.

ADATFORRÁS LINKEK
OECD datasets released Organisation for Economic Cooperation and Development
EUROSTAT with online visualizations ZACAT, a social science data portal allowing you to search for, browse, analyse and download social science survey data, provided by GESIS - Leibniz Institute for the Social Sciences magyar adatforrások áttekintés KSH statinfo, menthető többféle módon pl.
TÁRKI magyar felmérések, kérvényezni kell az adat hozzáférést
OMSZ feldolgozott statisztikák