Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
courses:b4m39viz [2026/05/25 17:13] – zapleka3courses:b4m39viz [2026/05/27 13:14] (current) – [Question 2: Odlehlé hodnoty (Outliers) – Co to je, co znamenají a k čemu slouží] zapleka3
Line 3: Line 3:
 [[https://docs.google.com/document/d/1hs0U9I88zJqfhg11oBHGQ6gKXcJD5on6AonXecsxDJI/edit?tab=t.0#heading=h.1az79lm4wx0i|VIZ Otázky z minulých let dokument]] [[https://docs.google.com/document/d/1hs0U9I88zJqfhg11oBHGQ6gKXcJD5on6AonXecsxDJI/edit?tab=t.0#heading=h.1az79lm4wx0i|VIZ Otázky z minulých let dokument]]
  
 +[[https://orgpad.info/s/fgJM6_uUP5x|Mind map]]
  
 ======= Question set 1 ======= ======= Question set 1 =======
Line 158: Line 159:
 Sugiyamův rámec (Sugiyama Framework) je široce používaný algoritmus, který řeší problém, jak prostorově uspořádat uzly u relačních dat. Sugiyamův rámec (Sugiyama Framework) je široce používaný algoritmus, který řeší problém, jak prostorově uspořádat uzly u relačních dat.
  
-  - Je určený specificky pro výpočet **hierarchického rozvržení stromů** nebo **orientovaných acyklických grafů (DAG)**. +  - Je primárně navržený pro výpočet **hierarchického rozvržení stromů** nebo **orientovaných acyklických grafů (DAG)**. Lze jej však aplikovat i na **obecné orientované grafy (s cykly)**, se kterými si poradí dočasným otočením problémových hran. 
-  - Je naprosto ideální pro úlohy, kde potřebujeme jasně komunikovat **hierarchii, návaznosti nebo směr toku** informací.+  - Je naprosto ideální pro úlohy, kde potřebujeme jasně komunikovat **hierarchii, návaznosti nebo hlavní směr toku** informací.
   - %%Příklad využití:%% Zobrazení prerekvizit předmětů na univerzitě (předmět A musím splnit před předmětem B), analýza závislostí v softwarovém kódu, nebo zobrazení rodokmenu.   - %%Příklad využití:%% Zobrazení prerekvizit předmětů na univerzitě (předmět A musím splnit před předmětem B), analýza závislostí v softwarovém kódu, nebo zobrazení rodokmenu.
 ++++ ++++
Line 167: Line 168:
  
   - **Horizontální vrstvy:** Všechny uzly grafu jsou úhledně seřazeny do zřetelných horizontálních vrstev (úrovní).   - **Horizontální vrstvy:** Všechny uzly grafu jsou úhledně seřazeny do zřetelných horizontálních vrstev (úrovní).
-  - **Jednosměrnost hran:** Zásadním rysem je, že **všechny hrany směřují pouze jedním směrem** (typicky shora dolů).  +  - **Převážná jednosměrnost hran:** Zásadním rysem je, že **naprostá většina hran směřuje pouze jedním směrem** (typicky shora dolů). Výjimkou jsou zpětné hrany (pokud původní data obsahovala cykly) – ty po vykreslení směřují nahoru proti hlavnímu toku. 
-  - **Jasná hierarchie:** Každý uzel-potomek se vždy nachází vizuálně ve vrstvě pod svým rodičem. Díky tomu algoritmus zamezuje vzniku matoucích zpětných smyček směřujících nahoru, což divákovi umožňuje okamžitě pochopit celou strukturu od kořene až po listy.+  - **Jasná hierarchie:** Každý uzel-potomek se (až na zmíněné cykly) vždy nachází vizuálně ve vrstvě pod svým rodičem. Algoritmus tak minimalizuje vizuální chaos a umožňuje divákovi okamžitě pochopit celkovou strukturu od kořenů až po listy.
 ++++ ++++
  
Line 237: Line 238:
  
   - **Dynamické mapování (Čas $\rightarrow$ Čas / Animace):** Fyzický čas přehrávání vizualizace odpovídá času v datech.   - **Dynamické mapování (Čas $\rightarrow$ Čas / Animace):** Fyzický čas přehrávání vizualizace odpovídá času v datech.
-    * *Výhoda:* Přirozené (žádná mentální konverze), dobré pro sledování vývoje 2D/3D polí (%%např.%% šíření bouře). +    * **Výhoda:** Přirozené (žádná mentální konverze), dobré pro sledování vývoje 2D/3D polí (%%např.%% šíření bouře). 
-    * *Nevýhoda:* Nevhodné pro analytické úlohy. Lidská krátkodobá paměť nedokáže přesně porovnat to, co vidí teď, s tím, co viděla před chvílí.+    * **Nevýhoda:** Nevhodné pro analytické úlohy. Lidská krátkodobá paměť nedokáže přesně porovnat to, co vidí teď, s tím, co viděla před chvílí.
   - **Statické mapování (Čas $\rightarrow$ Prostor):** Čas je namapován na osu nebo vizuální kanál.   - **Statické mapování (Čas $\rightarrow$ Prostor):** Čas je namapován na osu nebo vizuální kanál.
-    * *Výhoda:* Umožňuje **přímé vizuální srovnání** hodnot napříč historií.+    * **Výhoda:** Umožňuje **přímé vizuální srovnání** hodnot napříč historií.
     * **Vizuální kanály pro kódování času:**     * **Vizuální kanály pro kódování času:**
       * **Pozice:** Nejčastější a nejpřesnější (osa X).       * **Pozice:** Nejčastější a nejpřesnější (osa X).
Line 376: Line 377:
 **Přímé objemové renderování** je pokročilá vizualizační technika pro zobrazení 3D objemových dat (např. CT nebo MRI skenů).  **Přímé objemové renderování** je pokročilá vizualizační technika pro zobrazení 3D objemových dat (např. CT nebo MRI skenů). 
  
-  - **Základní princip:** Na rozdíl od *nepřímé vizualizace* (která z dat nejprve vytvoří 3D geometrii, např. síť trojúhelníků pomocí Marching Cubes), DVR **neextrahují žádnou mezilehlou geometrickou reprezentaci**. Zobrazuje 3D data přímo a mapuje vlastnosti objemu na pixely obrazovky.+  - **Základní princip:** Na rozdíl od **nepřímé vizualizace** (která z dat nejprve vytvoří 3D geometrii, např. síť trojúhelníků pomocí Marching Cubes), DVR **neextrahují žádnou mezilehlou geometrickou reprezentaci**. Zobrazuje 3D data přímo a mapuje vlastnosti objemu na pixely obrazovky.
   - **Ray Marching (Paprskový pochod):** Základní algoritmus DVR. Pro každý pixel 2D obrazovky (kamery) se do 3D objemu vyšle světelný paprsek. Algoritmus po malých krocích "pochoduje" podél tohoto paprsku a v každém kroku odebere vzorek dat (interpoluje skalární hodnotu z mřížky).   - **Ray Marching (Paprskový pochod):** Základní algoritmus DVR. Pro každý pixel 2D obrazovky (kamery) se do 3D objemu vyšle světelný paprsek. Algoritmus po malých krocích "pochoduje" podél tohoto paprsku a v každém kroku odebere vzorek dat (interpoluje skalární hodnotu z mřížky).
   - **Vyhodnocení paprsku:** Nasbírané vzorky podél paprsku se musí "zploštit" do jedné barvy pixelu. To se děje dvěma způsoby:   - **Vyhodnocení paprsku:** Nasbírané vzorky podél paprsku se musí "zploštit" do jedné barvy pixelu. To se děje dvěma způsoby:
Line 496: Line 497:
     * Je to často **intuitivnější**, protože proces přirozeně odpovídá fyzikálnímu modelu (světlo se kumuluje od zdroje k pozorovateli).     * Je to často **intuitivnější**, protože proces přirozeně odpovídá fyzikálnímu modelu (světlo se kumuluje od zdroje k pozorovateli).
     * Z hlediska výpočtu potřebujeme řešit **pouze jednu rovnici** pro každý vzorek (počítá se pouze kumulace intenzity).     * Z hlediska výpočtu potřebujeme řešit **pouze jednu rovnici** pro každý vzorek (počítá se pouze kumulace intenzity).
 +  - **Nevýhody:**
 +      * Zbytečné výpočty pokud existuje neprůhledný objekt blíž ke kameře.
 ++++ ++++
  
Line 501: Line 504:
 Zde algoritmus prochází vzorky podél paprsku od **nejbližšího bodu k nejvzdálenějšímu** (od %%$i = 0$%% do %%$i = n$%%). Zde algoritmus prochází vzorky podél paprsku od **nejbližšího bodu k nejvzdálenějšímu** (od %%$i = 0$%% do %%$i = n$%%).
  
-  - **Princip:** Během průchodu se postupně kumuluje jak výsledná barva, tak i **celková průhlednost**. Algoritmus si pamatuje, kolik světla ještě může projít dále do objemu. Výpočet vyžaduje řešení **dvou rovnic** (jednu pro intenzitu a druhou pro průhlednost).+  - **Princip:** Během průchodu se postupně kumuluje jak výsledná barva, tak i **celková průhlednost**. Algoritmus si pamatuje, kolik světla ještě může projít dále do objemu. 
   - **Výhody a Časné ukončení (Early termination):**   - **Výhody a Časné ukončení (Early termination):**
     * Hlavní a naprosto klíčovou výhodou této metody je možnost **časného ukončení**.      * Hlavní a naprosto klíčovou výhodou této metody je možnost **časného ukončení**. 
     * Jakmile kumulovaná průhlednost (alpha) dosáhne hodnoty blížící se 1.0 (tj. materiál se stane plně neprůhledným), proces skládání pro daný paprsek se **okamžitě zastaví**.     * Jakmile kumulovaná průhlednost (alpha) dosáhne hodnoty blížící se 1.0 (tj. materiál se stane plně neprůhledným), proces skládání pro daný paprsek se **okamžitě zastaví**.
     * Všechny další vzorky za tímto bodem už by stejně nebyly viditelné, takže je zbytečné je počítat. To může **výrazně zrychlit renderování**, zejména u objemů s neprůhlednými strukturami.     * Všechny další vzorky za tímto bodem už by stejně nebyly viditelné, takže je zbytečné je počítat. To může **výrazně zrychlit renderování**, zejména u objemů s neprůhlednými strukturami.
 +  - **Nevýhody:**
 +      * Výpočet vyžaduje řešení **dvou rovnic** (jednu pro intenzitu a druhou pro průhlednost).
 ++++ ++++
  
Line 514: Line 519:
 Prvním zásadním problémem je **nelinearita (percepční neuniformita)** mnoha běžných barevných prostorů (např. RGB, HSV). Prvním zásadním problémem je **nelinearita (percepční neuniformita)** mnoha běžných barevných prostorů (např. RGB, HSV).
   - V těchto prostorech matematická vzdálenost mezi dvěma barvami neodpovídá tomu, jak rozdíl vnímá lidské oko. Stejný číselný rozdíl v datech se může v jedné části barevného spektra jevit jako obrovský skok a v jiné jako neviditelná změna.   - V těchto prostorech matematická vzdálenost mezi dvěma barvami neodpovídá tomu, jak rozdíl vnímá lidské oko. Stejný číselný rozdíl v datech se může v jedné části barevného spektra jevit jako obrovský skok a v jiné jako neviditelná změna.
 +  - Odstín neimplikuje řazení, jas ano.
 +  - Odstín má vyšší rozlišitelnost než jas a sytost.
   - **Duhová škála (Rainbow / Jet Colormap):** Je odstrašujícím příkladem tohoto problému. Není percepčně uniformní v odstínu ani v jasu. Vytváří **falešné (umělé) hrany** v místech rychlého vizuálního přechodu (např. kolem žluté a tyrkysové) a naopak skrývá detaily v oblastech, kde se barva mění vizuálně pomalu (např. v širokém zeleném pruhu).   - **Duhová škála (Rainbow / Jet Colormap):** Je odstrašujícím příkladem tohoto problému. Není percepčně uniformní v odstínu ani v jasu. Vytváří **falešné (umělé) hrany** v místech rychlého vizuálního přechodu (např. kolem žluté a tyrkysové) a naopak skrývá detaily v oblastech, kde se barva mění vizuálně pomalu (např. v širokém zeleném pruhu).
   - **Řešení:** Pro kvantitativní data je nutné používat percepčně uniformní prostory, jako je **CIELAB** nebo **HCL** (např. škály Viridis nebo Plasma).   - **Řešení:** Pro kvantitativní data je nutné používat percepčně uniformní prostory, jako je **CIELAB** nebo **HCL** (např. škály Viridis nebo Plasma).
Line 674: Line 681:
 **1. Kontrola a ověřování analytických modelů (např. Regrese):** **1. Kontrola a ověřování analytických modelů (např. Regrese):**
   - Pokud při automatizované analýze aplikujeme na data matematický model (např. proložíme je regresní přímkou), i **jeden jediný silný outlier dokáže drasticky změnit sklon a posun této přímky**, což vede ke zcela chybné interpretaci celého vztahu.   - Pokud při automatizované analýze aplikujeme na data matematický model (např. proložíme je regresní přímkou), i **jeden jediný silný outlier dokáže drasticky změnit sklon a posun této přímky**, což vede ke zcela chybné interpretaci celého vztahu.
-  - Vizualizace (např. zobrazení bodového grafu s proloženou přímkou) nám umožní okamžitě vidět, že model selhává kvůli odlehlé hodnotě. Můžeme ji vizuálně identifikovat, interaktivně odfiltrovat a sledovat, jak se model zpřesní pro zbytek dat. (Slavným příkladem důležitosti vizualizace je *Anscombův kvartet*).+  - Vizualizace (např. zobrazení bodového grafu s proloženou přímkou) nám umožní okamžitě vidět, že model selhává kvůli odlehlé hodnotě. Můžeme ji vizuálně identifikovat, interaktivně odfiltrovat a sledovat, jak se model zpřesní pro zbytek dat. (Slavným příkladem důležitosti vizualizace je **Anscombův kvartet**). 
 +{{:courses:pasted:20260527-131216.png?350}}
  
 **2. Praktické aplikace (Detekce anomálií):** **2. Praktické aplikace (Detekce anomálií):**
Line 680: Line 688:
   - **Kyberbezpečnost:** Hledání abnormální aktivity v síti, která indikuje pokus o prolomení nebo zero-day útok.   - **Kyberbezpečnost:** Hledání abnormální aktivity v síti, která indikuje pokus o prolomení nebo zero-day útok.
   - **Bankovnictví a finance:** Detekce podvodů s kreditními kartami (kdy transakce neodpovídá typickému chování uživatele).   - **Bankovnictví a finance:** Detekce podvodů s kreditními kartami (kdy transakce neodpovídá typickému chování uživatele).
-  - V těchto doménách se běžně využívá *Vizuální analytika* a speciální mantry jako "Search, Show Context, Expand on Demand", protože ukazovat všechny miliardy normálních transakcí nedává smysl.+  - V těchto doménách se běžně využívá **Vizuální analytika** a speciální mantry jako "Search, Show Context, Expand on Demand", protože ukazovat všechny miliardy normálních transakcí nedává smysl.
 ++++ ++++
  
Line 849: Line 857:
 ++++ 2. Které vizuální proměnné LZE vnímat pre-pozornostně (Příklady)| ++++ 2. Které vizuální proměnné LZE vnímat pre-pozornostně (Příklady)|
 Lidský vizuální systém dokáže pre-pozornostně zpracovat celou řadu základních vizuálních vlastností (proměnných). Patří mezi ně například: Lidský vizuální systém dokáže pre-pozornostně zpracovat celou řadu základních vizuálních vlastností (proměnných). Patří mezi ně například:
-  - **Odstín barvy (Color hue):** %%Např.%% jeden červený bod okamžitě vyskočí v moři modrých bodů. +  - **Odstín barvy (Color hue):** Např. jeden červený bod okamžitě vyskočí v moři modrých bodů. 
-  - **Tvar (Shape):** %%Např.%% jeden kruh vyskočí v poli tvořeném samými čtverci. +  - **Tvar (Shape):** Např. jeden kruh vyskočí v poli tvořeném samými čtverci. 
-  - **Velikost, délka a šířka:** %%Např.%% jedna výrazně delší čára mezi krátkými čarami. +  - **Velikost, délka a šířka:** Např. jedna výrazně delší čára mezi krátkými čarami. 
-  - **Orientace / Sklon:** %%Např.%% jedna šikmá čára mezi samými svislými čarami. +  - **Orientace / Sklon:** Např. jedna šikmá čára mezi samými svislými čarami. 
-  - **Intenzita (Svítivost):** %%Např.%% jeden velmi tmavý bod na světlém pozadí.+  - **Intenzita (Svítivost):** Např. jeden velmi tmavý bod na světlém pozadí.
   - **Pozice, Směr pohybu nebo 3D hloubka.**   - **Pozice, Směr pohybu nebo 3D hloubka.**
 ++++ ++++
Line 861: Line 869:
  
   - **Konjunkce (kombinace) vlastností:** Pozorovatel nemůže rychle a přesně najít cíl, pokud tento cíl hledá na základě **kombinace dvou a více vlastností**, přičemž tyto vlastnosti se vyskytují i u rušivých prvků.    - **Konjunkce (kombinace) vlastností:** Pozorovatel nemůže rychle a přesně najít cíl, pokud tento cíl hledá na základě **kombinace dvou a více vlastností**, přičemž tyto vlastnosti se vyskytují i u rušivých prvků. 
-    * %%Příklad:%% Hledáme "červený kruh". Na pozadí jsou ovšem "červené čtverce" a "modré kruhy". Ani barva, ani tvar zde nejsou pro hledaný prvek unikátní. Zrak nedokáže udělat paralelní průnik těchto dvou vlastností a my musíme obrázek prohledávat sekvenčně. +    * **Příklad:** Hledáme "červený kruh". Na pozadí jsou ovšem "červené čtverce" a "modré kruhy". Ani barva, ani tvar zde nejsou pro hledaný prvek unikátní. Zrak nedokáže udělat paralelní průnik těchto dvou vlastností a my musíme obrázek prohledávat sekvenčně. 
-  - **Text:** Čtení a hledání konkrétního slova v bloku textu (%%např.%% najít slovo "VOJÁK" ve shluku náhodných písmen) není pre-pozornostní, vyžaduje vždy aktivní čtení a soustředění.+  - **Text:** Čtení a hledání konkrétního slova v bloku textu (např. najít slovo "VOJÁK" ve shluku náhodných písmen) není pre-pozornostní, vyžaduje vždy aktivní čtení a soustředění.
 ++++ ++++
  
Line 869: Line 877:
  
 ++++ 1. Definice a algoritmus Marching Squares| ++++ 1. Definice a algoritmus Marching Squares|
-**Izočára (kontura / izolinie)** je čára, která spojuje body mající naprosto stejnou, konstantní skalární hodnotu (tzv. izo-hodnotu, %%např.%% vrstevnice na mapě výšek nebo izobary u tlaku).+**Izočára (kontura / izolinie)** je čára, která spojuje body mající naprosto stejnou, konstantní skalární hodnotu (tzv. izo-hodnotu, např. vrstevnice na mapě výšek nebo izobary u tlaku).
  
 Pokud máme data zadaná jako 2D strukturovanou čtvercovou mřížku (hodnoty jsou uložené v uzlech mřížky), standardním algoritmem pro nalezení a vykreslení izočar je **Marching Squares** (pochodující čtverce).  Pokud máme data zadaná jako 2D strukturovanou čtvercovou mřížku (hodnoty jsou uložené v uzlech mřížky), standardním algoritmem pro nalezení a vykreslení izočar je **Marching Squares** (pochodující čtverce). 
Line 876: Line 884:
 ++++ 2. Krok 1: Klasifikace uzlů a hledání průsečíků na hranách| ++++ 2. Krok 1: Klasifikace uzlů a hledání průsečíků na hranách|
 Algoritmus zpracovává mřížku následujícím způsobem: Algoritmus zpracovává mřížku následujícím způsobem:
-  - **Klasifikace uzlů:** Pro každý uzel (vrchol) mřížky se určí, zda je jeho datová hodnota **větší nebo menší** než naše hledaná izo-hodnota %%$v$%%. (Vizuálně si můžeme uzly obarvit, %%např.%% modrá pro $>$ a červená pro $<$ ).+  - **Klasifikace uzlů:** Pro každý uzel (vrchol) mřížky se určí, zda je jeho datová hodnota **větší nebo menší** než naše hledaná izo-hodnota %%$v$%%. (Vizuálně si můžeme uzly obarvit, např. modrá pro %%$>$%% a červená pro %%$<$%%).
   - **Dělení hran:** Algoritmus prochází každou buňku (čtverec tvořený 4 uzly). Podívá se na každou její hranu. Pokud má hrana jeden uzel s hodnotou nad izo-hodnotou a druhý pod ní, znamená to, že izočára musí tuto hranu někde **protnout**.   - **Dělení hran:** Algoritmus prochází každou buňku (čtverec tvořený 4 uzly). Podívá se na každou její hranu. Pokud má hrana jeden uzel s hodnotou nad izo-hodnotou a druhý pod ní, znamená to, že izočára musí tuto hranu někde **protnout**.
   - **Výpočet průsečíku:** Přesný bod průsečíku na hraně se spočítá pomocí **lineární interpolace**. Výpočet zjistí přesnou pozici %%$q$%% na základě hodnot obou uzlů hrany (%%$v_i$%%, %%$v_j$%%) a hledané izo-hodnoty %%$v$%%:   - **Výpočet průsečíku:** Přesný bod průsečíku na hraně se spočítá pomocí **lineární interpolace**. Výpočet zjistí přesnou pozici %%$q$%% na základě hodnot obou uzlů hrany (%%$v_i$%%, %%$v_j$%%) a hledané izo-hodnoty %%$v$%%:
Line 895: Line 903:
   - **Řešení:**    - **Řešení:** 
     * **Možnost 1:** Rozdělení čtverce na dva trojúhelníky. Trojúhelníky (se 3 vrcholy) nemají ambiguózní stavy, ale volba diagonály stále ovlivňuje výsledek.     * **Možnost 1:** Rozdělení čtverce na dva trojúhelníky. Trojúhelníky (se 3 vrcholy) nemají ambiguózní stavy, ale volba diagonály stále ovlivňuje výsledek.
-    * **Možnost 2 (Pokročilejší):* Aplikace tzv. **Asymptotického rozhodovače (Asymptotic Decider)**. Ten pomocí bilineární interpolace zjistí exaktní hodnotu uprostřed buňky (v průsečíku asymptot hyperbol) a podle toho, zda je tento střed nad nebo pod izo-hodnotou, spolehlivě vybere správné propojení čar.+    * **Možnost 2 (Pokročilejší):** Aplikace tzv. **Asymptotického rozhodovače (Asymptotic Decider)**. Ten pomocí bilineární interpolace zjistí exaktní hodnotu uprostřed buňky (v průsečíku asymptot hyperbol) a podle toho, zda je tento střed nad nebo pod izo-hodnotou, spolehlivě vybere správné propojení čar.
 ++++ ++++
  
 +----
 +
 +======= Question set 12 =======
 +
 +===== Question 1: Relační data - typy grafů, jak je vizualizovat, jaké úlohy ty vizualizace řeší =====
 +
 +++++ 1. Typy relačních dat (grafů a sítí)|
 +Relační data vyjadřují vazby (hrany) mezi entitami (uzly). Lze je rozdělit do několika základních typů podle toho, jaké vlastnosti tyto vazby mají (zda mají směr a zda tvoří cykly):
 +
 +  - **Hierarchie / Stromy (Trees):** Relace vyjadřuje vztah "rodič-potomek". Jsou orientované a **neexistují v nich žádné cykly**. (Příklad: Souborový systém - složky a podsložky).
 +  - **Orientované acyklické grafy (DAG - Directed Acyclic Graph):** Hrany mají jasně určený směr, ale stále v nich nesmí vzniknout uzavřený cyklus. (Příklad: Návaznosti prerekvizit univerzitních předmětů - předmět A musím mít splněný před B).
 +  - **Neorientované sítě (Undirected networks):** Vazby jsou obousměrné a symetrické, nezáleží na směru. Mohou obsahovat cykly. (Příklad: Sociální síť Facebook - přátelství je vzájemné).
 +  - **Orientované sítě (Directed networks):** Vazby mají směr a síť může obsahovat libovolné cykly. (Příklad: World Wide Web - stránka A odkazuje na B, B může na C a C zpět na A).
 +++++
 +
 +++++ 2. Jak relační data vizualizovat (Techniky)|
 +Základním problémem vizualizace sítí je, že uzly typicky nemají předem dané prostorové souřadnice. Ty musí algoritmus vypočítat. Používají se 3 hlavní přístupy:
 +
 +  - **Node-link diagramy (Spojení čarami):** Nejběžnější metoda. Uzly jsou body/tvary a vazby jsou čáry (nebo šipky). 
 +    * Pro stromy a DAG: Používá se **Sugiyamův rámec** (kreslí hierarchii do horizontálních vrstev shora dolů) nebo **Radiální / Balónové / Hyperbolické stromy**.
 +    * Pro obecné sítě (i s cykly): Používají se **Metody řízené silami (Force-directed layouts)**, jako např. Fruchterman-Reingold. Fungují jako fyzikální systém, kde se spojené uzly přitahují (jako na pružině) a nespojené odpuzují (jako magnety).
 +  - **Vizualizace pomocí ohraničení (Containment):** Uzly-potomci jsou nakresleni jako menší útvary (obdélníky) uvnitř útvaru svého rodiče. Vynikající pro vizualizaci objemu a hierarchií (1:M relace). Typickým zástupcem je **Treemap (Squarified, Nested)**.
 +  - **Maticová vizualizace (Adjacency Matrix):** Řeší problém nečitelnosti ("hairball" efektu) u velmi hustých sítí. Uzly jsou řádky i sloupce v matici a samotná vazba je vybarvená buňka na jejich průsečíku. Pro odhalení vzorců a shluků (komunit) se musí chytře řadit řádky a sloupce (reordering).
 +++++
 +
 +++++ 3. Jaké úlohy vizualizace relačních dat řeší|
 +Cílem vizualizace je poskytnout uživateli odpovědi na otázky zaměřené na topologii a atributy sítě. Úlohy se dělí podle svého cíle:
 +
 +  - **Cílem je uzel (Item) nebo atribut:**
 +    * **Úloha:** Najít uzly splňující určitá kritéria atributů nebo topologie sítě.
 +    * **Příklady:** Kdo má nejvíce přátel na sociální síti? (hledání uzlu s nejvyšším stupněm - nejvíce incidentními hranami). Jaký je plat osoby na daném uzlu?
 +  - **Cílem je vazba (Link):**
 +    * **Úloha:** Identifikovat existenci nebo atributy hran.
 +    * **Příklady:** Které lety (vazby) mají kapacitu nad 200 cestujících? S kým vším komunikuje tento konkrétní zaměstnanec?
 +  - **Cílem je charakteristika sítě jako celku (Network characteristics):**
 +    * **Úloha:** Zkoumání globálních a strukturálních vlastností.
 +    * **Příklady:** **Cesty (Paths):** Jaká je nejkratší cesta (nebo cesty kratší než X vazeb) mezi uživatelem A a uživatelem B? **Komponenty:** Je celá síť propojená, nebo se rozpadá na několik izolovaných shluků/ostrovů? **Hierarchie:** Kolik vrstev/úrovní vedení má tato firma?
 +++++
 +
 +
 +===== Question 2: Geometrický, sémantický, Fisheye zoom - příklad využití, kde to není dobré =====
 +
 +++++ 1. Geometrické přiblížení (Geometric Zoom)|
 +**Popis:** Funguje jako obyčejná lupa. Pouze lineárně mění měřítko (zvětšuje nebo zmenšuje) zobrazeného obrazu. Pokud se obraz oddálí, objekty se zmenší. Informace mimo aktuální výřez obrazovky jsou zahozeny (nejsou vidět).
 +  - **Příklad vhodného využití:** Prohlížení jednoduchých CAD výkresů, vektorových křivek nebo fotografií s obrovským rozlišením, kde potřebujeme jen fyzicky zvětšit daný detail, abychom lépe viděli vzdálenosti nebo tvar křivky na plátně.
 +  - **Kde to NENÍ dobré:** Není dobrý pro textová nebo mapová data. Když geometricky oddálíme mapu světa, texty (názvy měst) se zmenší natolik, že z nich zbudou jen nečitelné pixely. Když graf naopak příliš přiblížíme, ztratíme veškerý kontext (vidíme jen jednu prázdnou plochu nebo obří kus čáry a nevíme, kde v datech jsme).
 +++++
 +
 +++++ 2. Sémantické přiblížení (Semantic Zooming)|
 +**Popis:** Při tomto přiblížení objekty nemění jen svou fyzickou velikost, ale dynamicky **mění svůj vzhled, reprezentaci a úroveň detailu** na základě toho, jak moc jsou přiblížené.
 +  - **Příklad vhodného využití:** Moderní digitální mapy (např. Google Maps). Při maximálním oddálení vidíme jen obrysy států. Když mapu přiblížíme, nevidíme jen "větší státy", ale obrysy států zmizí a objeví se města reprezentovaná jako body. Při dalším zoomu body zmizí a objeví se uliční síť a názvy čtvrtí, při dalším zoomu se objeví 3D modely budov. Vizualizace tak přizpůsobuje zobrazenou sémantiku dostupnému prostoru.
 +  - **Kde to NENÍ dobré:** U vizualizací, kde je pro analýzu kriticky důležité zachovat přesné geometrické proporce a velikosti, nebo u dat, která nemají inherentní hierarchickou strukturu (kde prostě neexistují "detaily", které by se daly odkrývat). Uživatel by mohl být zmaten, kdyby se mu při zoomování začaly prvky svévolně měnit na jiné tvary.
 +++++
 +
 +++++ 3. Přiblížení rybím okem (Fisheye Zoom / Focus+Context)|
 +**Popis:** Kombinuje zvětšení (zoom) s prostorovou deformací. Bod zájmu (fokus) se na obrazovce extrémně zvětší a zobrazí v maximálním detailu, zatímco jeho okolí (kontext) se na okrajích obrazovky postupně deformuje (stlačuje a zmenšuje), aby se vše vešlo do jednoho pohledu.
 +  - **Příklad vhodného využití:** Zkoumání velmi rozsáhlých a složitých síťových grafů (např. topologie obrovské počítačové sítě). Správce může namířit "rybí oko" na jeden přetížený server (fokus se zvětší, ukážou se popisky a detaily zátěže), ale díky stlačenému okolí stále vidí, do kterých částí sítě je server připojen. Neztratí tak orientaci v celkové topologii.
 +  - **Kde to NENÍ dobré:** Tam, kde je úkolem přesně vizuálně odhadovat velikosti, plochy, vzdálenosti nebo korelace. Prostorové zkreslení (deformace) totiž ničí schopnost oka posoudit, zda je nějaká čára rovná, nebo o kolik je jedna oblast větší než druhá. Pro mapy, kde chceme počítat hustotu, nebo pro scatterploty (kde úhel a vzdálenost určují korelaci) je Fisheye naprosto nevhodný, protože data vizuálně zdeformuje.
 +++++
  
 ---- ----
  
 +======= Question set 13 =======
  
-======= Question set 1 =======+===== Question 1: Focus + Context - výhody, nevýhody, příklady a využití u prostorových dat =====
  
-===== Question 1: Klasifikace dat – atributy dat (typy) a jaké máme požadavky na vizuální kanály při jejich zobrazování =====+++++ 1. Princip, výhody a nevýhody Focus + Context| 
 +**Princip:** 
 +Tato technika umožňuje uživateli vidět objekt primárního zájmu (**fokus**) v plném detailu, a zároveň si na stejné obrazovce zachovat přehled o všech okolních informacích (**kontext**). Obě informace jsou integrovány do jednoho pohledu.
  
-++++ 1. Typy atributů dat| +**Výhody:** 
-Atributy popisují vlastnosti jednotlivých datových položek. Rozlišujeme je do dvou hlavních kategorií na základě toho, zda mají nějaké přirozené pořadí:+  - **Udržení orientace:** Uživatel neztrácí globální kontext (ví, kde se detail v rámci celku nachází). 
 +  - **Nižší kognitivní zátěž:** Není potřeba přepínat mezi dvěma různými obrazovkami (jako u odděleného přehledu a detailu) a spoléhat se na krátkodobou paměť.
  
-  - **Nominální / Kategorické (Nominal / Categorical):** +**Nevýhody:** 
-    * Nemají žádné inherentní uspořádání (ve smyslu kvantity nebo velikosti). +  - **Deformace (Distortion):** Aby se detail a kontext vešly na jednu obrazovku, musí se prostor kolem fokusu stlačit nebo zkreslit. 
-    * Slouží pouze k identifikaci nebo rozlišení.  +  - **Ztráta proporcí:** Zkreslení ztěžuje odhadování vzdáleností, ploch a úhlů, což může vést k chybné interpretaci dat. 
-    * Lze je porovnávat pouze na rovnost (stejné/různé). +++++
-    * %%Příklad:%% Lidé, města, typy nemocí, barvy (modrá, červená). +
-  - **Uspořádané (Ordered):** +
-    * Mají nějaké přirozené pořadí. Dále se dělí na: +
-    * **Ordinální (Ordinal):** Jsou uspořádané, ale ne podle měřitelných intervalů. Známe pořadí, ale nevíme "o kolik" je jedna hodnota větší než druhá. (%%Příklad:%% Velikosti oblečení S, M, L, XL nebo dny v týdnu). +
-    * **Kvantitativní (Quantitative):** Jsou uspořádané a umožňují aritmetické operace. Dělí se na: +
-      * **Diskrétní (Discrete):** Hodnoty, které lze spočítat (celá čísla). (%%Příklad:%% Počet studentů). +
-      * **Spojité (Continuous):** Mohou nabývat jakékoli hodnoty v daném rozsahu. (%%Příklad:%% Teplota, výška, váha).+
  
-U uspořádaných atributů dále rozlišujeme **směr uspořádání**: +++++ 2. Příklady technik Focus + Context| 
-  - **Sekvenční:** Pohybují se od minima k maximu v jednom směru (%%např.%% výška hory). +  - **Přiblížení rybím okem (Fisheye Zoom):** Bod pod kurzorem je obrovský, okraje sítě jsou smrštěné a stlačené k okrajům obrazovky. 
-  - **Divergentní:** Dělí se do dvou skupin, které divergují v pozitivním a negativním směru od společného nulového/neutrálního bodu (%%např.%% nadmořská výška vs. hloubka oceánu). +  - **Perspective Wall:** Zobrazení dat na 3D zdi, kde střed je rovně před divákem (fokus) a kraje ubíhají do perspektivy (kontext). 
-  - **Cyklické:** Hodnoty se vrací zpět k počátečnímu bodu (%%např.%% hodiny v den).+  - **TableLens:** V tabulce jsou některé řádky plně roztažené (ukazují přesná čísla/texty), zbytek řádků je zmenšen na výšku jednoho pixelu jako kontext. 
 +  - **Hyperbolický strom:** Kořen (nebo vybraný uzel) je uprostřed s velkým prostorem, čím blíže k okrajům, tím více se prostor exponenciálně smršťuje.
 ++++ ++++
  
-++++ 2. Typy datových sad| +++++ 3. Jak to udělat v prostorových datech (Spatial Data)| 
-Datové sady lze rozdělit do několika základních kategorií podle toho, zda obsahují prostorové nebo abstraktní informace:+Aplikovat Focus + Context na prostorová data (mapy, 3D objemy) je zrádné, protože prostorová data mají **inherentní geometrii a vzdálenosti**, na které se uživatel spoléhá. Pokud zdeformujeme mapu pomocí Fisheye zoomu, zničíme geografické tvary a vzdálenosti.
  
-  - **Prostorová data (Spatial Data):** Mají přirozené geometrické nebo topologické uspořádání (typické pro vědeckou vizualizaci - SciVis). Dělí se na: +**Jak to tedy řešit u prostorových dat:** 
-    * **Pole (Fields):** Reprezentují hodnoty distribuované v prostoru (každý bod má hodnotu). Jsou strukturována pomocí mřížek (Grids) skládajících se z pozic a buněk, ke kterým jsou přidruženy atributy (%%např.%% teplota, tlak). +  - **Magické čočky (Magic Lenses):** Místo deformace celého prostoru uživatel pohybuje nad mapou virtuální "čočkou". Uvnitř čočky (fokus) se data zobrazí detailněji nebo se odhalí jiná vrstva (např. rentgenový pohled na potrubí pod ulicemi), zatímco okolní mapa (kontext) zůstává zcela nedeformovaná. 
-    * **Geometrie (Geometry):** Popisuje tvary a struktury objektů (sítě, vrcholy, hrany, stěny). Typicky nemají přímo přidělené datové atributy jako pole, ale definují samotný fyzický tvar (%%např.%% 3D model zeměkoule). +  - **Sémantický Focus + Context:** Nezvětšujeme fyzicky prostor, ale měníme sémantiku zobrazení. Například vybraný region na mapě (fokus) zobrazí detailní popisky a grafy, zatímco zbytek kontinentu (kontext) zůstane zobrazen jen jako obrysy bez textu. 
-  - **Abstraktní data (Abstract Data):** Nemají přirozené prostorové uspořádání. Jejich vizualizace vyžaduje nalezení vhodného mapování (doména informační vizualizace - InfoVis). +  - **Průhlednost a stínování u 3D objemových dat:** V lékařské vizualizaci (CT sken) nechceme deformovat orgány. Fokus (např. nádor nebo kosti) se vyrenderuje plně neprůhledně a barevně, zatímco kontext (okolní kůže a měkké tkáně) se vyrenderuje jako vysoce průhledný "duch". Uživatel tak vidí detailní objekt přesně umístěný uvnitř kontextu lidského těla bez geometrického zkreslení.
-    * **Tabulková data:** Uspořádána do řádků (položky/items) a sloupců (atributy). +
-    * **Relační data (Sítě / Grafy):** Popisují vztahy. Skládají se z uzlů (nodes) a vazeb/hran (links), obojí může nést atributy. +
-    * **Textová data:** Volně strukturovaná data (dokumenty, korpusy, logy). +
-  - **Kombinovaná a časově závislá data:** +
-    * **Geografická data:** Mají geometrii (lokaci na mapě), ke které jsou připojena abstraktní data (%%např.%% počet obyvatel). +
-    * **Časově závislá data:** Atributy a/nebo topologie dat se mění v průběhu času.+
 ++++ ++++
  
-++++ 3. Jak kódujeme atributy| 
-Pro abstraktní data, která postrádají inherentní prostorovou složku (jako jsou tabulky), musíme atributům vizuální a prostorové charakteristiky uměle přiřadit. Kódování probíhá pomocí vizuálních kanálů: 
  
-  - **Kódování na pozici v 2D (Position):** Pozice je zdaleka **nejpřesnější a nejuniverzálnější vizuální kanál**, ideální pro kvantitativní data. +===== Question 2: 3 techniky pro vizualizaci stromů/hierarchií, jejich porovnání a vhodné úlohy ===== 
-    * **Pozice na společné škále (Position on common scale):** Nejpřesnější způsob (%%např.%% klasický bodový graf). Umožňuje přesné porovnávání hodnot, protože všechny prvky sdílí stejnou referenční osu. + 
-    * **Pozice na zarovnané škále (Position on aligned scale):** Druhý nejpřesnější kanál (%%např.%% sloupcové grafy umístěné vedle sebe). +++++ 1. Node-link diagram (Tradiční stromové rozvržení)| 
-    * **Rozvržení os (Axis layouts):** Pozici můžeme organizovat různými způsoby: +**Princip:** Uzly jsou reprezentovány tvary (kruhy, text), hrany jsou čáry spojující rodiče a potomka. Často využívá **Sugiyamův rámec** pro orientaci shora dolů. 
-      * **Ortogonální osy:** Klasický kartézský systém (osy kolmé na sebe). + 
-      * **Neortogonální osy:** Osy se protínají, ale nejsou kolmé (%%např.%% radiální/hvězdicové uspořádání). +  - **Výhody oproti ostatním:** Naprosto bezkonkurenční v čitelnosti topologie (kdo je pod kým). Nevzniká zmatení z ohraničení nebo zkreslení. 
-      * **Paralelní osy:** Osy umístěné rovnoběžně vedle sebe (tzv. paralelní souřadnice, výborné pro vícerozměrná data). +  - **Nevýhody oproti ostatním:** Extrémně špatné využití prostoru obrazovky. Široké stromy (mnoho listů) se nevejdou na monitor a vyžadují scrollování, většina obrazovky zůstává prázdná (bílý prostor mezi čarami). 
-  - **Kódování pomocí tvaru a glyfů:** +  - **Vhodné vyhledávací dotazy (Úlohy):** 
-    * **Tvar (Shape):** Silný kanál pro kategorická (nominální) data. Neimplikuje žádné uspořádání. Aplikuje se typicky na bodové značky (kruh pro jednu kategorii, čtverec pro druhou). +    * "Kdo je přímým nadřízeným uzlu X?" 
-    * **Glyfy (Glyphs):** Malé a často složité grafické symboly, které řeší problém **velkého počtu atributů najednou**. Různé parametry symbolu (délka ramen, velikost, barva, úhel) jsou mapovány na různé atributy daného záznamu.  +    * "Jaká je nejkratší cesta od kořene k listu Y?" 
-      * %%Příklady:%% Hvězdicové glyfy (star glyphs - atributy na paprscích), Chernoffovy tváře (využívají lidskou citlivost na rozpoznávání rysů obličeje).+    * "Kolik hierarchických úrovní (hloubku) má tato struktura?"
 ++++ ++++
  
-++++ 4. Požadavky na vizuální kanály a Princip expresivity| +++++ 2. Treemap (Vizualizace pomocí ohraničení)| 
-Pro správnou vizualizaci je nutné vybrat vizuální kanály, které odpovídají typu atributu. K tomu slouží **Princip expresivity (Expressiveness Principle)**, který říká, že vizuální kódování by mělo vyjádřit **všechnu, a pouze tu informaci**, která je obsažena v atributech datové sady.+**Princip:** Namísto čar se využívá vnořování. Kořen stromu je celá obrazovka. Každý uzel je rozdělen na menší obdélníky reprezentující jeho potomky. Plocha obdélníku vždy kóduje nějaký kvantitativní atribut (např. velikost souboru).
  
-Základní pravidla: +  - **Výhody oproti ostatním:** Maximalizuje využití prostoru (100% obrazovky je využito). Je to nejlepší technika pro porovnávání velikostí uzlů a hledání "největších" prvků v obrovských hierarchiích (např. desítky tisíc uzlů), kde by Node-link vytvořil nečitelnou pavučinu. 
-  - **Uspořádaná data** by měla být zobrazena způsobem, který vnitřně vnímáme jako uspořádaný. Pokud data obsahují pořadí, měla by ho vizualizace jasně vyjádřit. K tomu slouží **Kanály pro kvantitativní atributy (Magnitude Channels)**: +  - **Nevýhody oproti ostatním:** Je velmi obtížné z něj vyčíst samotnou strukturu hierarchie (zejména u ne-vnořených variant). Nelze snadno sledovat hloubku stromu nebo cestu zpět ke kořeni.  
-    * Typické kanály: Pozice na společné ose (nejpřesnější), délka, úhel, plocha, svítivost barvy (luminance) nebo sytost (saturation). +  - **Vhodné vyhledávací dotazy (Úlohy):** 
-  - **Neuspořádaná (nominální) data** by **neměla** být zobrazena způsobem, který implikuje pořadí. K jejich zobrazení se využívají **Kanály pro kategorické atributy (Identity a Grouping Channels)**: +    * "Který adresář zabírá nejvíce místa na disku?" 
-    * Typické kanály: Prostorová oblast, odstín barvy (color hue), tvar, pohyb. +    * "Které firmy v IT sektoru mají největší podíl na trhu a zároveň klesají (červená barva)?" 
-    * Tyto kanály slouží k rozlišení a seskupení, ne k vyjádření toho, že je něco "více" nebo "méně". (Pokud bychom například pro různé typy ovoce použili gradient od světlé po tmavou, uživateli by to mylně naznačovalo, že jedno ovoce je nadřazeno druhému).+    * Úlohy zaměřené na atributy listů spíše než na topologii. 
 +++++
  
-**Dekompozice barvy jako příklad:** +++++ 3. Radiální / Hyperbolický strom| 
-  - **Odstín (Hue):** Neimplikuje pořadí, má vysokou rozlišitelnost $\rightarrow$ ideální pro **kategorická (nominální)** data. +**Princip:** Kořen je umístěn do středu. Větve se rozbíhají směrem ven v soustředných kruzích. Hyperbolický strom k tomu přidává nelineární prostor – střed je obrovský (fokus) a okraje se exponenciálně zmenšují a houstnou (kontext). 
-  - **Svítivost a Sytost (Luminance & Saturation):** Implikují uspořádání, lze určit co je světlejší/tmavší $\rightarrow$ ideální pro **uspořádaná (kvantitativní a ordinální)** data.+ 
 +  - **Výhody oproti ostatním:** Oproti Node-link diagramu lépe využívá obvod kruhu pro zobrazení mnoha listů najednou. Hyperbolický strom řeší problém s místem plynulou interakcí (kliknutím se uzel přesune do středu a rozbalí). 
 +  - **Nevýhody oproti ostatním:** Popisky na okrajích radiálního stromu jsou často otočené nebo nečitelně malé. Hyperbolický prostor zcela deformuje vizuální vzdálenosti, takže z něj nelze odhadovat proporce jako u Treemapu. 
 +  - **Vhodné vyhledávací dotazy (Úlohy):** 
 +    * "Ukaž mi detailní okolí (potomky a nadřízené) tohoto konkrétního uzlu, ale chci stále vidět, kde v celkové síti jsem." 
 +    * "Interaktivní průzkum neznámé složité sítě krok za krokem (navigace přesunu fokusu)."
 ++++ ++++
  
 +----
  
-===== Question 2: Vektorová pole – vše o LIC (Integrální konvoluce čáry / Line Integral Convolution) =====+======= Question set 14 =======
  
-++++ 1. Co je LIC a základní princip| +===== Question 1: Prostorová pole - popis skalárních, vektorových a volumetrických polí, techniky zobrazení a nutnost topologie =====
-**Line Integral Convolution (LIC)** je pokročilá metoda vizualizace vektorových polí založená na texturách. Zatímco glyfy (šipky) nebo samostatné proudnice poskytují řídkou vizualizaci, LIC poskytuje **hustou vizualizaci** – informace o proudění je reprezentována v každém pixelu obrazu (podobně jako interpolace u skalárních barevných map). Vytváří dojem proudění pomocí vizuálního filtrování šumové textury.+
  
-{{:courses:pasted:20260525-125642.png?350}}+++++ 1. Prostorová pole a nutnost znát topologii mřížky| 
 +Prostorová pole jsou datové struktury, které obsahují atributy distribuované v nějakém fyzickém nebo abstraktním prostoru. Skládají se ze dvou hlavních částí: **atributů** (samotné hodnoty) a **mřížky (grid)**. 
  
-**Princip metody:** +Mřížka diskretizuje prostor pomocí uzlů (pozic) a buněk. Klíčovou vlastností mřížky je její **topologie (konektivita)**. 
-  - **Vstup:** Používá se **bílý šum (white noise)** jako vstupní textura. Bílý šum nemá žádné předchozí korelace, což zajišťuje, že výsledné vizuální vzory vzniknou čistě z vektorového pole. +  - **Co to je:** Konektivita definuje, jak jsou jednotlivé uzly navzájem propojeny a jaké tvoří buňky (např. trojúhelníky, čtverce, čtyřstěny). 
-  - **Idea:** Pro každý texel (pixel textury) se **korelují hodnoty sousedních texelů podél proudnice** (ve směru proudění) a **nekorelují** se hodnoty napříč prouděním (kolmo na směr). +  - **Proč je nutná:** V reálném světě máme data změřena jen v diskrétních bodech (uzlech). Abychom zjistili hodnotu kdekoli jinde v prostoru (abychom zrekonstruovali spojitý model), musíme data **interpolovat**. Způsob, jakým je mřížka definována (její konektivita), přímo určuje, ze kterých sousedních bodů se bude interpolovat.  
-  - **Výsledek:** Podél proudnic jsou hodnoty textury vizuálně koherentní (plynulé) a my je tak dokážeme rozlišit od sousedních proudnic. To vytváří dojem čárových stop, které vizuálně přesně sledují směr vektorového pole.+  - **Důsledek:** Pokud změníme topologii (např. u 4 bodů ve čtverci změníme orientaci úhlopříčky, která je dělí na dva trojúhelníky), výsledná interpolovaná hodnota uprostřed se může drasticky změnit a vizualizace bude ukazovat jiná data.
 ++++ ++++
  
-++++ 2. Jak funguje algoritmus LIC| +++++ 2. Skalární a volumetrická pole + techniky zobrazení| 
-Fungování metody lze popsat v několika krocích: +**Skalární pole:** Každému bodu v prostoru je přiřazena přesně jedna číselná hodnota (skalár). Příkladem je rozložení teploty nebo tlaku na 2D mapě. 
-  - Vytvoří se výchozí 2D textura bílého šumu, kterou označíme %%$T(x, y)$%%. +  - **Techniky pro 2D:**  
-  - Pro **každý pixel** výsledného obrazu se v daném vektorovém poli trasuje **krátká proudnice**, a to jak směrem po proudu (po směru vektoru), tak proti proudu. +    * **Mapování na barvu:** Hodnota se převede na barvu pomocí percepčně uniformní barevné škály (vytvoří se "teplotní mapa"). 
-  - Intenzita (barva) tohoto pixelu se pak vypočítá jako funkce (nejčastěji **průměr**) hodnot textury šumu %%$T$%% podél tohoto krátkého segmentu proudnice, který pixelem prochází. +    * **Konturování (Izočáry):** Spojování bodů se stejnou hodnotou. Používá se algoritmus **Marching Squares**. Lze kombinovat s barevným pruhováním (color banding). 
-  - Zprůměrování hodnot šumu podél trajektorie způsobí "rozmazání" obrazu po směru toku, čímž vznikne jasný pocit pohybu a struktury, která vizuálně reprezentuje pole. + 
-{{:courses:pasted:20260525-130314.png?200}}+**Volumetrická (objemová) pole:** Jedná se o 3D skalární pole. Hodnoty jsou definovány ve 3D prostoru (často v pravidelné voxelové mřížce). Příkladem je CT nebo MRI sken lidského těla (mapuje se hustota tkáně). 
 +  - **Techniky pro 3D (Nepřímé):** Převádí data na 3D geometrii. Patří sem **Řezné roviny** (2D řezy objemem) nebo extrakce 3D izo-povrchů pomocí **Marching Cubes** či **Marching Tetrahedrons**. 
 +  - **Techniky pro 3D (Přímé - Direct Volume Rendering):** Neextrahují geometrii, obraz se počítá rovnou na pixely. Základem je **Ray Marching** (paprskový pochod) s využitím paprskových funkcí (MIP - projekce maximální intenzity, AIP - průměrná projekce) nebo pokročilejší **Integrace paprsku** s využitím přenosové funkce (transfer function), která určuje barvu a průhlednost (opacity) voxelů pro pohled "dovnitř" objemu.
 ++++ ++++
  
-++++ 3. Vlastnosti a výhody metody LIC| +++++ 3. Vektorová pole + techniky zobrazení| 
-  - **Hustá vizualizace:** Informace o proudění je přítomna v každém pixelu (na rozdíl od řídkých glyfů). +**Vektorová pole:** Každému bodu v prostoru je přiřazen vektor, který má **směr i velikost (magnitudu)**. Příkladem je rychlost a směr větru nebo proudění tekutin (voda, vzduch). Klíčovými vlastnostmi k vizualizaci jsou často divergence (zdroje a propady) a vorticita (rotace/víry). 
-  - **Laminární i turbulentní proudění:** LIC je vynikající pro zobrazení obou typů proudění. V oblastech laminárního toku tvoří hladké paralelní čáry, zatímco v oblastech turbulence tvoří chaotické textury a jasně ukazuje víry. +  - **Techniky zobrazení:** 
-  - **Aplikace na 3D povrchy:** Ačkoliv se často používá ve 2D, metodu lze aplikovat i na 3D povrchy (%%např.%% proudění vzduchu obtékající karoserii automobilu), kde vytváří vizuální texturu ukazující tok přímo na geometrii. +    * **Glyfy (Šipky):** V uzlech mřížky se vykreslí geometrický objekt (šipka), jehož orientace ukazuje směr a délka ukazuje velikost vektoru. Trpí na překrývání (clutter) a jsou nevhodné pro zobrazení kontinuity. 
-  - **Kombinace s barevným kódováním:** Tzv. **Color-mapped LIC**. Vzhledem k tomu, že klasický LIC ukazuje pouze orientaci (směr), lze jej podbarvit pomocí barevné mapy kódované podle dalšího skalárního atributu (%%např.%% rychlost toku nebo tlak).+    * **Proudnicové objekty (Trasování částic):** Do pole se vypustí virtuální částice a pomocí numerické integrace (např. Eulerova metoda) se počítá jejich dráha. Patří sem **Proudnice** (Streamlines - pro statická pole), **Trajektorie** (Pathlines - pro časově závislá pole) nebo **Proudové pásky** (Stream ribbons - navíc ukazují rotaci/vorticitu). 
 +    * **Texturové metody (LIC - Line Integral Convolution):** Poskytují hustou vizualizaci vektorového pole v každém pixelu obrazu. Využívají vstupní bílý šum a korelují hodnoty pixelů podél směru proudnic, čímž vzniká plynulá textura vizuálně kopírující tok. Lze je obarvit podle velikosti vektoru (Color-mapped LIC). 
 +++++ 
 + 
 + 
 +===== Question 2: Force-directed layout - popis, algoritmy a vhodné použití ===== 
 + 
 +++++ 1. Co je Force-directed layout a k čemu je vhodný| 
 +**Metody řízené silami (Force-directed layouts)** představují fyzikálně inspirovaný přístup k výpočtu rozvržení (pozic uzlů) v relačních datech. 
 +  - **Princip:** Na graf se pohlíží jako na systém fyzikálních objektů. Uzly představují hmotná tělesa nebo částice a hrany fungují jako síly (např. pružiny), které na ně působí. Algoritmus hledá rovnovážný stav – konfiguraci s **lokálně minimální energií**, kde se přitažlivé a odpudivé síly vyruší a součet sil působících na každý uzel je roven nule. 
 + 
 +**Vhodné a nevhodné použití:** 
 +  - **Kde excelují:** Jsou naprosto ideální pro **obecné neorientované sítě** (např. sociální sítě). Skvěle slouží pro **identifikaci shluků (komunit)**, protože hustě propojené skupiny uzlů se fyzicky přitáhnou k sobě. Také velmi dobře odhalují inherentní **symetrie** grafu. 
 +  - **Kde selhávají:**  
 +    * U stromů a hierarchií (zcela zničí vizuální strukturu rodič-potomek, tam patří Sugiyama). 
 +    * U velmi velkých a hustých grafů vytvářejí nečitelný zmatek plný překrývajících se čar (tzv. **hairball efekt**). 
 +    * Nijak **neberou v úvahu křížení hran** (nesnaží se ho primárně minimalizovat). 
 +    * Často uvíznou v lokálním minimu (graf se "zauzluje" a algoritmus nenajde to nejlepší možné "rozmotané" řešení). 
 +++++ 
 + 
 +++++ 2. Eadesův model a Kamada-Kawai| 
 +**Eadesův model (1984):** 
 +Jeden z prvních a nejjednodušších modelů. Uzly se chovají jako ocelové kroužky a hrany jako pružiny. 
 +  - **Přitažlivá síla:** Působí **pouze** mezi uzly, které jsou **spojené hranou**. Snaží se uzly přitáhnout k sobě na ideální vzdálenost. 
 +  - **Odpudivá síla:** Působí vzájemně mezi **všemi** uzly v grafu (i těmi nespojenými). Brání tomu, aby se všechny uzly shlukly do jednoho bodu. Klesá se vzdáleností. 
 +  - Algoritmus v cyklu počítá celkovou sílu na každý uzel a posouvá ho o malý kousek v jejím směru. 
 + 
 +**Model Kamada-Kawai (1989):** 
 +Jedná se o čistě **energetický model**. 
 +  - **Princip:** Předpokládá, že existují pružiny mezi **úplně všemi páry uzlů** (nejen mezi těmi, které spojuje hrana). 
 +  - Ideální délka této pružiny je definována jako **nejkratší cesta (shortest path)** mezi danými dvěma uzly v topologii grafu. 
 +  - Cílem je minimalizovat globální potenciální energii. Algoritmus neposouvá všechny uzly naráz, ale najde uzel s maximální energií (ten nejvíce "tažený" mimo ideální pozici) a přesune ho do rovnováhy pomocí numerické metody Newton-Raphson. 
 +++++ 
 + 
 +++++ 3. Model Fruchterman-Reingold| 
 +**Fruchterman-Reingold (1991)** je vylepšením Eadesova modelu a v praxi je velmi oblíbený pro svou rychlost a eleganci. 
 +  - **Fyzikální analogie:** Každý uzel je elektricky nabitá částice (všechny uzly se navzájem odpuzují). Každá hrana je elastická pružina (spojené uzly se přitahují). 
 + 
 +**Klíčový prvek - Zavedení "Teploty" (Simulované žíhání):** 
 +  - Aby se algoritmus nezasekl ve špatném lokálním minimu, používá koncept teploty (inspirovaný metalurgií). Teplota funguje jako **maximální limit pro velikost posunu uzlu** v jedné iteraci. 
 +  - Na začátku se teplota nastaví vysoko. Systém je "horký", uzly mohou dělat obrovské skoky a graf se může radikálně přeskládat (rozmotat). 
 +  - V každé další iteraci se teplota o něco **sníží (systém chladne)**. Pohyby uzlů se stávají stále menšími a jemnějšími, až nakonec "zamrznou" na svém místě a systém dosáhne přesného rovnovážného stavu.
 ++++ ++++
  
----- 

Trace:

Navigation

Playground

QR Code
QR Code courses:b4m39viz (generated for current page)