Le tecniche di visualizzazione dei dati variano da un dominio all’altro.

Finanza computazionale

Nei settori che usano dati di mercato storici o in tempo reale, la visualizzazione dei dati è utile a identificare rapidamente pattern e tendenze, a rilevare le anomalie e a ottenere informazioni utili. La visualizzazione dei dati aiuta a effettuare analisi, sviluppare modelli predittivi, valutare i rischi e formalizzare strategie di trading.

Il grafico riportato qui sotto simula il comportamento futuro del prezzo spot dell’energia elettrica a partire da un modello di serie storica adattato ai dati storici.

Elaborazione di segnali

L’elaborazione di segnali viene impiegata in applicazioni quali l’analisi vocale, il monitoraggio del battito cardiaco, le comunicazioni wireless, il telerilevamento, il monitoraggio dello stato del clima e il GPS. Tra le attività più comuni compaiono la pre-elaborazione e il confronto di segnali, la progettazione di filtri digitali, la trasformazione di segnali, l’esecuzione di misurazioni e il rilevamento di pattern ed eventi. Le visualizzazioni dei dati vengono utilizzate per analizzare segnali di interesse nel dominio della frequenza, del tempo e del tempo-frequenza.

Il grafico riportato qui sotto rappresenta dati audio di una balenottera azzurra del Pacifico. La visualizzazione viene creata in MATLAB^® utilizzando l’app Signal Analyzer, che aiuta a visualizzare i segnali nel dominio del tempo e della frequenza.

Elaborazione di immagini e visione artificiale

L’elaborazione di immagini e video aiuta a individuare forme, contare oggetti, identificare colori, misurare le proprietà degli oggetti e a trovare altre informazioni di rilievo. Le tecniche di elaborazione di immagini sono spesso applicate come fase di pre-elaborazione nel workflow della visione artificiale. Le applicazioni in questo dominio comprendono il riconoscimento facciale per gli smartphone, l’evitamento di pedoni e veicoli nei veicoli a guida autonoma, la videosorveglianza, il rilevamento di tumori nelle MRI mediche e altri sistemi di recupero immagini.

Ad esempio, BMW utilizza le funzionalità di visione artificiale nell'Assisted Driving View (ADV) per raffigurare i veicoli circostanti e identificarne il tipo.

Intelligenza artificiale (IA)

La visualizzazione dei dati svolge un ruolo cruciale nello sviluppo di modelli di IA, tramite l’uso del Machine Learning o del Deep Learning, in quanto i modelli vengono costruiti sulla base di set di dati di grandi dimensioni, che sono difficili da interpretare. Nel Machine Learning, l’analisi dei cluster aiuta a rilevare le anomalie e a pre-elaborare i dati nell’apprendimento supervisionato. L’analisi dei componenti principali (PCA) e t-distributed Stochastic Neighbor Embedding (t-SNE) sono le due tecniche di visualizzazione dei dati più utilizzate in quanto aiutano a ridurre le dimensioni dei dati per potersi focalizzare sulle dimensioni di differenziazione chiave.

Nel Deep Learning, è possibile monitorare i progressi dell’addestramento utilizzando delle visualizzazioni dei dati come i grafici di accuratezza e perdita di rete e analizzare le reti addestrate usando tecniche di visualizzazione quali Grad-CAM (Gradient-weighted Class Activation Mapping), sensibilità all’occlusione, LIME (Local Interpretable Model-agnostic Explanation) e Deep Dream.

I pacchetti software dispongono di funzionalità per trasformare dati grezzi in visualizzazioni composite, come i tracciati, i grafici e i diagrammi. Quello che segue è un esempio illustrativo di dati di densità del flusso di biciclette. Tramite una semplice ispezione visiva dei dati grezzi è difficile stabilire il rapporto che lega i vari dati.

Il grafico a barre qui sotto mostra che la densità del flusso di biciclette aumenta e diminuisce nel corso della settimana. È ora chiaro che il numero di ciclisti è maggiore tra settimana rispetto ai weekend. Questa visualizzazione ci consente di inferire che i ciclisti in strada sono prevalentemente persone che si spostano per andare al lavoro.

Per ottenere informazioni più approfondite a partire dagli stessi dati è possibile usare un grafico a dispersione. Il grafico riportato qui sotto mostra il numero totale di biciclette dirette a est e a ovest a orari specifici della giornata. In base a questo grafico, è possibile concludere che i percorsi diretti a est portano alle aree lavorative mentre quelli diretti a ovest portano ad aree residenziali. Inoltre, è possibile stabilire che le ore di punta sono dalle 8:00 alle 10:00 in direzione est e dalle 16:00 alle 18:00 in direzione ovest.

Il grafico a sciame è un tipo particolare di grafico a dispersione in grado di mostrare i pattern di densità del flusso di biciclette in base ai diversi orari della giornata, al giorno della settimana e alla direzione.

Nell’esempio relativo al flusso di biciclette, visualizzare i dati con diverse tipologie di grafici come quello a barre, a dispersione e a sciame ci aiuta a estrarre informazioni utili dal set di dati come i giorni con i picchi di traffico, la direzione di movimento e l’orario di punta della giornata.

MATLAB è una piattaforma di programmazione e di calcolo numerico usata per analizzare dati, sviluppare algoritmi e creare modelli. Supporta l’intero workflow di analisi dei dati, comprese le attività di acquisizione dei dati direttamente in MATLAB, l’analisi e la visualizzazione di detti dati e l’esportazione dei risultati. È possibile utilizzare mappe interattive per visualizzare i dati senza dover scrivere neanche una riga di codice; le app generano automaticamente il codice MATLAB appropriato, il che consente di automatizzare e riutilizzare il proprio lavoro.

Creazione di visualizzazioni dei dati

MATLAB offre un’ampia gamma di tipi di grafici integrati come quelli a linee, a dispersione, di distribuzione e geografici, per visualizzare i dataset provenienti da un insieme diversificato di applicazioni. È possibile creare visualizzazioni in modo interattivo oppure programmatico utilizzando il linguaggio MATLAB.

Analisi delle visualizzazioni dei dati

È possibile esplorare in modo interattivo la propria visualizzazione svolgendo le seguenti attività:

Annotazione e personalizzazione delle visualizzazioni dei dati

È possibile annotare in modo interattivo le proprie visualizzazioni evidenziando le informazioni essenziali che si vogliono mostrare, ad esempio:

Scopri altri esempi di contenitori grafici personalizzati su File Exchange su MATLAB Central.

Esportazione delle visualizzazioni dei dati

È possibile esportare direttamente le proprie visualizzazioni personalizzate e annotate da utilizzare sul web e in presentazioni e report.

Integrazione tra visualizzazione dei dati e analisi dei dati

La visualizzazione dei dati è spesso abbinata all’analisi e alla pre-elaborazione dei dati. Le app di MATLAB, come Data Cleaner e Signal Analyzer, combinano questi passaggi.

Visualizzazioni per applicazioni specifiche

I toolbox di MATLAB mettono a disposizione delle visualizzazioni specifiche in base alle applicazioni, oltre ad app interattive che abbinano la visualizzazione alla pre-elaborazione e all’analisi dei dati.

Connessione di MATLAB con altri strumenti di visualizzazione dei dati

È possibile utilizzare le funzionalità di calcolo e di elaborazione dei dati di MATLAB per creare visualizzazioni e dashboard con altri strumenti di business intelligence, come:

• Tableau
• Power BI
• Plotly

Applicazioni interessanti della visualizzazione dei dati

Le funzionalità di visualizzazione dei dati in MATLAB hanno consentito alle organizzazioni di raggiungere in modo efficace i propri obiettivi in ambito di ricerca.