Visualizing high-dimensional data is a cornerstone in scientific data mining. The meaningful representation of knowledge discovery in time series helps the expert to understand their data behavior. In high-dimensional data, visualization often becomes more prominent as it can help the user in identifying the patterns, classifications, and relationships within contributing variables. In time series analysis, Euclidean distance based time-series similarity plays a big role. A novel method based on Euclidean distance so-called "matrix profile", has demonstrated use in pattern analysis, clustering, rule discovery. Its capability to be computed in parallel has distinguished its performance compare to other techniques. It enables us to work with many sensors and very long time-series data. Due to the irregularities of the sensors data, we use an unsupervised approach to infers the feature with no specific application domain. Therefore, the developed model should be able to be applied for any kind of time series data. Furthermore, additional study is included to infer the background of the data source. In many data investigations, the background study helps in developing a hierarchical systematic which guides the user to narrow down the exploration space for a certain aspect of analysis. After information extraction, visualization as the terminal of this study: research on insightful ways to show time series similarity, segmentation, and data clustering has to be performed. As there are many ways to visualize the data in design, information delivery, and engagement with the users, we limit the research work on the first two parts. In a small section, we also review the opportunities to create a more interactive way of visualization.     «

Visualizing high-dimensional data is a cornerstone in scientific data mining. The meaningful representation of knowledge discovery in time series helps the expert to understand their data behavior. In high-dimensional data, visualization often becomes more prominent as it can help the user in identifying the patterns, classifications, and relationships within contributing variables. In time series analysis, Euclidean distance based time-series similarity plays a big role. A novel method based on...     »

Die Visualisierung hochdimensionaler Daten ist ein Eckpfeiler im wissenschaftlichen Data Mining. Die aussagekräftige Darstellung der Wissensentdeckung in Zeitreihen hilft dem Experten, sein Datenverhalten zu verstehen. Bei hochdimensionalen Daten tritt die Visualisierung oft stärker in den Vordergrund, da sie dem Benutzer helfen kann, die Muster, Klassifizierungen und Beziehungen innerhalb der beitragenden Variablen zu identifizieren. In der Zeitreihenanalyse spielt die auf euklidischer Distanz basierende Zeitreihenähnlichkeit eine große Rolle. Ein neuartiges Verfahren, das auf dem euklidischen Abstand, dem so genannten "Matrix-Profil", basiert, hat seine Anwendung in der Musteranalyse, Clustering und Regelentdeckung gezeigt. Ihre Fähigkeit, parallel berechnet zu werden, hat ihre Leistungsfähigkeit im Vergleich zu anderen Techniken ausgezeichnet. Sie ermöglicht es uns, mit vielen Sensoren und sehr langen Zeitreihendaten zu arbeiten. Aufgrund der Unregelmäßigkeiten der Sensordaten verwenden wir einen unüberwachten Ansatz, um auf das Merkmal ohne spezifische Anwendungsdomäne zu schließen. Daher sollte das entwickelte Modell für jede Art von Zeitreihendaten angewendet werden können. Darüber hinaus ist eine zusätzliche Studie enthalten, um auf den Hintergrund der Datenquelle zu schließen. Bei vielen Datenuntersuchungen hilft die Hintergrundstudie bei der Entwicklung einer hierarchischen Systematik, die den Benutzer anleitet, den Explorationsraum für einen bestimmten Aspekt der Analyse einzugrenzen. Nach der Informationsextraktion ist die Visualisierung als Endpunkt dieser Studie: Es muss nach aufschlussreichen Wegen gesucht werden, um die Ähnlichkeit von Zeitreihen, die Segmentierung und die Datenclusterung zu zeigen. Da es viele Möglichkeiten gibt, die Daten beim Design, bei der Informationsbereitstellung und bei der Interaktion mit den Benutzern zu visualisieren, beschränken wir die Forschungsarbeit auf die ersten beiden Teile. In einem kleinen Abschnitt gehen wir auch auf die Möglichkeiten ein, eine interaktivere Art der Visualisierung zu schaffen.     «

Die Visualisierung hochdimensionaler Daten ist ein Eckpfeiler im wissenschaftlichen Data Mining. Die aussagekräftige Darstellung der Wissensentdeckung in Zeitreihen hilft dem Experten, sein Datenverhalten zu verstehen. Bei hochdimensionalen Daten tritt die Visualisierung oft stärker in den Vordergrund, da sie dem Benutzer helfen kann, die Muster, Klassifizierungen und Beziehungen innerhalb der beitragenden Variablen zu identifizieren. In der Zeitreihenanalyse spielt die auf euklidischer Distan...     »