Generación Automática de Configuraciones Visuales

[Vitico99]

Datos del proyecto

Nombre: Generación Automática de Configuraciones Visuales
Repositorio: https://github.com/Vitico99/auto-graph-encoder
Reporte: https://github.com/Vitico99/auto-graph-encoder/blob/5f967149bfe20aad6c8d8c6a1c4a2420c37e723e/report/report.pdf

Breve resumen

La generación automática de visualizaciones sobre un conjunto de datos se puede dividir en dos procesos: determinar una consulta de interés para el usuario y generar la configuración gráfica para visualizar los resultados de la consulta. En particular la selección de configuraciones gráficas es un problema que presenta dificultades para llegar a consenso entre expertos del dominio y los sistemas tradicionales que brindan solución a este problema utilizan enfoques basados en reglas. En años recientes se ha planteado la posibilidad de aplicar técnicas de Machine Learning ampliamente utilizadas en sistemas de recomendación tradicionales a la recomendación de configuraciones gráficas.

La propuesta de este trabajo consiste en utilizar y comparar distintos modelos de Machine Learning en la tarea de selección de configuraciones gráficas. Esta tarea puede ser vista de forma simplificada como un problema de predicción.

Dado un conjunto de vectores $v_1, v_2,...,v_k$ predecir el tipo de gráfico $g$ a utilizar y la permutación $v_{p1}, v_{p2}, ..., v_{pk}$ de los vectores iniciales que representa el orden que ocupan estos en los ejes del gráfico.

Para la realización de esta propuesta se tienen como datos un conjunto de gráficos generados por usuarios de la plataforma Plotly obtenidos a través de su API los cuales contienen los vectores y configuraciones gráficas utilizadas para generarlos.

Miembros del equipo

• Amanda González Borrell (@amyGB99 GitHub)(@amy_9903GB Telegram)
• Karla Olivera Hernández (@karlaoh99 GitHub)(@k_oli99 Telegram)
• Victor Manuel Cardentey Fundora (@Vitico99 GitHub)(@Vitico99 Telegram)

Otras asignaturas o investigación en los que impacte el proyecto

Este trabajo contribuye al Trabajo de Diploma en Ciencia de la Computación de Victor Manuel Cardentey Fundora en Visualización Inteligente Automática de Datos y el software obtenido puediese ser incorporado como visualizador en el sistema LETO para comprobar sus resultados dentro una aplicación de extracción de información.

Aprobación

Estos elementos serán chequeados por los profesores de la asignatura para aprobar el proyecto.

• El repositorio indicado existe
• El documento de reporte existe, y tiene la estructura inicial (nombre del proyecto, autores, breve descripción)
• Los miembros del equipo tienen usuarios en Github y telegram debidamente identificados (avatar, nombre completo, y página de perfil)
• El resumen describe una idea factible y de complejidad adecuada
• El resumen describe una idea que impacta positivamente en otras asignatura o investigación

En caso de que algunas de las condiciones anteriores no se cumplan, en este issue les dejaremos todos los comentarios y discusiones necesarias para lograr la aprobación del proyecto.

Este issue será cerrado una vez se considere definitivamente aprobado o rechazado el proyecto, y se le pondrá la etiqueta correspondiente.