Caricamento in corso...
Ugly plots kill good science: visualise your data effectively and avoid common pitfalls
01WCYRW
A.A. 2025/26
Course Language
Inglese
Degree programme(s)
Doctorate Research in Ingegneria Civile E Ambientale - Torino
Course structure
| Teaching | Hours |
|---|---|
| Lezioni | 6 |
Lecturers
| Teacher | Status | SSD | h.Les | h.Ex | h.Lab | h.Tut | Years teaching |
|---|---|---|---|---|---|---|---|
| Mazzoglio Paola | Ricercatore L240/10 | CEAR-01/B | 6 | 0 | 0 | 0 | 1 |
Co-lectures
Context
| SSD | CFU | Activities | Area context | *** N/A *** | 1 |
|---|
La visualizzazione di dati scientifici e tecnici è un elemento centrale nell’analisi, nell’interpretazione e nella comunicazione in ambito ingegneristico. Gli ingegneri si trovano costantemente ad affrontare la sfida di presentare dati complessi in modo efficace, sia nei confronti di colleghi e stakeholder, sia all'interno di articoli, report tecnici o presentazioni.
Come possiamo creare visualizzazioni che siano al tempo stesso tecnicamente accurate e facili da interpretare? Come possiamo evitare classici errori come figure sovraccariche, mappe poco leggibili, scelte cromatiche inadeguate o tipi di grafici non adatti, che rischiano di confondere invece di chiarire? E come possiamo rispettare i diversi formati richiesti da riviste scientifiche, conferenze e progetti senza compromettere la chiarezza?
Questo corso è pensato per ingegneri e ricercatori che vogliono rafforzare le proprie competenze nella visualizzazione dei dati. L'obiettivo è rendere grafici tecnici e mappe più efficaci, leggibili e adatti sia a un pubblico esperto che non specializzato.
Se almeno una volta guardando un tuo grafico hai pensato “Potrebbe essere migliore”, questo corso fa per te.
The visualization of scientific and technical data is a core component of engineering analysis, interpretation, and communication. Engineers constantly face the challenge of choosing how to present complex data for reporting to colleagues and stakeholders or sharing results through papers, technical reports, and presentations.
But how do we create visuals that are both technically accurate and easy to interpret? How do we avoid the traps of overloaded figures, unclear maps, poor color choices, or inappropriate plot types that can confuse rather than clarify? And how do we meet the different formatting requirements of journals, conferences, and project deliverables without sacrificing clarity?
This DataViz short course is tailored to engineers and applied scientists who want to strengthen their data visualization skills. We will focus on making technical plots and maps more effective, readable, and suited to both expert and non-expert audiences.
If you’ve ever looked at one of your plots and thought, “This could be better”, this course is for you.
nessuno
none
- Breve storia della DataViz;
- Le regole d’oro della DataViz;
- Come scegliere il tipo di grafico più adatto ai dati tecnici;
- Font, layout e gerarchia visiva nelle figure ingegneristiche;
- Scelte cromatiche accessibili, leggibili e adatte alla pubblicazione;
- Bilanciare chiarezza e dettaglio: quando semplificare e quando spiegare;
- Requisiti editoriali: figure per articoli scientifici, report tecnici e presentazioni;
- Software e strumenti AI per la DataViz.
- Brief history of DataViz;
- The golden rules of DataViz;
- Choosing the right plot type for technical data;
- Fonts, layout, and graphical hierarchy in engineering figures;
- Colour schemes that are accessible, readable, and publication-friendly;
- Balancing clarity and detail: when to simplify, when to explain;
- Publication compliance: figures for scientific journals, technical reports, and presentations;
- Software and AI tools for DataViz.
In presenza
On site
Presentazione report scritto
Written report presentation
P.D.1-1 - Febbraio
P.D.1-1 - February
L’esame consiste nell’identificare uno o più esempi di cattiva visualizzazione dei dati, tratti dal proprio lavoro, e migliorarli applicando i principi e le competenze acquisite durante il corso.
The final assessment consists of identifying one or more examples of poor data visualisation, taken from your own work, and improving them using the principles and skills acquired during the course.