Mérési adatok vizuális elemzése

Visual Analysis of Measurement Data

A tantárgyleírás hatályossága

Hatályosság kezdete:

—

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Mérési adatok vizuális elemzése

Visual Analysis of Measurement Data

Tantárgykód

BMEVIMIAV16

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	2	0	0
jelleg (kapcsolt/önálló)	—	—	—

Tanulmányi teljesítmény/értékelés típusa

félévközi érdemjegy

Tantárgy kreditértéke

Tantárgyfelelős

DR. Gönczy László

beosztás: egyetemi docens

elérhetőség: gonczy.laszlo@vik.bme.hu

Tantárgyat gondozó oktatási szervezeti egység

—

Kar

Tantárgy weboldala

https://www.mit.bme.hu/oktatas/targyak/vimiav16

Tantárgy elsődleges mintatantervi jellege

—

Közvetlen előkövetelmények – Erős előkövetelmény

nincs

Közvetlen előkövetelmények – Gyenge előkövetelmény

nincs

Közvetlen előkövetelmények – Párhuzamos előkövetelmény

nincs

Közvetlen előkövetelmények – Mérföldkő előkövetelmény

nincs

Közvetlen előkövetelmények – Kizáró feltétel

nincs

Célkitűzés

Tantárgyprogram

A tárgy az alapvető fogalmak és technológiák bevezetése után azok műszaki felhasználására koncentrál.

1. hét: Statisztikai és metrológiai alapok. Statisztikai alapfogalmak, mértékek fajtái, mérésekkel szembeni tipikus követelmények. Adattípusok és adatszerkezetek. Adatok közti függőségek: korreláció, asszociáció, kauzalitás. Előzetes (a priori) ismeretek felhasználása.

2. hét: Vizuális elemzés alapok. Feltáró/megerősítő (Exploratory/Confirmatory) analízis. Főbb plot típusok (1, 2, n dimenzió) és felhasználásuk.

3. hét: Interaktív technológiák, data tours (esettanulmány). Egyedi vizualizáció példák, eloszlások megjelenítése, ötszámos jellemzés (five-number summary), nemparametrikus statisztika. Kihívások: interaktivitás, skálázhatóság (információ és megjelenítés), megismételhető/kollaboratív elemzés.

4. hét: Vizuális elemzés technológiai támogatása: szkript nyelvek (R, Python), vizuális folyamattervező eszközök (Knime, RapidMiner, TensorFlow, Orange, ...), hagyományos „BI" eszközök felhasználása (Microsoft PowerBI, Tableau, ...). Felhő alapú analitika (Microsoft Cortana Analytics, IBM Watson Analytics). Vizuális megjelenítő könyvtárak: JS alapú megoldások (D3.js, Processing, chart könyvtárak), Dashboard keretrendszerek (Graphite, CGP, ...). Eltérés a célokban, beágyazott heurisztikák torzító hatása, implicit feltételezések feltárása, az egyes technológiák összehasonlítása.

5. hét: Mérnöki modellek felhasználása adatelemzésben: Oksági kapcsolatok, topologikus korreláció, sorrendiség és viselkedésmodellek figyelembevétele, változószelekció. Minőségi modellek (Qualitative Reasoning).

6. hét: Kezdeti vizuális kiértékelés (esettanulmány), az eddig ismertetett módszerek bemutatása néhány reprezentatív példán (pl. felhő alapú rendszerek teljesítménymérése).

7. hét: Adatgyűjtés és -tisztítás: szakterület-specifikus adatszótár, adathiba taxonómia megalkotása, általános adatminőségi metrikák, felműszerezés, mintavételezés stb. informatikai rendszerekben. Szenzor adatforrások szemantikus leírása: az SSN szabvány.

8. hét: Adatforrások csatolása. Tipikus mérési adatforrások: relációs adatbázisok, kulcs-érték adatbázisok, oszlopadatbázisok, gráfadatbázisok. Ontológia alapú tárolás, online adatforrások (REST,JSON, ...). R, Python terminológia.

9. hét: Adatvezérelt modellalkotás. Klaszterezés és PCA támogatása. Klasszifikáció és csoportba sorolás. Kísérleti modellek validációja, kísérlettervezés.

10-11. hét: A vizuális elemzés alkalmazási területeinek sajátosságai. Kiberfizikai rendszerek (CPS) elemzése, különböző domének (kiber, fizikai) kapcsolatának feltárása. Dashboard tervezés informatikai rendszerek felügyeletére, "SCADA". Szolgáltatásbiztonság és teljesítőképesség elemzése. Szoftver teljesítmény hangolás. Biztonságkritikus rendszerek fejlesztési folyamatának vizsgálata.

12. hét: Vizuális elemzés használata rendszertervezésben. Fogalmi egységesítés. Mérés és benchmark tervezés. Informatikai modellek szimulációjának hatékony kiértékelése. Reprezentáció transzformálása.

13. hét: Rendszerek kiértékelés vizuális módszerekkel. Teszt- és tesztkészlet-kiértékelés támogatása. Logelemzés és eseményfeldolgozás komplex, felhő alapú rendszerekben. Kiugró értékek (outlier) keresése.

14. hét: Komplex esettanulmány.

A műszaki gyakorlatban kulcsfontosságú a tapasztalati adatok gyűjtése és elemzése mind a rendszerek méretezésénél, mind teljesítmény- és időviszonyaik helyességének ellenőrzésénél. Ennek legegyszerűbb, de hatékony és a műszaki szemlélethez közel álló megközelítése a vizuális adatelemzés. Ennek tipikus alkalmazási területei: HW/SW teljesítményvizsgálat, web és felhő alapú rendszerek méretezése, komponensek közti kommunikáció vizsgálata, szűk keresztmetszetek keresése. A tantárgy alapvető célkitűzése megismertetni a hallgatókat a vizuális adatelemzés alkalmazási lehetőségeivel, elsődlegesen műszaki alkalmazásokban, informatikai rendszerek tervezésében és kiértékelésében. A tárgy statisztikai/elméleti alapozás után gyakorlati példákon keresztül mutatja be az elemzési folyamat főbb feladatait (adatgyűjtés és tisztítás, modellalkotás, feltáró és megerősítő elemzés, stb.). A tantárgy elvégzése után a hallgatók képesek lesznek méréseket tervezni, benchmarkokból és rendszermonitorozásból/logokból származó adatokat kiértékelni, a rendszer működéséből adódó sajátosságokat (pl. elemek közti függőségek, kapcsolatok) az elemzés során módszeresen felhasználni, ill. a rendszerről alkotott feltételezéseket elemzésekkel kiértékelni és alátámasztani. Az elemzési eredmények hatékonyan fejleszthető, intuitív felületeken keresztül különböző részletességgel és fókusszal tudják megjeleníteni mind informatikusok/rendszermérnökök, mind a rendszerek felhasználói ill. megrendelői számára. A tárgy oktatása során elsősorban a vizuális megjelenítésre helyezzük a hangsúlyt, korszerű vizuális elemzési technológiákon keresztül ismertetve az alapvető módszereket, emellett kitekintünk a széles körben használt R nyelv interaktív vizualizációs lehetőségeire.

Tanulmányi eredmények

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Tudás

Nincsenek rögzített tanulási eredmények.

Képességek

Nincsenek rögzített tanulási eredmények.

Attitűd

Nincsenek rögzített tanulási eredmények.

Autonómia és felelősség

Nincsenek rögzített tanulási eredmények.

Oktatási módszertan

Előadás.

Tanulástámogató anyagok

Online források

2014), online segédanyagok, példák.; 1. Chen, Chun-houh, Wolfgang Karl Härdle, and Antony Unwin,; eds. Handbook of data visualization. Springer Science & Business Media,; 2007; 2. Theus, Martin, and Simon Urbanek. Interactive graphics; for data analysis: principles and examples. CRC Press, 2008.; 3. Antal Péter (szerk.). Intelligens adatelemzés. Typotex; Kiadó, 2014. Elektronikusan elérhető jegyzet.; 4. Imre Kocsis, Ágnes Salánki, and A. Pataricza,; "Measurement-based identification of infrastructures for TCPS," in Trustworthy; Cyber-Physical Systems Engineering, A. Romanovsky and Fuyuki Ishikawa, Eds.; Chapman and Hall/CRC, 2016.; 5. Pataricza, András, et al. "Empirical Assessment of; Resilience." Software Engineering for Resilient Systems. Springer Berlin; Heidelberg, 2013. 1-16.; További eszközspecifikus segédanyagok (pl. Adam Aspin, „High; Impact Data Visualization with Power View, Power Map, and Power BI", Apress,

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Alapvető statisztikai/valószínűségszámítási ismeretek, számítógépes rendszerek, hálózatok és operációs rendszerek alapfogalmai. Adatbázisok/táblázatkezelés alapismeretei.

Képesség típusú kompetenciák

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

Alapvető statisztikai/valószínűségszámítási ismeretek, számítógépes rendszerek, hálózatok és operációs rendszerek alapfogalmai. Adatbázisok/táblázatkezelés alapismeretei.

Általános szabályok

Követelmények: a. A szorgalmi időszakban: egy házi feladat elkészítése. A házi feladat egy önállóan elkészített, saját mérésből vagy publikus adatforrás(ok)ból származó adatkészleten elvégzett, elsősorban vizuális technikákra építő, megismételhető elemzés, megfelelően dokumentálva. b. A vizsgaidőszakban: - c. Elővizsga: - Pótlási lehetőségek: A TVSZ szerint: Házi feladat: a pótlási héten pótolható (különeljárási díj ellenében).

Teljesítményértékelési módszerek

Szorgalmi időszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Szorgalmi időszakban végzett teljesítményértékelések részaránya

Nincs megadva részarány.

Vizsgaidőszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Vizsgarészek részaránya

Nincs megadva részarány.

Érdemjegy megállapítása

Nincs megadva érdemjegy határ.

Jelenléti és részvételi követelmények

Nincs megadva jelenléti követelmény.

Javítás, ismétlés és pótlás különös szabályai

Nincs megadva.

Rövid leírás

Nincs megadva.

Részletes leírás

Nincs megadva.

Ajánlott tantárgyak

Nincs megadva.

A tantárgy elvégzéséhez szükséges tanulmányi munka

Nincs megadva munkaidő bontás.

Tantárgykövetelmények hatályossága

Tantárgykövetelmények hatályosságának kezdete:

—

Tantárgykövetelmények hatályosságának vége:

—

Tantervi elhelyezés

Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.