Lagi

Memberi label tempat menggunakan font lokal seperti font Singhala dan Tamil di ArcMap atau QGIS?

Memberi label tempat menggunakan font lokal seperti font Singhala dan Tamil di ArcMap atau QGIS?


Saya mengunduh desktop Keyman untuk keyboard/font lokal. Saya ingin menyandikan nama lokasi menggunakan font Tamil/Singhala di tabel atribut dan kemudian menggunakannya untuk memberi label pada peta. Namun, setelah menyimpan tabel atribut dengan font lokal, itu akan diubah menjadi tanda tanya. Di bawah ini adalah gambar sebelum dan sesudah menyimpan tabel.

Jika font yang diunduh tidak dapat dikenali oleh ArcGIS/QGIS, bagaimana kita tahu font mana yang dapat dikenali?


Di QGIS, jika kumpulan data disimpan dalam pengkodean yang benar dan label diatur ke font yang Anda inginkan, label harus ditampilkan dengan benar. Saya tidak begitu yakin tentang efek pada tabel atribut jika karakter tidak tersedia dalam font yang digunakan tabel atribut.

Jika Anda terus mengalami masalah, bagikan sedikit sampel data Anda untuk tujuan pengujian. Harap tambahkan informasi tentang penyandian yang benar.


Kesimpulan Utama dari Konferensi Outlier 2021 Masyarakat Visualisasi Data

Konferensi pertama Data Visualization Society’s (DVS) Outlier 2021 berlangsung pada tanggal 4, 5, dan 7 Februari 2021. Diselenggarakan sebagai konferensi online, diikuti oleh sekitar 1000 peserta dari layar komputer mereka di seluruh dunia. 41 ceramah utama, masing-masing sekitar 20 menit, disajikan, serta lusinan sesi yang lebih kecil.

Pembicaraan didistribusikan dalam jendela waktu yang besar, cocok (atau tidak) untuk orang-orang di zona waktu yang berbeda. Saya baru bisa berpartisipasi penuh pada hari Minggu tanggal 7. Tetapi karena presentasi telah direkam sebelumnya, dan tersedia sebagai video segera setelah setiap ceramah, saya dapat melihat setiap ceramah.

Untuk mendapatkan keuntungan maksimal dari acara ini, dan memprosesnya secara terstruktur untuk diri saya sendiri, saya dengan singkat merangkum hal-hal penting dari pembicaraan tersebut. Ringkasan ini tercantum di bawah ini. Pembicaraan yang menurut saya paling menarik dirangkum lebih detail daripada yang lain. Sayangnya, ringkasan yang sangat singkat ini tidak adil untuk pembicaraan yang juga hebat ini. Jadi, saya mendorong Anda untuk juga melihat video ini secara penuh jika topiknya menarik bagi Anda.

Untuk memproses konten dalam retrospeksi, masuk akal juga bagi saya untuk mengelompokkan kembali pembicaraan ke dalam kategori. Kategori yang muncul adalah: metodologi umum, peralatan, sejarah, seni data dan studi kasus eksperimental, dan studi kasus. Minat saya terutama terletak pada pembicaraan metodologis, diikuti oleh presentasi alat. Pembicaraan tentang sejarah visualisasi data dan seni data memberikan beberapa konten yang lebih ringan di antaranya. Luasnya studi kasus yang sangat luas sangat berkontribusi pada keragaman dan suasana internasional dari acara ini. Pembicaraan yang paling saya rekomendasikan untuk ditonton secara penuh ditandai dengan tanda bintang* di bawah ini.

Daftar lengkap pembicaraan juga tersedia sebagai daftar putar youtube. Daftar tersebut berisi beberapa pembicaraan tambahan yang tidak disebutkan di bawah ini tentang masalah organisasi Masyarakat Visualisasi Data serta beberapa pembicaraan singkat 5 menit yang disebut pembicaraan pencahayaan.

Metodologi Umum Visualisasi Data

Cara Membuat Organisasi Anda Menghargai Visualisasi Data – Dan Anda! (Steve Wexler)* (Menonton video)

Steve Wexler mendemonstrasikan bagaimana meyakinkan orang tentang kekuatan visualisasi data di lingkungan perusahaan ketika orang masih bekerja dengan angka mentah di spreadsheet. Dengan menunjukkan contoh dan mengajukan pertanyaan, orang dapat mengalami sendiri bahwa visualisasi data memungkinkan untuk menemukan jawaban lebih cepat daripada tabel. Dasbor dapat dibuat lebih menarik bagi orang-orang jika mereka dapat melihat posisi relatif mereka sendiri dalam data. Diskusi yang tidak perlu tentang jenis bagan dan pilihan warna dapat dihindari dengan melakukan eksperimen yang menunjukkan maksud Anda, seperti memperkirakan ukuran relatif gelembung/lingkaran versus batang.

Soft Landing, Firm Impact: Kiat Praktis tentang Cara Memberi dan Menerima Umpan Balik Visualisasi Data yang Bermakna (Candra McRae)* (Menonton video)

Candra McRae memberikan tips praktis tentang cara memberi dan menerima umpan balik. Saat memberikan umpan balik, seseorang harus menyadari nada suara, bahasa tubuh, dan bias seseorang. Pendapat pribadi harus disuarakan dalam bentuk „Saya“ dan „saya“. Lebih baik memberikan umpan balik dalam pengaturan satu lawan satu daripada dalam kelompok. Pertama-tama, seseorang harus berusaha memahami mengapa sesuatu dilakukan dengan cara tertentu. Umpan balik yang diberikan harus jelas dan jujur ​​tetapi juga baik. Pendirian pakar Dataviz' (Tufte, Sedikit) tidak boleh digunakan dalam diskusi. Saat menerima umpan balik, seseorang tidak boleh menutup diri dan bersikap argumentatif. Seseorang harus mengajukan pertanyaan terbuka yang menarik. Penting juga untuk bertindak berdasarkan umpan balik yang diberikan.

Proyek Sampingan (Jan Willem Tulp)* (Menonton video)

Jan Willem Tulp menguraikan apa yang membuat proyek sampingan yang baik dalam visualisasi data. Proyek semacam itu berfungsi untuk mempelajari sesuatu dan menunjukkan sesuatu. Untuk desainer visualisasi data yang baru memulai, proyek semacam itu biasanya berfungsi untuk mengisi portofolio. Tetapi mereka juga masuk akal bagi para profesional berpengalaman, karena mereka dapat menghasilkan proyek berbayar. Proyek sampingan memberikan kesempatan untuk sepenuhnya melakukan hal Anda sendiri, dengan ide, kreativitas, dan keterampilan Anda. Disarankan untuk menyimpan buku catatan/spreadsheet ide dan dataset yang menarik. Proyek sampingan yang baik relevan dan orisinal. Relevansi dapat dicapai dengan menggunakan kumpulan data yang terkenal, memperlakukan peristiwa saat ini, dan dengan membiarkan orang menemukan diri mereka dalam data. Orisinalitas dapat dicapai dengan mengumpulkan data sendiri, mendesain ulang visualisasi yang ada, mencoba konsep visualisasi baru, memvisualisasikan pertanyaan yang tidak umum, dan dengan membuat desain yang menarik, orang-orang menghabiskan lebih banyak waktu bersama. Pak Tulp kemudian membahas bagaimana proyek sampingannya sendiri dan orang lain memenuhi kriteria relevansi dan orisinalitas.

Musuh Statistik Saya, atau Mengapa Kesulitan Membuat Visualisasi Data Lebih Baik (Julie Brunet)* (Menonton video)

Julie Brunet menjelaskan bagaimana dia bekerja sama dengan orang-orang dengan keahlian yang berbeda. Ide dasarnya adalah mengelola apa yang tidak Anda ketahui. Orang-orang dalam komunitas visualisasi data memiliki latar belakang yang sangat berbeda. Ada godaan untuk mencoba belajar melakukan semuanya sendiri. Tetapi pendekatan yang lebih baik adalah bekerja sama dengan orang-orang yang memiliki keterampilan yang tidak dimiliki seseorang untuk suatu proyek. Dengan demikian, orang dapat secara bergantian memimpin bagian yang berbeda dari suatu proyek.

Komentar pribadi: Slide presentasi ini mungkin yang paling indah dari konferensi.

Data Yaitu, Seni Tidak Empati (Mushon Zer-Aviv)* (Menonton video)

Mushon Zer-Aviv membahas bagaimana empati dapat dicapai dalam visualisasi data. Manusia mudah berempati dengan individu tetapi tidak dengan massa. Penelitian telah menunjukkan bahwa orang bersedia menyumbang lebih dari dua kali lipat jumlah untuk menyelamatkan seorang individu (kehidupan yang dapat diidentifikasi) daripada untuk menyelamatkan banyak orang (statistik kehidupan). Bahkan ketika statistik hanya menunjukkan nasib individu, sumbangan turun. Ini disebut mati rasa statistik. Daniel Kahneman menulis tentang dua sistem berpikir. Sistem 1 cepat, otomatis, dan tidak disengaja, sistem 2 lambat, penuh usaha dan disengaja. Seringkali sistem 2 merasionalisasi dalam retrospeksi, sistem 1 apa yang telah dirasakan. Empati dapat ditemukan di sistem 1. Atau, dalam istilah visualisasi data, dapat disebut atribut preattentive yang memfokuskan perhatian kita. Pendekatan yang baik untuk mencapai empati dengan visualisasi data dengan demikian dimulai dengan nasib individu dan kemudian memperkecil ke gambaran yang lebih besar. Tapi tidak cukup hanya membangkitkan orang, juga harus ada ajakan khusus untuk bertindak. Bukan hanya status-quo yang harus ditunjukkan, tetapi juga situasi yang lebih baik yang bisa terjadi.

Komentar pribadi: Terutama dalam krisis Covid, di mana data statistik mewakili ribuan kematian, ini adalah topik yang sangat mendesak. Banyak contoh bagus dari visualisasi data empatik dan tidak empati telah muncul dalam konteks ini.

3 Bahasa, 3 Estetika, 1 Grafik: Studi Kasus Visualisasi dalam Lingkungan Multikultural (Nilangika Fernando)* (Menonton video)

Nilangika Fernando menjelaskan bagaimana ia mempertimbangkan tiga estetika budaya yang berbeda di Sri Lanka saat merancang visualisasi data. Bahasa resmi Sri Lanka adalah bahasa Inggris, Sinhala, dan Tamil. Ketika dia menerbitkan visualisasi data dari konteks bahasa Inggris, diterjemahkan ke dalam bahasa Sinhala, mereka akan mendapatkan sedikit daya tarik di media Sinhala. Melihat halaman depan surat kabar, dia memperhatikan bahwa setiap bahasa dan budaya memiliki tampilan dan nuansanya sendiri. Surat kabar berusaha untuk membuat halaman depan mereka semenarik mungkin kepada audiens tertentu, sehingga mereka dapat digunakan untuk menentukan apakah audiens memiliki estetika desain yang berbeda. Estetika khusus ini juga dapat dilihat dalam meme online dari berbagai budaya. Untuk menganalisis estetika seseorang harus melihat tata letak, warna, font, gambar, dan narasi. Ikon harus sesuai dengan konteks budaya. Misalnya, kotak tabungan berbentuk babi tidak akan dipahami di Sri Lanka, atau bahkan dianggap ofensif. Juga, warna rambut dan mata ikon harus sesuai. Kemudian dia menjelaskan bagaimana menjembatani kesenjangan visual ini. Dia membuat infografis dalam bahasa audiens utama, dan kemudian menerjemahkannya ke yang lain. Dia bekerja dengan kolaborator yang berbasis di budaya yang berbeda. Terakhir dia menjelaskan bagaimana visualisasi data dapat disajikan dalam budaya non-data. Ia menyarankan untuk menggunakan infografis penyajian dalam dosis kecil, memberikan produk jadi yang menarik untuk dipublikasikan, dan menggunakan storytelling.

Permainan Pikiran: Psikologi Dibalik Merancang Data yang Indah, Efektif, dan Berdampak Yaitu (Amy Alberts)* (Menonton video)

Amy Alberts berbicara tentang hasil riset pengguna di Tableau. Menggunakan pelacak mata, dia menganalisis bagaimana orang memandang dasbor. Studi pelacakan mata seperti itu sendiri merupakan visualisasi data karena hasilnya ditampilkan dan dianalisis sebagai gazeplot, peta panas, dan peta opasitas tatapan. Diberikan 10 detik orang memusatkan perhatian mereka terutama pada angka besar, kontras warna tinggi, gambar manusia, dan peta. Orang-orang juga cenderung membaca dasbor mulai dari sudut kiri atas bergerak ke kanan dan ke bawah. Saat durasi menonton ditingkatkan, pola menonton sebagian besar tetap sama. Tetapi ketika tugas tertentu diberikan saat melihat dasbor, polanya berantakan. Jadi manusia di satu sisi adalah monyet bodoh, melihat dengan sedikit niat yang sebenarnya, tetapi di sisi lain juga sangat cerdas dalam sistem navigasi untuk mencapai tujuan. Hasil ini sejalan dengan penelitian UX. Penarik perhatian yang disebutkan dapat digunakan dengan sengaja untuk merancang dasbor, terutama mengambil elemen desain perusahaan. Priming juga dapat digunakan untuk memusatkan perhatian, dengan mengatakan atau menulis sesuatu yang berkaitan dengan apa yang Anda ingin orang-orang fokuskan sebelum menunjukkan dasbor.

Apakah Visualisasi Data Anda Tidak Termasuk Orang? (Larene Le Gassick, Sarah Fossheim, Frank Elavsky) (Menonton video)

Larene Le Gassick, Sarah Fossheim dan Frank Elavsky menjelaskan bagaimana visualisasi data dapat dibuat lebih mudah diakses oleh orang-orang dengan gangguan penglihatan dan orang buta. Mereka berpendapat bagaimana setiap orang, juga orang-orang dengan visi yang baik, mendapat keuntungan dari visualisasi data yang lebih mudah diakses.

Iron Quest: Pelajaran dari Komunitas (Sarah Bartlett) (Menonton video)

Sarah Bartlett memberikan tips tentang cara sukses dalam tantangan Tableau Ironviz. Dia merekomendasikan untuk memvisualisasikan apa yang disukai, membangun kumpulan data sendiri, menggunakan pendekatan eksplorasi atau deklaratif, dan memberikan konteks pada data yang ditampilkan.

Desainer Data: Potret Diri (Valentina d'Efilippo) (Menonton video)

Valentina d’Efilippo memberikan tip tentang bekerja sebagai perancang data yang dia harap dia tahu ketika dia memulai sendiri. Dia merekomendasikan untuk melihat desain sebagai pola pikir pemecahan masalah, tidak mengurung diri sendiri dan merangkul kekacauan, memanfaatkan otak orang lain untuk menciptakan empati, belajar mengatakan tidak, memberi makan otak seseorang dengan hal-hal kreatif, meningkatkan diri sendiri suara pribadi, dan terdaftar di perut seseorang.

Label Penting (Gaelan Smith) (Menonton video)

Gaelan Smith membahas bagaimana label dan kategori yang digunakan dalam pengumpulan data dapat menyertakan dan mengecualikan orang. Dia menjelaskan bagaimana menambahkan kategori dapat memberikan ruang bagi keragaman.

Beyond Word Clouds: Memvisualisasikan Pola Linguistik Pidato Politik (Riva Quiroga) (Menonton video)

Riva Quiroga mempresentasikan analisisnya tentang pidato kepresidenan di Chili. Di antara analisis lainnya, dia menunjukkan bagaimana tanda baca pidato dengan banyak tanda seru menunjukkan kepresidenan yang otoriter.

Menggunakan Hukum Zipf untuk Membantu Memahami COVID-19 (Howard Wainer) (Menonton video)

Howard Wainer menunjukkan bagaimana Hukum Zip dapat digunakan untuk deteksi outlier. Banyak proses alam mengikuti distribusi di mana frekuensi kemunculan suatu pengamatan berbanding terbalik dengan pangkatnya (menurut frekuensi kemunculannya). Ketika suatu proses mengikuti distribusi ini, outlier dapat dengan mudah dideteksi yang menyimpang darinya.

Perjalanan Pasangan Aneh Menuju SciArt: Desain Bertemu Sains dan Sebaliknya (Greta Carrete Vega, Estefania Casal) (Menonton video)

Greta Carrete Vega dan Estefania Casal membahas bagaimana mereka bekerja sama sebagai ilmuwan dan desainer. Antara lain mereka menunjukkan model oleh Min Basadur tentang peran yang diperlukan dalam pemecahan masalah kreatif: generator, konseptualisator, pengoptimal, dan pelaksana. Casal, sang desainer, suka menghasilkan ide dan konsep. Vega, sang ilmuwan, suka menyelesaikan sesuatu secara praktis. Dengan demikian, mereka saling melengkapi sebagai kolaborator.

Profil pemecahan masalah kreatif menurut Min Basadur (Sumber: Greta Carrete Vega, Estefania Casal: Presentasi Outlier 21)

Data Yaitu untuk Nirlaba (Guillermina Sutter Schneider, Luis Ahumada) (Menonton video)

Guillermina Sutter Schneider dan Luis Ahumada menjelaskan bagaimana organisasi nirlaba dapat bekerja dengan visualisasi data. Mereka merekomendasikan untuk mengembangkan panduan gaya untuk sebuah organisasi untuk memberikan bagan yang dibuat tampilan yang seragam dan dapat dikenali.

Alat Visualisasi Data

Melampaui Matplotlib dan Seaborn: Survei Alat Visualisasi Data Python (Stephanie Kirmer)* (Menonton video)

Stephanie Kirmer memberikan ikhtisar tentang enam pustaka visualisasi data Python. Dia menyertakan perpustakaan standar yang lebih lama Mathplotlib (2003) dan Seaborn (2012), dan perpustakaan yang lebih baru Bokeh (2012), Altair (2016), Plotnine (2017), dan Plotly (2013). Kriteria target yang dia inginkan untuk dipenuhi oleh perpustakaan adalah kurva belajar yang mudah, tata bahasa yang konsisten, fleksibilitas, hasil yang indah, dan interaktivitas. Dia menguji setiap perpustakaan dengan satu set grafik standar, dan kemudian membahas bagaimana kriteria target terpenuhi. Dia menyarankan untuk tidak menggunakan perpustakaan yang lebih tua. Sebagai kesimpulan, dia menunjukkan kriteria target individu mana dari empat perpustakaan baru yang harus digunakan. Untuk kurva belajar yang mudah: Plotnine atau Altair. Untuk tata bahasa yang konsisten: Plotnine atau Altair. Untuk fleksibilitas: Plotnine atau Bokeh, Untuk gambar yang indah: Altair atau Bokeh. Untuk interaktivitas: Plotly atau Bokeh. Umumnya, Altair hanya cocok untuk kumpulan data kecil.

Kekuatan pustaka grafis Python yang berbeda (Sumber: Stephanie Kirmer: Presentasi Outlier 21)

Menjelajahi Dunia Luas Perpustakaan Visualisasi Data (untuk Web) (Krist Wongsuphasawat)* (Menonton video)

Krist Wongsuphasawat menjelaskan kerangka kerja untuk memilih perpustakaan visualisasi data untuk web, terutama perpustakaan Javascript. Dia menempatkan perpustakaan dalam ruang desain dua dimensi. Sumbu x adalah tingkat abstraksi dari 1 hingga 5. Sumbu y adalah kategori berbeda dari desain API. Level abstraksi 1 adalah pustaka grafis yang bekerja pada level rendah. P5.js, Three.js, dan Two.js termasuk dalam kategori ini. Level 2 adalah blok bangunan tingkat rendah. D3, visx, cola, dagre, dan lainnya termasuk dalam kategori ini. Level 3 adalah tata bahasa visualisasi. Vega-lite, Chart Parts, Muze, dan G2 adalah bagian dari kategori ini. Level 4 adalah blok bangunan tingkat tinggi. Echarts, Highcharts, Plotly, Victory, React-Vis, dan Semiotic termasuk dalam kategori ini. Level 5 adalah template grafik. Chart.js dan Nivo adalah bagian dari kategori ini. Dimensi lainnya, desain API, terdiri dari kategori JSON, JSON dengan callback, Javascript biasa, dan kerangka khusus. Dia kemudian menunjukkan bagaimana perpustakaan yang berbeda berada dalam dimensi ini. Dia kemudian menjelaskan bagaimana memilih perpustakaan. Ini akan memungkinkan Anda untuk membuat apa yang Anda butuhkan (visualisasi data khusus, langka, atau umum) dalam waktu yang Anda miliki. Keakraban dengan perpustakaan tertentu berperan di sini. Aspek teknis yang dapat dipertimbangkan adalah kinerja, tumpukan teknologi yang digunakan, dan umur proyek (pemeliharaan perpustakaan dalam jangka panjang).

Catatan: Krist Wongsuphasawat juga telah menerbitkan artikel Nightingale yang sesuai.

Design Space perpustakaan visualisasi data (Sumber: Krist Wongsuphasawat: Presentasi Outlier 21)

ggplot Wizardy: Trik dan Rahasia Favorit Saya untuk Plot Indah di R (Cédric Scherer)* (Menonton video)

Cédric Scherer menjelaskan bagaimana dia membuat bagan siap-cetak yang sepenuhnya diprogram dalam R dengan pustaka dan ekstensi ggplot2. Dia menyempurnakan keterampilan R-nya terutama dalam tantangan TidyTuesday mingguan. Komunitas R berbagi paket ekstensi untuk berbagai macam grafik dan fungsionalitas tambahan. Dia kemudian mendemonstrasikan kemampuan paket ekstensi yang biasa dia gunakan dalam pekerjaannya. Paket ggtext menyediakan rendering teks yang ditingkatkan. Paket ggforce menyediakan anotasi. Paket ggdist berguna untuk memvisualisasikan distribusi dan ketidakpastian. Kemudian dia menunjukkan beberapa tips untuk meningkatkan grafik dalam perpustakaan ggplot2 dengan mengubah parameter default. Judul plot dan teks plot dapat disejajarkan dengan margin luar. Legenda dapat ditempatkan di bagian atas grafik. Pemformatan legenda dapat ditingkatkan. Label sumbu dapat ditempatkan lebih dekat ke sumbu. Kliping elemen yang menonjol di luar batas bagan, seperti label panjang, dapat dimatikan. Margin luar antara bagan dan batas gambar dapat diperbesar. Sebuah gambar dapat ditambahkan ke plot untuk membuatnya lebih ilustratif. Akhirnya ia menunjukkan bagaimana paket tambal sulam dapat digunakan untuk menggabungkan dan mengatur beberapa plot.

Riwayat Visualisasi Data

Otto dan Gerd di Gua Chauvet (Nigel Holmes)* (Menonton video)

Nigel Holmes menjelaskan bagaimana prinsip-prinsip dasar desain informasi dapat ditelusuri kembali ke seni gua awal. Seni gua figuratif paling awal yang diketahui hingga saat ini adalah di Sulawesi dari 45.500 tahun yang lalu. Tanda abstrak dari 70-100 000 tahun yang lalu telah ditemukan di gua Blombos. Gambar seperti itu mungkin dibuat oleh homo sapiens atau homonid awal lainnya. Banyak dari gambar seni gua yang dikenal adalah gambar yang direproduksi, bukan foto sebenarnya dari seni itu sendiri. Melompat maju ke zaman modern, pada 1920-an Otto Neurath dan Gerd Arntz mengembangkan bahasa grafis Isotype untuk menampilkan informasi statistik. Neurath mendesak para seniman untuk menemukan esensi dari objek yang digambarkan. Objek ditampilkan dalam profil, dari samping sebagai siluet, menghilangkan detail permukaan. Pada awalnya, ikon dipotong dari karton hitam, kemudian dicetak sebagai linocuts untuk mendapatkan tampilan sederhana ini. Mekanisme dasar yang digunakan dalam Isotype adalah menggabungkan dua ikon menjadi satu. Misalnya, seorang pelayan dapat direpresentasikan sebagai orang dengan cangkir kopi. Prinsip yang sama dalam menggambarkan garis besar penting dalam tampilan samping, dan menggabungkan elemen dasar menjadi ikon dapat ditemukan dalam seni gua. Dengan elemen gabungan, badak ditampilkan berbulu dan dengan mantel musim panas mereka. Dengan demikian sah untuk mengatakan bahwa pelukis gua adalah perancang informasi pertama. “Mereka menghitung, merekam, menjelaskan, mendongeng, sambil menunjukkan hanya yang penting-penting saja.” Saat ini prinsip yang sama dapat ditemukan di rambu-rambu jalan yang menunjukkan siluet hewan, rambu di bandara, dan emoji.

Florence Nightingale Adalah Pahlawan Desain (RJ Andrews) (Menonton video)

RJ Andrews berbicara tentang visualisasi data karya Florence Nightingale. Grafiknya dimaksudkan agar mudah dimengerti dan meyakinkan pimpinan tentara untuk meningkatkan perawatan medis tentara. Ia bekerja sama dengan beberapa kolaborator dari berbagai institusi.

Melihat Minard di Sudut Tiga (Senthil Natarajan) (Menonton video)

Senthil Natarajan mendemonstrasikan bagaimana dia membuat visualisasi data bola basket berdasarkan gaya grafik bersejarah yang terkenal.

Seni Data dan Studi Kasus Eksperimental

3D Geo Dataviz: Dari Wawasan ke Seni Data (Craig Taylor)* (Menonton video)

Craig Taylor menunjukkan visualisasi 3D yang spektakuler dari data lalu lintas yang ia kembangkan di perusahaan Ito. Visualisasi sinematik ini berfungsi untuk mengumpulkan wawasan dan untuk digunakan sebagai materi pemasaran. Ia memaparkan project transit in motion yang menunjukkan perubahan pola mobilitas bus umum selama masa lockdown Covid. Ia memaparkan beberapa kemungkinan untuk merepresentasikan data, beberapa di antaranya cukup eksperimental dan artistik. Kemudian beliau mempresentasikan proyek Europe's Quiet Skies yang menunjukkan pengurangan penerbangan pesawat di Eropa selama krisis Covid. Dalam sesi tanya jawab, Craig Taylor menjelaskan bahwa ia menggunakan QGIS dan ESRI ArcMap untuk persiapan data dan memvisualisasikan data menggunakan Houdini, Cinema 4D, dan mesin rendering Octane.

Komentar pribadi: Pembicaraan ini menunjukkan kontroversi seputar visualisasi data 3D dan penggunaan animasi dengan sangat baik. Di satu sisi, gambar-gambar yang indah dan spektakuler. Di sisi lain cara penyajian data yang mempersulit untuk memperoleh wawasan analitis yang lebih dalam.

Angka Keras: Menceritakan Kisah dengan Data dan Musik (Miriam Quick, Duncan Geere) (Menonton video)

Miriam Quick dan Duncan Geere memberikan pengenalan tentang sonifikasi data, yaitu transformasi data menjadi suara. Mereka juga memperkenalkan podcast mendatang Loud Numbers.

Data Melalui Desain: Membuat Pameran Seni Data (Sara Eichner) (Menonton video)

Sara Eichner berbicara tentang pameran Data Through Design yang berlangsung di New York. Pameran ini menampilkan seni data berdasarkan data terbuka New York. Dia membahas tantangan memamerkan seni data dalam krisis korona.

Menggunakan Data dalam Praktik Seni Rupa (Wilma Woolf) (Menonton video)

Wilma Wolf mempresentasikan seni data fisiknya serta proses dan filosofi di baliknya. Karyanya berfokus pada hak-hak perempuan. Penting baginya bahwa standar etika yang tinggi dipenuhi selama setiap langkah pembuatan karya seni. Dia membidik „kematian artis“, yang berarti bahwa karya akhir berdiri sendiri, tanpa dia sebagai seorang seniman yang terlihat.

Langkah dan Ulangi: Memvisualisasikan Gerakan Manusia (Emma Margarite Erenst) (Menonton video)

Emma Margarita Erenst mempresentasikan karya seni data fisiknya, terutama pakaian, yang berhubungan dengan gerak dan tarian manusia.

Pengodean dengan Api: Memasak dengan Data (Ian Johnson, EJ Fox) (Menonton video)

Ian Johnson dan EJ Fox berbicara tentang format streaming mereka twitch.tv/enjalot di mana mereka melakukan pengkodean langsung Javascript di notebook yang dapat diamati.

Studi Kasus Visualisasi Data

Peta Viral (Karim Douieb)* (Menonton video)

Karim Douieb menunjukkan bagaimana ia mengembangkan visualisasi animasi hasil pemilihan presiden AS 2016. Animasi ini menjadi viral di media sosial. Animasi memvisualisasikan fakta bahwa tanah tidak memilih, orang-orang melakukannya, dengan mentransisikan setiap wilayah negara bagian menjadi gelembung yang sebanding dengan populasi negara bagian. Dia mempresentasikan panduan terperinci tentang bagaimana dia mengembangkan animasi ini dalam Javascript, menggunakan lingkungan kerja yang dapat diamati dan perpustakaan D3. Dia menggunakan tata letak gaya D3 untuk mendistribusikan gelembung, dan Flubber untuk transisi animasi. Dia menerbitkan hasilnya sebagai gif perulangan di media sosial. Perhatian yang diterima karyanya ketika diposting oleh orang lain melebihi dari postingannya sendiri. Dia mencatat bahwa tanda air harus ditambahkan, untuk menghindari karya seseorang dibagikan secara luas tanpa atribusi.

Memetakan Lanskap Penelitian Covid19: Kekuatan Data Yaitu melalui Kotak Hitam (Caroline Goulard)* (Menonton video)

Caroline Goulard mempresentasikan alat untuk memvisualisasikan karya ilmiah tentang Covid. Saat ini terdapat lebih dari 50.000 publikasi tentang topik ini. Hal ini membuat sangat sulit bagi peneliti untuk menemukan yang relevan. "Pengetahuan gelap" adalah masalah besar. 50% publikasi tentang Covid tidak dikutip, 6% tidak dalam bahasa Inggris. Alat yang tersedia saat ini seperti Pubmed, Scopus, dan Google Scholar hanya menampilkan hasil pencarian sebagai daftar bernomor. Tidak transparan bagaimana daftar peringkat ini dibuat. Juga pengguna perlu secara tepat menentukan apa yang dia cari. Caroline Goulard mengusulkan pemetaan spasial sebagai bagian dari solusi. Ini membantu mendapatkan representasi mental dari data, membantu interaksi, dan membantu menghafal. Mereka mengembangkan dua pendekatan. Pendekatan pertama adalah grafik jaringan kutipan, diimplementasikan melalui grafik yang diarahkan secara paksa. Pendekatan kedua adalah peta reduksi dimensi. Di sini publikasi yang memiliki kata kunci serupa ditempatkan lebih dekat dalam ruang dua dimensi. Ini meniru berjalan melalui perpustakaan dan melihat ke rak-rak terdekat. Pendekatan kedua ini disukai oleh pengguna yang diwawancarai. Cluster publikasi dibuat menggunakan pengelompokan hierarkis. Setiap cluster diberi warna. Dalam warna antarmuka juga dapat ditetapkan untuk tahun publikasi, bidang studi, dan kata kunci. Antarmuka juga memungkinkan untuk melihat metadata terperinci dari setiap publikasi. Dalam pengujian pengguna, ditemukan bahwa orang-orang terutama menggunakan fungsi pencarian, dan kemudian melihat peta untuk konfirmasi. Pengguna merasa menggunakan alat ini sebagai "pengalaman yang mengganggu". Jadi antarmuka yang seksi tidak akan menjamin, bahwa alat akan benar-benar digunakan lain kali, bukan alat standar. Di bagian Tanya Jawab Caroline Goulard menjelaskan bahwa aplikasi diprogram dengan WebGL dan perpustakaan HDBSCAN.

Bagaimana Kami Menerjemahkan Pengalaman Budaya Menjadi Cerita Data? (Mick Yang, Isabella Chua) (Menonton video)

Mick Yang dan Isabella Chua menjelaskan bagaimana mereka mengembangkan cerita data di Kontinentalist, sebuah badan jurnalisme data yang berbasis di Singapura. Agensi ini berfokus pada cerita data yang berhubungan dengan budaya Asia. Mereka menganjurkan untuk memiliki keberanian untuk menjadi niche dan lokal dalam cerita data yang diceritakan seseorang.

Menceritakan Bangsa Melalui Angka – India dalam Piksel (Ashris Choudhury) (Menonton video)

Ashrin Choudhury mempresentasikan karyanya tentang visualisasi data di India untuk audiens India. Dia meminta umpan balik dari beberapa rekan dari latar belakang etnis dan daerah yang beragam, untuk menghindari perangkap budaya.

Titik Data Juga Orang (Bronwen Robertson, Saja Hathman, Joachaim Mangalima, Zdenek Hynek) (Menonton video)

Bronwen Robertson, Saja Hathman, Joachaim Mangalima dan Zdenek Hynek berbicara tentang partisipasi mereka dalam berbagai proyek Data4change global. Mereka membahas bagaimana krisis covid berdampak pada pekerjaan mereka.

#BlackInDataWeek: Menghubungkan dan Merayakan Orang Kulit Hitam di Bidang Data (Rith Agbakoba, Jarrett C. Hurms, Simone Webb) (Menonton video)

Rith Agbakoba, Jarrett C. Hurms, dan Simone Webb mempresentasikan inisiatif untuk orang kulit hitam yang bekerja di bidang data. Mereka berbicara tentang aktivitas BlackTides dan BlackInData.

Memvisualisasikan Sejarah Penahanan Massal (Sarah Fawson) (Menonton video)

Sarah Fawson mempresentasikan hasil tesis masternya yang memvisualisasikan sejarah penahanan massal di AS. Karyanya menunjukkan bahwa pria kulit hitam secara tidak proporsional sering dipenjara.

Memvisualisasikan Hari Peringatan Transgender: Pelajaran Menjadi Kesaksian dengan Membuat Kerugian Terlihat dan Mendalam (Kelsey Campbell, Cathryn Ploehn) (Menonton video)

Kelsey Campbell dan Cathryn Ploehn menunjukkan pekerjaan yang sedang berlangsung di mana mereka memvisualisasikan pembunuhan orang transgender.

Visualisasi Kekerasan di Kolombia (Gustavo Ojeda) (Menonton video)

Gustavo Ojeda menunjukkan visualisasi data yang dia buat tentang kekerasan di masyarakat Kolombia. Banyak orang di Columbia tidak memiliki listrik dan koneksi internet mungkin lambat. Dia menunjukkan bagaimana visualisasi data dapat diimplementasikan secara teknis untuk menurunkan jumlah data yang ditransfer.

Apakah Kita Baik-Baik Saja dengan Pemanasan Global? Peran Tenaga Nuklir & Energi Rendah Karbon (Harim Jung) (Menonton video)

Harim Jung membahas dasbor tempat dia menunjukkan CO2 emisi dan campuran pembangkit listrik (terbarukan, fosil, nuklir) dari berbagai negara. Pemisahan negara-negara menjadi empat strata menurut produk domestik bruto (PDB) menunjukkan bahwa negara-negara dengan PDB tinggi memancarkan pangsa CO global yang besar.2.

Menggunakan DataViz untuk Membuat Dunia kembali peka terhadap Hewan (Karol Orzechowski) (Menonton video)

Karol Ozechowski mendemonstrasikan bagaimana dia menggunakan visualisasi data untuk mengadvokasi hak-hak hewan di Faunalytics. Dia mengidentifikasi tiga masalah utama di bidang ini: masalah skala, masalah strategi, dan masalah opasitas data.

Membentuk Data Yaitu Melalui Ruang Berita Mahasiswa (Raeedah Wahid, Jessica Li) (Menonton video)

Raeedah Wahid dan Jessica Li berbicara tentang pekerjaan mereka di surat kabar mahasiswa Columbia Daily Specator. Mereka menjelaskan bagaimana surat kabar mereka membangun keahlian visualisasi data dalam beberapa tahun terakhir.

Menjadi Pembelajar Berbasis Data (Aminah Aliu) (Menonton video)

Aminah Aliu menunjukkan bagaimana dia menentukan waktu terbaik untuk belajar sebagai siswa sekolah menengah. Dia mengatur waktu durasi yang dia butuhkan untuk menyelesaikan masalah permainan kartu Set pada waktu yang berbeda dalam sehari. Dengan demikian dia bisa menunjukkan bahwa dia tampil lebih baik di pagi hari.

Pada konferensi Jason Forrest dan Mary Aviles mengumumkan bahwa Nightingale, publikasi online Data Visualization Society, juga akan muncul sebagai majalah cetak.

Terima kasih kepada Direktur Acara DVS Mollie Pettit dan seluruh tim organisasi sukarelawan untuk acara ini: Duncan Geere, Evelina Judeikyte, Gabrielle Merite, Lloyd Richards, Maxene Graze, Marília Ferreira da Cunha, Frederic Fery, Céline Genest, Katy Liang,Jennifer Li , Bill Tran, Yi Ning Wong Isabella Chua, Akshit Aggarwal, Nöelle Rakotondravony, Naomi Smulders

Sejarah artikel blog

22.02.2021 Versi pertama diterbitkan. Ringkasan pembicaraan tambahan ditambahkan pada hari-hari dan minggu-minggu berikutnya.

21.03.2021: Menambahkan tautan ke video youtube yang sekarang publik.


Salju Bukan Putih

Banyaknya nuansa warna putih yang ada di pikiran saya akhir-akhir ini. Beberapa waktu lalu saya mengunjungi pameran lukisan monokrom putih karya Qiu Shihua (baca artikel blog saya disini). Sepintas, lukisan-lukisan ini hanya tampak seperti kanvas putih. Tetapi ketika mencari waktu yang lebih lama, lanskap putih yang sangat bernuansa muncul dari kabut. Jika diberi kesempatan dan waktu menonton yang lebih lama, mata manusia dapat membedakan nuansa putih yang sangat halus.

Pameran lukisan oleh Qiu Shihua dalam Situasi Kunst Bochum

Kemudian saya membaca buku � Whites“ karya desainer Jepang Kenya Hara. Ini berisi esai pendek tentang 100 warna putih yang berbeda. Saya mengharapkan sedikit lebih banyak wawasan estetis dari buku ini. Ini berisi banyak anekdot pribadi dan referensi yang tidak jelas ke dunia seni Jepang. Namun, itu pasti layak untuk dibaca. Buku ini mendorong untuk melihat berbagai warna putih yang dimiliki benda-benda seperti kertas, kulit telur, tulang, susu, dll. Bahan putih alami adalah cara yang baik untuk mendekati nuansa putih yang berbeda. Many named shades of white are called after such materials, such as the colors ivory, seashell, cornsilk, old lace, cream, and many others.

Kenya Hara: 100 Whites, 2019, Lars Müller Publishers

Recently I designed a calendar for 2021 with impressionist paintings (read the blog article here). The first picture shown is a snow scene by Claude Monet (The magpie, 1869). The picture shows areas of sun and shade in the snowy landscape. Depicting scenes under different lighting conditions was a major topic for the impressionists (more information on that see below). The downloaded image I color corrected as best as I could. But a very slight reddish tint remained. Printing it on my home office printer, it looked fine. But the final print from the printer’s shop had a reddish tint that bothered me. Apparently, slight color shifts in the color white in display media and print are much more perceptible than with other colors.

Now, in February 2021, the heaviest snowfall in years occurred in Essen. I enjoyed taking long walks in the snowy landscape. Here again I noticed the many nuances shades of white. Normally our brain filters such impressions out, an object’s color is perceived as constant under different lighting conditions. This effect is called color constancy. But really looking, one notices snow is never purely white. Under different lighting circumstance and in different conditions snow comes in many shades:

  • Blueish white early in the morning
  • Slightly blue tinted in full sunlight at noon
  • Purplish white in the shade
  • Grey when wet
  • Orangeish white in the afternoon sun
  • Pinkish at sunset
  • Deep blue under the night sky
  • Orange in artificial streelighting

The following photos give an idea of these many shades. It is not possible to accurately capture such subtle shades with basic photo equipment.

Different blueish and purplish shades of snow in sunlight and shade Wet snow in grey shades Orangish shades of snow in late afternoon sunlight Pinkish and purplish shades of snow after sunset

The many shades of white visible in snowy landscapes were are also depicted in impressionist paintings. Capturing the effect that different lighting conditions have on a scene, was one of the major goals of impressionist painters. Claude Monet did several series of works where he painted the exact same motive under different lighting conditions. The best known is probably the series showing the cathedral of Rouen.

Below two examples of impressionist paintings showing varying shades of white in the snow.

Claude Monet: The Magpie, 1869 (Source: color corrected from Zeno.org) Alfred Sisley: The Effect of Snow at Argenteuil (Source: Not color corrected from Wikiart.org)

It is impossible to determine digitally how these painting look in reality. In any case, aging processes entail that the paintings look different today than when they were painted. Doing an image search shows the wide variety in color shift of digitized images due to different cameras and image processing involved. Some of these do look quite garish.

Results of image search for „Claude Monet magpie“ (Source: Startpage.com)

So, in conclusion, can anything practical be learned from these musings? For minimalist design, making use of large areas of whitespace, it can make sense to experiment with slightly off tones of white. The human eye is capable of detecting an extremely high number of colors. It is estimated that 100 000 to 10 000 000 colors can be distinguished. We are capable of distiguishing extremely nuanced shades of white if given the oppurtunity and time. Natural materials are a good entry point for becoming aware of different qualities of the color white. The wikipedia article on shades of white lists many named shades.

Not-so-subtle named shades of white listed on Wikipedia

Lighting conditions play a big role in how we perceive white. Due to the psychological effect of color constancy we are normally not aware of these shifts in shade.

There is also a big caveat to this however, shades of white are extremely susceptible to color shifts when photographed, displayed on different screens, and printed. This can lead to some undesired garish results (see picture of search results above). White seems to be a color where subtle shift in shade are more disturbing than in other colors. My guess is that this is the case, because we can clearly perceive and name such color shifts as blueish, reddisch, greenish etc.

Blog post history:

26.02.2021: First version published

01.03.2021: Rewriting of text passages to make clearer statements and emphasize key takeways


Can't connect to WhatsApp Web or Desktop

Problems with your phone, computer, or Wi-Fi connection are some of the common reasons why you might not be able to send or receive messages on WhatsApp Web or Desktop.

Phone connection problems

If you’re unable to send or receive messages on WhatsApp from your phone, then you won’t be able to use WhatsApp Web or Desktop on your computer. Open WhatsApp on your phone and try to send a message. If you can't, learn more about how you can troubleshoot your phone connection: Android | iPhone

If you’re able to send a WhatsApp message from your phone, try using WhatsApp Web or Desktop on your computer again. If you still have issues sending or receiving messages, you may have a connection issue with your computer.

Computer connection problems

You must have a strong and stable Internet connection on your computer to use WhatsApp Web or Desktop. If you see a yellow banner above your chats list with the error message "Computer not connected", check to make sure your computer's Internet connection is active. If your computer's Internet connection is working normally and you still can't send or receive messages, refresh the page if you’re on WhatsApp Web or quit and restart the program if you’re using WhatsApp Desktop.

If the problem persists, try logging out and back in to WhatsApp Web or Desktop, which you can learn how to do in this article.

Catatan: For WhatsApp Web, you must use the latest version of Chrome, Firefox, Microsoft Edge, Opera, or Safari. Other browsers such as Internet Explorer aren’t supported.


Ubuntuusers.de

Das Programm Ubuntu Software arbeitet selten ohne Störung in der deutschen Sprache und zeigt nur einen leeren Bildschirm. In englischer Sprache erscheint das Programm prompt. Warum hängt das Programm regelmäßig?

Moderiert von sebix:

Thema in einen passenden Forenbereich verschoben. Bitte beachte die als wichtig markierten Themen („Welche Themen gehören hier her und welche nicht?“) in jedem Forenbereich. Danke.

tomtomtom

Anmeldungsdatum:
22. August 2008

Warum hängt das Programm regelmäßig?

In der Regel weil es fehlerhaft ist.

Die Frage hier wäre auch, ob du tatsächlich von Ubuntu Software (also aus den normalen Paketquellen installiert) oder vom Snap Store (der ein abgeändertes Ubuntu Software darstellt) schreibst.

Letzteres ist in Ubuntu 20.04 vorinstalliert, ersteres nicht.

Anmeldungsdatum:
25. Juli 2020

Warum hängt das Programm regelmäßig?

In der Regel weil es fehlerhaft ist.

Nach der Eingabe von systemctl im Terminal zeigt das System folgende Fehler:

Das Kommando "systemd/systemd-analyze verify /etc/systemd/system/*" sowie das Kommando "systemctl list-unit-files" deckt weitere Probleme auf, nämlich Dateien mit dem Vermerk im Befehl 'systemd-analyze - "Failed to prepare filename . Das Argument ist ungültig"' bzw. in der Anweisung 'systemctl - "disabled" oder "masked"'.

Anmeldungsdatum:
12. Juni 2006

Und was bitte hat das jetzt mit Ubuntu Software zu tun?

Anmeldungsdatum:
25. Juli 2020

Und was bitte hat das jetzt mit Ubuntu Software zu tun?

Vielleicht beeinflussen/stören sich die beiden Programme/Pakete snap - Ubuntu Software gegenseitig? Keine Ahnung!


Tonton videonya: Chinh font cho arcgis thầy Phú