Värdet av promiskuösa noder utanför det lägre som feature omedelbar diskriminerbarhet

Följande från en handbok data mining är värt att diskutera:

"Removing pizza nodes (i.e. very high-degree nodes) is likely to be an essential prior component to get useful results. Intuitively, a pizza node is likely to be a large impersonal entity like a pizza parlour or an electricity supplier: the fact that two people both communicate with the pizza node gives us no reason to think that they are linked socially."

Eventuellt (jag läste ej artikeln i detalj där länken fanns som jag nådde från nyheten sist d.v.s. dokumentet två steg ifrån denna) är dokumentet ej publicerad korrekt utan del av något läckage av information. Det tycks dock fått text genomgående borttagen rörande detaljer organisationer m.m. resp. rör ämne där det är troligt och normalt (och troligen ekonomiskt resp. från perspektiv konkurrerande andra entiteter som en givet stor och stark entiteter effektivt genom att stimulera kunskapsbyggande i samhället allmänt man kan utnyttja - ej heller tekniskt särskilt avancerat eller särskiljande sig i nivå eller erfarenhet från allmän kunskap) så jag kan tänka mig och tror det troligast att det publicerats korrekt.

Från: HIMR Data Mining Research Problem Book, OPC-MCR, GCHQ (PDF)

De kan emellertid vara utmärkta som generella features för att beskriva entiteter meningsfullt för typbestämning. Kommunikation mot ex. en uppsättning stora entiteter av myndighetstyp kan tillsammans ge indikation av sådant som medborgarskap. Tjänsteleverantörer tillsammans för geografisk lokalisering. O.s.v.

För 300-FF har vi exempel på det genom ingen särskild viktning diskriminerande dessa typer av noder (och viktning via förekomst tillsammans resp. likheter via de 400-längd vektorer som används som indata vid träningen) vilket tycks mycket funktionellt utan problem. Utnyttjande annat men besläktat common sense med varje form av sense mellan namngivna kategorier (vilket är allmänt för många: Innan ungefär följande för struktur Wordnet) och clustrande resp. dessa med 300-FF och Kohonen med fast antal cluster grovt grupperade efter hur vanliga de är eller hur breda de är (6 st vanligast, små-kategorier 3 st, samt ett fåtal 12 st). Totalt cirka 10 - 20000 kategorier indata för lokal clustering. Därefter clustrande resp. av resultaten tillsammans och vi har fortfarande i utdata inget problem att få geografisk-gruppering, gruppering personer, roller och övriga entiteter, resp. ej heller mer av topic-natur som matematiska begrepp.

Vilket jag tror men har inte försökt prövat om det stämmer skulle vara mycket svårare utan att från början inkluderat de stora noderna. Det ger ju något gemensamt över många noder utan behov av att expanderande bygga träd nedanför direkta relationer d.v.s. mycket lägre komplexitet. Samtidigt som när relationen ej är binär utan bygger på förekomsten det kan fungera diskriminerande också där. Du kan (för att ge exempel för en typ av relation ej aktuell för 300 riktigt på samma sätt utan mer på applikation av handboken jag citerade) tänka dig att du får indikation för relationerna att en entitet är person och svensk medborgare men också en medborgare (han / hon tycks ha "hög bandbredd" mot svenska institutioner) men han uttrycker låg intensitet kontakt med myndigheter (d.v.s. exempelvis enkel-person rörande deklaration o.s.v. Skatteverket, föga kriminell så som känt, ej politiskt intresserad o.s.v.) så antingen en ekonomiskt-effektiv medborgare (eller kanske misstänkt välanpassad) och / eller mycket tråkig.

Så som exempel clustering av Earthlight kan vi se möjlighet att betrakta relationerna som vad som kan strukturera sig mellan varandra i närmare ontologisk-mening där stora (nästan promiskuösa noder givet en population: Så ex. om vi redan vet att en person är svensk faller en del av meningen bort här - Samtidigt vet vi ej enkelt innan vad dessa relationer här kommer säga i övrigt) där stora noder kan uttrycka djupare / bredare möjlighet till exakthet från smalare mer diskriminerande relationer (de senare vad som normalt bör ha mycket högre inverse document frequency i mening av att behandla varje nod som ett dokument och varje relation som en frekvens förekomst ev. viktat med förekomst - och de första mycket låg idf).

Också gäller vilket är praktiskt enkelt att förstå om vi fortsätter tänker oss ett land (men oftast normalt gäller allmänt för allt mänskligt relaterat i grafer) stora noder gärna uttrycka spridd av aktivitet som är resulterande detekterbart nära dem. D.v.s. om ex. en nations militära organisationer börjar agera mer är det att förvänta att vi ser omedelbart i noder i nära relationer till nationen (ex. deras övriga statliga funktioner såväl som företag m.m. inom landet, medborgare o.s.v.) högre aktivitet nära i tiden. Medan över hela grafen för människan över världen och historien mindre troligt ser särskilt höjd aktivitet på större distans. Medan aktivitet för mindre noder när spridd aktivitet av någon aktivitet vi kan se som uttrycka något vi kan betrakta som en aktivitets-typ klarar att nå något förändrande i ej trivial mening ej alls självklart eller troligt ser det nära inpå dem: Ex. i den mån en person klarar att förändra något i världen som märks där vi bryr oss är det föga troligt något i hans omedelbara relationer av vad som där är typiska relationer för honom (ex. aktivitet inom familjen så som att han mördar en familjemedlem är ytterst sällan vad som kommer bli märkbart) utan märks det är det snarare på större avstånd (i samma mening som för nära relationer: Medan distansen i mening av antal steg om vi ej som föreslaget i citatet kastat promiskuösa noder mycket väl kan ha omedelbar kontakt) ex. byggt ett företag påverkande alla möjliga städer där de har kontor eller stora kunder eller som utbytesstudent i annat land flyget ett flygplan in i en stor byggnad. Jag är osäker på om någon koppling till (eller möjlighet till argumenterbar rationalisering av potensen stereotypen Small and Spreadable har).

Det tycks troligt för mig att promiskuösa noder är nödvändiga eller användbart för att försöka bedöma var ev. / tänkbar större aktivitet för ej i sig promiskuösa noder (där det mig är givet så även om säkert andra vägar enklare finns här lika bra) utan istället små noder med få relationer. Preferensen allmänt kulturellt sedan många år för att när features identifieras och utnyttjas använda de mer diskriminerande och värdera dem högre (ex. som med idf) är dock mycket stor. Och förvisso att det förenklar saker och ting men det har också gjort att mindre arbete skett för att få ut värdet av promiskuösa noder.

Man kan ju löst relaterat se att i skogen finns träden. Och ett träd kan vara en nod vi expanderar ut till dess omedelbara relationer. Och en del av skogen är den spridning och konvergens av aktivitet vi där ser mellan träden. Och att en skog i ett land ej uttrycks med samma ord som i ett annat. Benämning av saker och ting är inte alltid så självklara när de ej förklarats i detalj som man kan tro från hur begrepp används allmänt i en kultur man har given. Särskilt utmanande blir det när samma begrepp används för samma lösning med båda verkande. Därmed inte sagt att jag har någon preferens för att tro om tolkningen i artikeln nedan rörande algoritm är korrekt eller inte (särskilt har jag inte läst dokumentet citerat först i detalj eller något alls i övrigt relaterat det - utan mer en allmän reflektion från vad min känsla är för vad man kanske troligare använder från egentligen föga information hos mig etablerat sista fem - sju åren eller så, och osäker här om implicit inkluderat analysen jag gjorde för väldigt mycket data bl.a. relaterat inköp av saker och ting vilket bl.a. - och allmänt just nätverk med sensorer - var mycket talande rörande etablering av infrastruktur avlyssning för trafik till och från USA långt innan något konkret blivit känt).

• Has a rampaging AI algorithm really killed thousands in Pakistan? (2016-02-18) | The Guardian - Science - The Lay Scientist

Rörande journalisten diskuterad inser vi ju förövrigt att i ett givet subset av entiteter som entiteter kan ha relationer till kan han kanske ses som en promiskuös nod. På tema av samma exempel-typ som tidigare med bland kan vi tänka oss relationer till honom av viss typ (ex. personer han skrivit något om) uttrycker features för dessa som motsvarar något relaterat till journalistens preferens för ämnen och organisationer han skriver.

Berkeley DB med Perl: json_encode / json_decode vs att dela upp platt men stor grafstrukturer till ett index för varje båge

Jag representerar typiskt data jag lägger i BDB (flera BDB-inlägg hittas i taggen) som JSON därför att det nästan alltid är en graf-liknande struktur som slås upp från en nyckel av flera koncept. Grafer är mycket funktionellt att koda till JSON för att få som sträng i platt BDB (det BDB alternativ vettigt använda och tror jag normalt snabbare än att göra det via XML med stöd nere i BDB-stödjande bibliotek). Det JSON stöd jag använder (mycket kompetent bibliotek som klarar av all JSON som jag minns det oavsett vad jag skapat eller från nätet) finns diskuterat sist

Det håller tycker jag god prestanda för kodning båda riktningarna även för lite komplexa grafer föga platta.

Emellertid oavsett en helt plattstruktur märkte jag en fantastiskt svag prestation när antalet noder direkt under ett första lager börjar växa lite. Någonstans ovanför 7000 - 12000 märks det lätt medan när vi passerat en bit till att det ska behöva ha många sekunder på sig för att gå upp till på min dator flera månader när vi är på flera hundra tusen (de värsta exemplen var föga förvånande location och person: Av de jag lade märke till men de hör helt säkert till de tio största och kan troligt vara också de två största).

I kontrast som jag läste det här för mina databaser med similarity värden mellan en uppslagsnoden och ett antal för-beräknade värden för samtliga nycklar genom att lagra varje förberäknad relation med index-nyckel enligt:

concept_similarity_beräknas_från_som_utgångspunkt_perspektiv concept_similarity_beräknas_till alg_configuration_rörande_vikter_för_uttryck_likhet_och_skillnad prioritet_likhet_eller_olikhet_eller_samlat_standardmått

Istället för att som innan slöa ner en algoritm för att beräkna något annat som gick igenom samtliga relationer similarity fanns beräknat för via flera förfrågningar per relation med någon sekund emellan verkar nu anropen över åtminstone flera hundra tusen upp till kanske 1 miljon (innan jag gick till internet-datorn eftersom ännu inga fel hade rapporterats på de ny-byggda BDB när test-koden jämför slumpmässiga värden från text-filer med själva datat använt) inte mer än kanske 10 - 20 s (vi kan tänka oss en extra 30 s så jag är trygg i att jag inte bedömde det fel eftersom det var en sådan kontrast: Men jag tror nog 10 - 20 s är vad jag hade det i):

• Intern hårddisk.
• Kopierade till den med en stor mängd fritt utrymme nyligen formaterad men ej kopierade i sekventiell ordning under min direkta kontroll utan katalogen med BDB-filerna via Nautilus. Samt därefter enstaka kompletterande en del saknat första QA-kontrollen upptäckte (koncept i perspektiv börjande på ex. "a" och ett blanksteg eller annan bokstav innan: En liten miss för att minna om att man bäst testar databaser man bygger upp).
• En databas minst för resp. bokstav och ibland fler. Jag har förr alltid gjort så därför att det tog så lång tid annars att bygga dem. Men läser man instruktioner, manualer m.m. noggrant tänker jag eller som jag surfade runt på frågor och svar runt det kan man lära som jag senare kom att göra att om man ställer in parametriseringen rätt så slipper man att BDB-stödet sitter och expanderar ut filen på slöaste tänkbara sätt för nära nog varje nytt koncept när man är över en viss storlek (en storlek man ställer in när den ska göra sådant och ex. kan dra upp till att täcka några tio tals miljoner nycklar eller vad man har minne och egen förändrad Linux till att orka med).
• Föregående har jag fått för mig när man bygger en stor fil ej ger någon förlust i prestanda. Emellertid eftersom jag nu i versionen innan hade just en stor fil valde jag att istället göra tvärtom.
• Filsystem XFS.
• Linux ändrat - resp. en del små-saker runt i XFS-lagret - till att ej försöka göra något smart i hur skrivningar hanteras.
• Viss uppföljning och skattning av vad jag tror / fått för mig är hårddisk-nära komprimering av något slag (förr användes run-length-kodning vilket jag kan tänka mig att det är nu också men har ej försökt bedöma det: Endast beräknat entropin över det) för att se att det konvergerar i rätt riktning när en del annat material kopierats in.
• Sortering där det är prestanda-gynnsamt rörande nycklar i access såväl självklart när databaserna byggs.
• Självklart ingenting på hårddisken som Linux resp. Perl-biblioteken har att göra med.

Men kanske kan man få god prestanda också med SQL, XML eller något sådant? Dock betvivlar jag på en dator med min hårdvara varande en fyra år nu.

Hade prestandan varit kvar som innan vilket jag tror är inte mycket bättre än vad en typisk SQL-databas eller NOSQL lösning (NOSQL rörande påkostade lösningar med allt färdigt i logik snarare än man som jag gör med BDB - argumenterat också en NOSQL givetvis - behöver göra det själv: Ej för många andra tillämpningar en rättvis jämförelse) av dom vanligaste ger hade det jag gjorde med dom när problemet uppträdde aldrig under min livstid blivit klart. Nu är det när testningen är klar inte vad som kommer ta mer än maximalt en timme.

Tiny och JSON

Json-stöd jag använder:

• JSON.pm | CPAN.org

JSON-stödet antar jag har någon form av teoretiskt och i kanske i kod-mängd elegant liten rekursiv eller non-state-medveten algoritm för att vandra i graf-minnesstrukturerna (hasch-tabellerna som ju går att göra som godtyckliga träd i Perl) görande det väldigt svårt att hantera defekter i strukturen eller själva logiken där med annat än exceptions (utan en massa extra kod görande kod-elegansen "gömd"). Annars föredrar jag ju själv viss medvetenhet i logiken därför att jag för att klara prestanda regelmässigt undviker allt konceptuellt ens i närheten av rekursion eller tillståndslösa "algoritmer konvergernade lösning via enkla principer" som därför också får värdet av mycket exakt information om var felet uppstår i strukturerna (görande det möjligt som typiskt för fel JSON om det skulle inträffa motsvarande vad jag kan få i stora grafstrukturer: Genom att en liten defekt i en liten subgraf kan skäras bort utan just någon förlust alls). Men i JSON-kodningen är det verkligen inte på den exaktheten information ges. Det är fel och koden klagar via exceptions och jag kan inte föreställa mig att något där som man inte bör ha märkt redan innan kontrollerande parametrarna föregripande anrop går att få ut om vad som egentligen är fel.

En del exceptions (flera) tycks när jag läser dokumentationen vara vad som "hjälper" folk att missbruka Perls notation och flexibilitet till att skriva ganska sunkig kod med en massa sammanblandningar av "pekare", "implicita typ-konverteringar" m.m. Jag skriver Perl så att man kan konvertera det nära nog 1 till 1 till C och om jag någonsin behövt skriva Bless någon gång eller låtit kod göra det implicit kommer jag ej ihåg det. Många andra har en annan förväntan av vilka värden de vill få ut av Perl och gillar detta. Jag använder Perl mer därför att det har en svårslagen mängd färdigt stöd som samlats genom alla år fritt tillgängligt inte minst inom text mining, natural language processing, statistik m.m.

"If $enable is true (or missing), then the encode method will not barf when it encounters a blessed reference. Instead, the value of the convert_blessed option will decide whether null (convert_blessed disabled or no TO_JSON method found) or a representation of the object (convert_blessed enabled and TO_JSON method found) is being encoded. Has no effect on decode.

If $enable is false (the default), then encode will throw an exception when it encounters a blessed object."

JSON stödet kan jag inte minnas att jag någonsin haft problem att få att koda mina grafer som hasch-tabeller eller att den haft problem att göra grafer av JSON jag tagit ner från databaser eller webb-servrar på internet. När de är korrekta (och en hel del strukturer egentligen inkorrekta vet jag att den klarar av att koda som vettigt förväntat). Tämligen stabil med andra ord. "Perl-anpassad-Perl-kod" kan vi kanske kalla det med den positiva bieffekten att sunking JSON-strukturer på internet med alla möjliga underligheter också blir vettiga :-)

Vilket stöd exceptions jag använder minns jag ej namnet på (jag tror det ligger i Tiny) och hittade ingenting självklart direkt på CPAN. Jag hanterar inte själv fel med exceptions så jag är föga engagerad annat än för att fånga dem bäddande in en del externa moduler av och till.

Log-dynamik i hjärnans nätverk: Fördelning, interferens och inlärning

Excellent kompletterande Subadditive reward discounting och föregående den:

• The log-dynamic brain: how skewed distributions affect network operations, György Buzsáki & Kenji Mizuseki, Nature Reviews Neuroscience 15, 264–278 (2014) doi:10.1038/nrn3687

Emellertid den väg vi valde nära praktiskt tillämpning analys språk i populationer ger oss en ganska enkel förklaring just när vi tänker oss att vi i näten analys sker söker undvika kontinuerliga uttryck för att istället hålla sig till symboler i form av ngram:

• Antag indata en person med fyra symboler i form av ngram meningsfullt tillsammans.
• Aktivitet från dessa kommer expandera kraftigt i uttryckt intensitet om den direkt upplevda intensitet ej tydligt understiger inlärd nivå där vi bryr oss att titta på symbolerna.
• Därför utan sådan expansion är det bara dom fyra symbolerna. Ingenting av kontext just i situationen, personens humör än lite långsammare, inlärda samband för symbolerna o.s.v. är ju annars möjligt att få att påverka tolkningen.
• Också är ju känt att även i direkt ord närhet aktiveras olika associationer nära egentligen alla sense ett ord kan ha där ännu ej hanterande sense i tolkning från kontext.
• Samtidigt har vi ju konstaterat - och som vi tar som antagande här - att distans i aktivtet kommer med discounting. Och om vad som nu aktiveras ej är symbolerna själva igen eller i princip samma sak föreligger distans till dessa.
• Därmed under vidare antagande att ny inlärning - kanske rent av emergens - ej är fallet kommer dessa representationer för meningsfullhet ej få samma uttryck utan reduktion discounting som vi utgår från. Här från exemplet kontext m.m. kan vi förstå det från att vi behöver de första tydligare i representation för att orka bedöma övrigt från dessa. De är ju den indikerande meningen vi vill arbeta upp till meningsfullt när vi tänker runt aktiverande fler neuroner samtidigt som när vi kommit en bra bit ut från där vi börjar behöver vi närmare göra direkta jämförelser med symbolerna vi började med och de förändringar till dessa vi adderat ex. från vår vetskap.
• I nära relationer direkt mellan ord är sådant givetvis mycket enkelt. Mindre dynamik discounting gör det tydligare med mindre problem för praktiska algoritmer som för ngram-detektion (NJER). Men vi har ju i översättning - och förekommande ibland också för viss NER - motsvarande algoritmer i övrigt också utnyttjande kontextuell information som i motsvarande natural language processing befinner sig på ett större avstånd. Jag tror mig minnas att några tidiga algortimer IBM - brytande något av Chomsku's anti-dataanalys kultur - gör detta både för översättning resp. en variant för NER.
• D.v.s. också när vårt resultat ska vara ytterst konkret och tämligen enkelt även automatiserat att direkt verifiera om resultatet är vettigt (över text i alla fall snarare än enskilda sense eller lliknelser) som för NER och översättning är det delvis vad som kan addera värde. Men att den kortare distansen mellan tolkning bara utnyyttjande ord nära (upp till och med 5-gram ger mer värde men tre och fyra-gram räcker långt) så är detta värde relativt orden direkt ganska litet.
• Men om vi lika enkelt och effektivt önskar skatta discourse och polaritet - vad något handlar om - gärna slippande parsa varenda mening i grammatik och semantik behöver vi association och intensitet för ord och ngram bredare över större distans.
• Och vill vi som ett mycket tänkbart område där vi just har ett fåtal symboler styrande beslut direkt skatta hur benägen en tänkt typ-person är att klicka på en annonslänk eller en länk till en nyhet i pagination behöver vi görande antagande om att också ett fåtal koncept motsvarighet ett sammanhang begripligt (under antagande en rationell surfare letande information) för personeg.

Därmed genom att vi får decay / discounting med motsvarighet i den växande större distansen skapas the heavy tail. Fler områden kan få viss aktivitet längre ut men här är den mindre sannolikt alls särskilt hög.

Vidare genom att aktivitet tills distans och positionering är sådan att den ej orkar längre eller alt. att aktivitet släcks ut via GABA gäller ju åtminstone länge i steg att vi når fler neuroner framåt än vi tog emot aktivitet från. Varje igen avfyrande neuron kommer ju få en bredd decay följande sannolikhet. Därmed har vi just log normala samband - med olika dynamiker rörande förändringar långt nedan för varians i den kortare närheten. Det hela är så klart i formen inte helt olikt vad vi får för globalt totalt språk vi har för ett tillräckligt stort corpus där antalet typer som funktion av antalet token tenderar att ge oss samma kurva. Ju fler token desto större antal unika typer har vi troligare. Men ju mer språk vi redan har desto mindre troligt kommer nytt språk vi adderar till corpus redan analyserat ge oss en ny typ. D.v.s. vi får en svans när vi plottar dynamiken i förändringen eller hur mycket vi vinner på att analysera mer språk.

Och vi får närmare symbolerna om de i sig är ganska besläktade fler med också relativt hög intensitet genom att vi söker interferens och samband. En slutsats från interferens exemplet med annons kan ge är att det är annons-information trots att just information om det saknas.

Större distans är konceptuellt vad som har motsvarighet i att det ej befintligt är förväntat från inlärt. Och när vi befintligt lärt något noga från information vi aldrig själva konstaterat verkligt - och sedan år känt felaktigt - kan vi ändå ha lite svårt att släppa det om det i sig inte mer tydligt inverkar på oss att vi tänker lite felaktigt (rent av medvetna om det).

Inlärning är därför vad som i form ofta kommer ha en upparbetad kurva liknande något av det omvända från hur distansen expanderar ut. Inlärningen är ju vad vi här ser ofta kommer av att vi ser oväntad interferens mellan aktiverade symboler - och interferensen skapad genom att aktivitet över oväntad stor distnas ändå når fram (ex. därför att befintligt kontext hos oss från något vi läst från ett annorlunda kunskapsområde än normalt) visar på en möjlighet vi innan inte sett. Här får vi om under antagande att reduktion som funktion av distans ej har den icke-linjära dynamik eller andra beroenden inverkande (d.v.s. också lämnande allt rörande påverkande distanser till vad vi får interferensen med m.m.) kända inlärningskurvan där vi från inlärningsfaktornn kan skatta ut (ej perfekt men ofta heller inte dåligt) hur möjligheten att fatta rätt beslut vid resp. tidpunkt är fram till att vi lärt slut. Se ex. för bild av kurvan och ett exempel på en praktisk domän där vi ser denna nära domän av reward:

• Bitcoin: Myntslagningen följer inlärningskurvan för reinforced learning (2013-08-29)

Och så klart när bitcoin är brand coolt, känns trevligt kanske uttryckande för många en del andra världen rörande något hos internet och dom själva kring friare handel eller liknande är ju den bra efterfrågat. Annars när valutor är inarbetade mer stabila gäller ju välkänt att inflation kan föreligga. Om om en valuta oavsett pengar, värdepapper, tulpaner eller annat skattats upplevt för högt i värde tenderar normalisering att gå ibland också väldigt djupt och inte sällan under egentligen mer rationellt faktiskt värde. Viss respekt för risken att bitcoin kanske inte ens används om några år ska man ha inte investerande för mycket. Men jag om någon önskar självklart bitcoin all lycka och popularitet: Har jag förstått systemet rätt lämnas ju en trevlig log-discourse som är fint indata för analys och tycks när jag läste om det inte vad jag fått tag i tidigare från andra källor.

Vad är variansen? Interferens och information

Ytterst med den statistik vi kan mena att vi behöver här är att när man redan samplat det tillräckligt för att klara operationerna behöver man inte känna att någon annan trivialt utan att lägga ordentligt med tid klarar att göra det samma. Härligt gigantiska mängder språk i komplexitet tunga domäner (annars krävs än mer gigantisk samling för att få upp utgångspunkt för distanser längre ut) är att under antagande att vi behöver associationer inlärda mellan koncepten bl.a. för att klara att ta ut denna form av interferens föreligger genom antalet relationer och störleken expansion ett gigantiskt krav på statistik när vi motsvarande lämnar det lokala i 5-gram och vill titta ut mycket längre ut - rent av utanför nyheten och bak i tid för olika populationer.

Variansen är åtminstone inte vad vi säkert alltid sunt "bara" kan skatta för vad känd en symbol vi betraktar del av dessa system när vi söker interferens. Mycket ofta är vi i komplexiteter och kombinationer aktivitet sådana enkla skattningar ej går att få bara från inlärt. Sedan självklart kan isäkerhet fångas upp i hjärnan såväl i algoritmer. Men hur variansen ser ut övergripande för kurvan över hela expansionen kanske inte har något att göra med ev. ny inlärning. Där det ev. om variansen alls är det viktiga här är annat än något mer lokalt del av indikation (ev. tänker jag fel här faktiskt: det är svårt att resonera med grafer och man får gå över det några gånger vet jag av erfarenhet när man ska bättra på algoritmerna).

Jag kan eventuellt tänka mig att jag möjligen hade kunnat dela något av det men datat är för stort för att försöka ladda upp. År bara att få ner (om än med cirka totalt säg 10 månader intensivt samplande). Så jag nöjer mig i data att dela allt i datamängd mindre som nyligen refererat mina packs (se Spindlande Ericsson konkurrerande konkurrenter: Att indirekt indikera nätets "riktigare" kunskap och kultur istället för att upplevas död). Annars hade jag ev. kanske delat datat här. Jag om någon har föga av elitism och jag tror aldrig jag upplevt en lika prestigelös såväl som utanför sig själv engagerad i den större värld och den lilla människan. Vill den enkla mannen på gatan ha statistik kan jag se att det ev. är vad jag kanske skulle ge honom också i high value data ev. världens största samling av denna form av statistik (jag tror ej den är störst men jag vet ingenting känt som är större). Jag inser förövrigt att jag nog är juridiskt såväl som moraliskt hindrad här. Någon form av licensfil kring något jag nu minns som råkade samplas ner. Dessutom kanske privacy känslat data finns i det läckande ut i statistiken.Att bedöma någon av dessa risker är föga görligt för mig. Så just här känns det som jag tråkigt nog ej kommer dela datat.

I skam över att Uppsala Kommun i år hade reducerat gratis flaggorna på Nationaldagen i storlek såväl som kvalitet (dåligt papper med sugrörs-pinne besvärande liten till och med för alla annat än små barn och fullständigt olämpliga för en vuxen) påminner jag om Sverige-grafen jag längre tillbaka i slutet av "level I" sampling av just datat här (i ordningen samplingsprojekt cirka 15 - 17 när level I inleds - varande det näst sista).

Så vi avslutar med att minnas och se att jag om någon är generös med mitt data såväl som räckande ut en hjälpande hand till den svenska medborgaren protesterande detta fflagg-övergrepp. Är det så här Sveriges barn ska behöva växa upp? Svultna på sin historia, hembygden och utan den lugna trygghet i sin nationella identitet nödvändig för att minska risken för irrationella uttryck av främlingsgfientlighet och osund nationalism när de blir äldre? Är ingen mer vågat försvara vår gemensamma framtid? Ska den helt säljas ut till utlandet? Har ingen mer än stigit upp för att dela sin Sverige-graf tryggande barnen och Sveriges framtid? När ska denna girighet data såväl som småslantar för barenns Nationaldag sluta? Är Sverige-grafen Sverigens enda utbildning för våra kommande generationer i statistik om vad vi svenskar är? Så länge jag lever ska Sverige-grafen vara fortsatt svensk tillgänglig för Sveriges läraktiga och matematik-intresserade barn.

Grafer från "Bulldozer / Airlifter eran"

För att samla diverse ögonblicksbilder från Bulldozer och Airlifter dataexporten.

Grafer och diagram i WikiMedia (2013-06-23)

Grafer och diagram i WikiMedia II: Barack Obama ritad (2013-06-25)

Årsintensitet från Wikipedia infoboxar (2013-07-02)

2010-05-06 bland politiker, brittiska val, ubåtar, musik och burmesiska partier (2013-07-02)

Ibland kan jag få ut troligen ganska sunt rent personligt upplevt värde av att framställa något som lite enklare än det nödvändigtvis är. Mindre från föreställd plåga av andra i deras möte med plattformarnas begränsningar och mer för motivera till att skapa bidra till viktigt gemensamt värde genom att skapa en motiverad användarbas som engagerar sig i dom mer än jag riktigt kan se som görligt i bredd och bidra till ett visa på intressanta kunskapsbyggande roligt visuella projekt för ungdomar som leder dem in till produktiva yrken där jag kan se att bygga upp visualiseringar kodstyrt från mångdimensionellt data är både spännande, lärorikt och tillväxt genererande.

Möjligen kan jag ha gjort det för dom två första inläggen besparande läsare tid som kanske inte är intresserad av att göra rent av väldigt mycket mer än vad som direkt framgår i inläggen. Däremot inte sagt att WikiMedia var en vek plattform att lägga kodstyrd visualiseringar på. Tvärtom presterande den många gånger över vad jag förväntat mig och det finns diverse bra subsystem att lägga in utan att man själv behöver kapsla in något också. Men det är inte riktigt som Excell eller i närheten av det besparande kanske en del en hel del tid.

Grafer och diagram i WikiMedia

Det visade sig lättare - och WikiMedia ("Wikipedia-plattformen") känns som en ganska mogen plattform som ofta antagligen klarar mycket mer i affärslogik och presentation än för de användningsområden som den normalt används för - både för installation och språk-syntax att uttrycka de färdiga graf-koncepten (återknytande till förberedande diskussionen om visuellt språk som bl.a, har berört just representationen av data som annars är mycket mer tidsödande att ta till sig). Nedan ett enkelt hand-gjort exempel för att kontrollera syntax:

KLICKA BILDEN FÖR ATT SE DEN I KORREKT-STORLEK TYDLIGARE

Två användningar gäller i första hand. Dels att representera mer varaktiga relationer från det koncept representationen sidan uttrycker har med andra koncept (viktigast från resp. till allt mänskligt oavsett person, företag, "grupp" (ex. tribe, lösare subkulturer med absolut sista tänkbara gräns till organisation innan medlemslistor finns), organisationer... därför anslutande användning två de är agerande taktiskt eller via instrument åtminstone strategiskt).

Utmaningen där blir storleken - att det ska gå att se - mängden relationer mellan konceptet - de ska gå att urskilja. Erfarenheten från en inte helt olik visualisering men väsentligt större än någonsin aktuellt här för mängden koncept och relationerna mellan dem som gjordes i test-körningar med Cuttlefish är att det går att positionera också väldigt många även om just Cuttlefish hade oerhört svårt med beräkningskostnaden ("Java jar-plattformen" och hur koden eller biblioteken hanterade graferna var åtminstone avsevärt del av problemen och bottnade ut redan vid cirka 10 - 15 tusen koncept när antalet relationer skärs till kanske de 10 till 30 viktigaste).

Men hellre än att engagera mig alls i positionering vilket är poängen med lösningar som Cuttlefish ser jag mer initialt att hålla nere antalet koncept per representationer något så när rimligt. Kanske maximalt 100 till 500 koncept och förutom det initialt lita på förstoringsfunktionerna i webbläsare. Det går ju dessutom att initiera fokus-punkter m.m. länkade egenskaper i bildkomponenter.

En hårt filtrerad representation av President Obama endast avseende personer eller vissa institutionella roller genererings-koden inte terminerar än i alla fall har vi nedan. Också är en del sekundära koncept existerande flera av personerna Obama ansluter till med (delvis relaterat termineringen) för att ta fram samband annars krävande mycket mer för att illustrera. För ex. Leader of ser vi också att optimering i mängd blir möjligt genom gemensamma bredare koncept möjliga.

abdul kallon HAS_APPOINTER barack obama
adalberto jordan HAS_APPOINTER barack obama
adalberto jordan HAS_ROLE united states district court for the southern district of florida
alan bersin HAS_PRESIDENT barack obama
alan solomont HAS_PRESIDENT barack obama
alejandro daniel wolff HAS_PRESIDENT barack obama
alexander arvizu HAS_PRESIDENT barack obama
alyssa mastromonaco HAS_POLITICAL_ROLE white house deputy chief of staff
alyssa mastromonaco HAS_PRESIDENT barack obama
alyssa mastromonaco HAS_ROLE white house deputy chief of staff
andrew saul HAS_PRESIDENT barack obama
aneesh chopra HAS_PRESIDENT barack obama
aneesh chopra HAS_SUCCESSOR todd park
anita dunn HAS_POLITICAL_ROLE white house communications director
anita dunn HAS_PRESIDENT barack obama
anita dunn HAS_ROLE white house communications director
anita dunn HAS_SUCCESSOR daniel pfeiffer
anne tompkins HAS_APPOINTER barack obama
arne duncan HAS_PRESIDENT barack obama
arne duncan HAS_ROLE united states secretary of education
arne duncan HAS_SUCCESSOR ron huberman
arturo valenzuela HAS_PRESIDENT barack obama
ashton carter HAS_POLITICAL_ROLE united states deputy secretary of defense
ashton carter HAS_PRESIDENT barack obama
ashton carter HAS_ROLE united states deputy secretary of defense
ashton carter HAS_SUCCESSOR frank kendall iii
austan goolsbee HAS_PRESIDENT barack obama
barack obama HAS_FAMILY madelyn dunham
barack obama HAS_FAMILY maya soetoro-ng
barack obama HAS_FAMILY michelle obama
barack obama HAS_SUCCESSOR kwame raoul
barack obama HAS_SUCCESSOR roland burris
barack obama HAS_VICE_PRESIDENT joe biden
barack obama HAS_WIFE michelle obama
barack obama LEADER_OF abdul kallon
barack obama LEADER_OF adalberto jordan
barack obama LEADER_OF alan bersin
barack obama LEADER_OF alan solomont
barack obama LEADER_OF alejandro daniel wolff
barack obama LEADER_OF alexander arvizu
barack obama LEADER_OF alyssa mastromonaco
barack obama LEADER_OF andrew saul
barack obama LEADER_OF aneesh chopra
barack obama LEADER_OF anita dunn
barack obama LEADER_OF anne tompkins
barack obama LEADER_OF arne duncan
barack obama LEADER_OF arturo valenzuela
barack obama LEADER_OF ashton carter
barack obama LEADER_OF austan goolsbee
barack obama LEADER_OF barbara milano keenan
barack obama LEADER_OF ben bernanke
barack obama LEADER_OF bob graham
barack obama LEADER_OF brad pfaff
barack obama LEADER_OF brian anthony jackson
barack obama LEADER_OF cameron munter
barack obama LEADER_OF capricia marshall
barack obama LEADER_OF carol browner
barack obama LEADER_OF cass sunstein
barack obama LEADER_OF catherine eagles
barack obama LEADER_OF charlene honeywell
barack obama LEADER_OF charles rivkin
barack obama LEADER_OF cheryl mills
barack obama LEADER_OF chris lu
barack obama LEADER_OF christina romer
barack obama LEADER_OF chuck hagel
barack obama LEADER_OF craig fugate
barack obama LEADER_OF craig roberts stapleton
barack obama LEADER_OF cristeta comerford
barack obama LEADER_OF cyrus amir-mokri
barack obama LEADER_OF dan rooney
barack obama LEADER_OF dan tangherlini
barack obama LEADER_OF daniel inouye
barack obama LEADER_OF daniel pfeiffer
barack obama LEADER_OF daniel poneman
barack obama LEADER_OF daniel tarullo
barack obama LEADER_OF david adelman
barack obama LEADER_OF david axelrod
barack obama LEADER_OF david ferriero
barack obama LEADER_OF david gompert
barack obama LEADER_OF david huebner
barack obama LEADER_OF david petraeus
barack obama LEADER_OF david plouffe
barack obama LEADER_OF david thorne
barack obama LEADER_OF denis mcdonough
barack obama LEADER_OF denny chin
barack obama LEADER_OF diana farrell
barack obama LEADER_OF don beyer
barack obama LEADER_OF donald berwick
barack obama LEADER_OF donald gips
barack obama LEADER_OF donald lu
barack obama LEADER_OF donetta davidson
barack obama LEADER_OF douglas kmiec
barack obama LEADER_OF douglas shulman
barack obama LEADER_OF earl anthony wayne
barack obama LEADER_OF eduardo aguirre
barack obama LEADER_OF edwin kneedler
barack obama LEADER_OF eileen donahoe
barack obama LEADER_OF eileen rominger
barack obama LEADER_OF elena kagan
barack obama LEADER_OF elizabeth erny foote
barack obama LEADER_OF elizabeth warren
barack obama LEADER_OF ellen lipton hollander
barack obama LEADER_OF ellen moran
barack obama LEADER_OF ellen tauscher
barack obama LEADER_OF eric holder
barack obama LEADER_OF eric shinseki
barack obama LEADER_OF ertharin cousin
barack obama LEADER_OF esther olavarria
barack obama LEADER_OF esther salas
barack obama LEADER_OF eugene louis dodaro
barack obama LEADER_OF evan wallach
barack obama LEADER_OF fay hartog-levin
barack obama LEADER_OF francis collins
barack obama LEADER_OF fred hochberg
barack obama LEADER_OF gary feinerman
barack obama LEADER_OF gary gensler
barack obama LEADER_OF gary locke
barack obama LEADER_OF gene sperling
barack obama LEADER_OF gil kerlikowske
barack obama LEADER_OF gloria navarro
barack obama LEADER_OF greg craig
barack obama LEADER_OF gregory jaczko
barack obama LEADER_OF harold hongju koh
barack obama LEADER_OF heather higginbottom
barack obama LEADER_OF heather zichal
barack obama LEADER_OF henry franklin floyd
barack obama LEADER_OF hilda solis
barack obama LEADER_OF hillary rodham clinton
barack obama LEADER_OF howard koh
barack obama LEADER_OF howard schmidt
barack obama LEADER_OF hugo llorens
barack obama MARRIED_TO michelle obama
barbara milano keenan HAS_APPOINTER barack obama
barbara milano keenan HAS_SUCCESSOR bill mims
ben bernanke HAS_POLITICAL_ROLE chairman of the federal reserve
ben bernanke HAS_PRESIDENT barack obama
ben bernanke HAS_ROLE chairman of the federal reserve
ben bernanke HAS_SUCCESSOR edward lazear
ben bernanke SUCCESSOR_OF alan greenspan
bill clinton HAS_MEMBER bill clinton
bill clinton LEADER_OF alan greenspan
bill clinton LEADER_OF carol browner
bill clinton LEADER_OF eric holder
bill clinton LEADER_OF eric shinseki
bill clinton LEADER_OF gary gensler
bill clinton LEADER_OF gene sperling
bill clinton LEADER_OF harold hongju koh
bill clinton PRESIDENT_OF alan greenspan
bob graham HAS_PRESIDENT barack obama
bob graham HAS_SUCCESSOR mel martinez
bob graham HAS_SUCCESSOR wayne mixson
brad owen HAS_GOVERNOR christine gregoire
brad owen HAS_GOVERNOR gary locke
brad pfaff HAS_PRESIDENT barack obama
brian anthony jackson HAS_APPOINTER barack obama
cameron munter HAS_PRESIDENT barack obama
capricia marshall HAS_PRESIDENT barack obama
carol browner HAS_PRESIDENT barack obama
carol browner HAS_PRESIDENT bill clinton
carol browner HAS_ROLE administrator of the environmental protection agency
carol browner HAS_SUCCESSOR christine todd whitman
cass sunstein HAS_PRESIDENT barack obama
catherine eagles HAS_APPOINTER barack obama
charlene honeywell HAS_APPOINTER barack obama
charles rivkin HAS_PRESIDENT barack obama
charles rivkin HAS_ROLE united states ambassador to monaco
cheryl mills HAS_PRESIDENT barack obama
chris lu HAS_PRESIDENT barack obama
christina romer HAS_PRESIDENT barack obama
christina romer HAS_SUCCESSOR austan goolsbee
christine gregoire HAS_GOVERNOR gary locke
christine gregoire LEADER_OF brad owen
chuck hagel HAS_PRESIDENT barack obama
chuck hagel HAS_PRESIDENT ronald reagan
craig fugate HAS_PRESIDENT barack obama
craig roberts stapleton HAS_PRESIDENT barack obama
craig roberts stapleton HAS_SUCCESSOR charles rivkin
cristeta comerford HAS_PRESIDENT barack obama
cyrus amir-mokri HAS_PRESIDENT barack obama
dan rooney HAS_PRESIDENT barack obama
dan rooney HAS_WIKI_CATEGORY rooney family
dan tangherlini HAS_PRESIDENT barack obama
dan tangherlini NAMED_ENTITY_DIM general manager
daniel inouye HAS_PRESIDENT barack obama
daniel inouye HAS_ROLE president pro tempore of the united states senate
daniel inouye HAS_SUCCESSOR birch bayh
daniel inouye HAS_SUCCESSOR jay rockefeller
daniel inouye HAS_SUCCESSOR john mccain
daniel pfeiffer HAS_POLITICAL_ROLE white house communications director
daniel pfeiffer HAS_PRESIDENT barack obama
daniel pfeiffer HAS_ROLE white house communications director
daniel poneman HAS_PRESIDENT barack obama
daniel tarullo HAS_PRESIDENT barack obama
david adelman HAS_PRESIDENT barack obama
david axelrod HAS_PRESIDENT barack obama
david axelrod HAS_ROLE senior advisor to the president
david axelrod HAS_SUCCESSOR david plouffe
david axelrod SUCCESSOR_OF barry steven jackson
david ferriero HAS_POLITICAL_ROLE archivist of the united states
david ferriero HAS_PRESIDENT barack obama
david ferriero HAS_ROLE archivist of the united states
david gompert HAS_PRESIDENT barack obama
david gompert SUCCESSOR_OF donald kerr
david huebner HAS_PRESIDENT barack obama
david petraeus HAS_POLITICAL_ROLE director of the central intelligence agency
david petraeus HAS_PRESIDENT barack obama
david petraeus HAS_ROLE director of the central intelligence agency
david plouffe HAS_PRESIDENT barack obama
david plouffe HAS_ROLE senior advisor to the president
david thorne HAS_PRESIDENT barack obama
denis mcdonough HAS_PRESIDENT barack obama
denis mcdonough HAS_ROLE deputy national security advisor
denny chin HAS_APPOINTER barack obama
diana farrell HAS_PRESIDENT barack obama
don beyer HAS_POLITICAL_ROLE lieutenant governor of virginia
don beyer HAS_PRESIDENT barack obama
don beyer HAS_ROLE lieutenant governor of virginia
don beyer SUCCESSOR_OF douglas wilder
donald berwick HAS_PRESIDENT barack obama
donald gips HAS_PRESIDENT barack obama
donald lu HAS_PRESIDENT barack obama
donetta davidson HAS_PRESIDENT barack obama
donetta davidson HAS_ROLE secretary of state of colorado
douglas kmiec HAS_PRESIDENT barack obama
douglas kmiec HAS_PRESIDENT ronald reagan
douglas shulman HAS_POLITICAL_ROLE commissioner of internal revenue
douglas shulman HAS_PRESIDENT barack obama
douglas shulman HAS_ROLE commissioner of internal revenue
earl anthony wayne HAS_POLITICAL_ROLE united states ambassador to afghanistan
earl anthony wayne HAS_PRESIDENT barack obama
earl anthony wayne HAS_ROLE united states ambassador to afghanistan
eduardo aguirre HAS_PRESIDENT barack obama
eduardo aguirre HAS_SUCCESSOR alan solomont
edward lazear HAS_SUCCESSOR christina romer
edwin kneedler HAS_PRESIDENT barack obama
edwin kneedler HAS_SUCCESSOR elena kagan
eileen donahoe HAS_PRESIDENT barack obama
eileen rominger HAS_PRESIDENT barack obama
elena kagan HAS_APPOINTER barack obama
elena kagan HAS_PRESIDENT barack obama
elena kagan HAS_ROLE dean of harvard law school
elena kagan HAS_SUCCESSOR martha minow
elena kagan HAS_SUCCESSOR neal katyal
elizabeth erny foote HAS_APPOINTER barack obama
elizabeth warren HAS_PRESIDENT barack obama
elizabeth warren HAS_SUCCESSOR raj date
elizabeth warren HAS_SUCCESSOR ted kaufman
ellen lipton hollander HAS_APPOINTER barack obama
ellen moran HAS_POLITICAL_ROLE white house communications director
ellen moran HAS_PRESIDENT barack obama
ellen moran HAS_ROLE white house communications director
ellen moran HAS_SUCCESSOR anita dunn
ellen tauscher HAS_PRESIDENT barack obama
ellen tauscher HAS_SUCCESSOR john garamendi
ellen tauscher HAS_SUCCESSOR rose gottemoeller
eric holder HAS_PRESIDENT barack obama
eric holder HAS_PRESIDENT bill clinton
eric holder HAS_ROLE united states attorney for the district of columbia
eric holder HAS_SUCCESSOR larry thompson
eric shinseki HAS_POLITICAL_ROLE united states secretary of veterans affairs
eric shinseki HAS_PRESIDENT barack obama
eric shinseki HAS_PRESIDENT bill clinton
eric shinseki HAS_ROLE chief of staff of the united states army
eric shinseki HAS_ROLE united states secretary of veterans affairs
eric shinseki HAS_ROLE vice chief of staff of the united states army
eric shinseki HAS_SUCCESSOR jack keane
eric shinseki HAS_SUCCESSOR peter schoomaker
eric shinseki NAMED_ENTITY_DIM chief of staff
ertharin cousin HAS_PRESIDENT barack obama
ertharin cousin HAS_WIKI_CATEGORY african american women in politics
ertharin cousin SUCCESSOR_OF gaddi vasquez
esther olavarria HAS_PRESIDENT barack obama
esther salas HAS_APPOINTER barack obama
esther salas HAS_ROLE united states district court for the district of new jersey
eugene louis dodaro HAS_POLITICAL_ROLE comptroller general of the united states
eugene louis dodaro HAS_PRESIDENT barack obama
eugene louis dodaro HAS_ROLE comptroller general of the united states
evan wallach HAS_APPOINTER barack obama
fay hartog-levin HAS_PRESIDENT barack obama
francis collins HAS_PRESIDENT barack obama
fred hochberg HAS_PRESIDENT barack obama
gary feinerman HAS_APPOINTER barack obama
gary gensler HAS_PRESIDENT barack obama
gary gensler HAS_PRESIDENT bill clinton
gary locke HAS_POLITICAL_ROLE king county executive
gary locke HAS_POLITICAL_ROLE united states secretary of commerce
gary locke HAS_PRESIDENT barack obama
gary locke HAS_ROLE king county executive
gary locke HAS_ROLE united states secretary of commerce
gary locke HAS_SUCCESSOR christine gregoire
gary locke HAS_SUCCESSOR rebecca blank
gary locke HAS_SUCCESSOR ron sims
gary locke LEADER_OF brad owen
gary locke LEADER_OF christine gregoire
gary locke SUCCESSOR_OF carlos gutierrez
gene sperling HAS_PRESIDENT barack obama
gene sperling HAS_PRESIDENT bill clinton
gil kerlikowske HAS_PRESIDENT barack obama
gloria navarro HAS_APPOINTER barack obama
gloria navarro SUCCESSOR_OF brian sandoval
greg craig HAS_POLITICAL_ROLE white house counsel
greg craig HAS_PRESIDENT barack obama
greg craig HAS_ROLE white house counsel
greg craig HAS_SUCCESSOR robert bauer
gregory jaczko HAS_PRESIDENT barack obama
harold hongju koh HAS_PRESIDENT barack obama
harold hongju koh HAS_PRESIDENT bill clinton
harold hongju koh HAS_SUCCESSOR kate stith
heather higginbottom HAS_PRESIDENT barack obama
heather zichal HAS_PRESIDENT barack obama
henry franklin floyd HAS_APPOINTER barack obama
henry franklin floyd SUCCESSOR_OF dennis shedd
hilda solis HAS_POLITICAL_ROLE united states secretary of labor
hilda solis HAS_PRESIDENT barack obama
hilda solis HAS_ROLE united states secretary of labor
hilda solis HAS_SUCCESSOR judy chu
hilda solis HAS_SUCCESSOR martin gallegos
hilda solis HAS_SUCCESSOR xavier becerra
hilda solis SUCCESSOR_OF diane watson
hilda solis SUCCESSOR_OF elaine chao
hillary rodham clinton HAS_POLITICAL_ROLE united states secretary of state
hillary rodham clinton HAS_PRESIDENT barack obama
hillary rodham clinton HAS_ROLE united states secretary of state
hillary rodham clinton SUCCESSOR_OF barbara bush
hillary rodham clinton SUCCESSOR_OF condoleezza rice
howard koh HAS_PRESIDENT barack obama
howard schmidt HAS_PRESIDENT barack obama
hugo llorens HAS_PRESIDENT barack obama
hugo llorens HAS_SUCCESSOR lisa kubiske
kwame raoul HAS_WIKI_CATEGORY depaul university alumni
kwame raoul SUCCESSOR_OF illinois senate career of barack obama
laura bush HAS_SUCCESSOR michelle obama
madelyn dunham HAS_FAMILY barack obama
madelyn dunham KNOWN_FOR barack obama
maya soetoro-ng HAS_ETHNICITY indonesian american
maya soetoro-ng HAS_FAMILY barack obama
michelle obama HAS_FAMILY barack obama
michelle obama HAS_HUSBAND barack obama
michelle obama MARRIED_TO barack obama
roland burris HAS_APPOINTER rod blagojevich
roland burris HAS_GOVERNOR jim edgar
roland burris HAS_POLITICAL_ROLE illinois attorney general
roland burris HAS_ROLE illinois attorney general
roland burris HAS_ROLE illinois comptroller
roland burris HAS_SUCCESSOR dawn clark netsch
white house counsel POLITICAL_ROLE_OF robert bauer

Vidare är det ju önskarvärt att illustrera en del roller och egenskaper som medtaget i utvecklingsskissen. För Obama är det ju lätt givet att alla anslutningar som ej är FAMILY ROLL är relaterat för vad som inte behöver filtreras övergripande nuvarande politiska mest imperativa roll.

Nedan dessa i text-utskrift vilka jag hoppas ska gå att filtrera ner så att de är fungerande i grafen med vad som slutar med en rund-fylld-boll. På själva konceptet om övergripande gällande i kontext eller på boxar som beskriver relationen (ex. HAS_OWNER) när huvudsakligen eller helt avseende kontext mellan dem.

FACTS
 BROADER 
  presidents of the united states
   candidates for president of the united states
   executive heads of state
   federal political office-holders in the united states
   heads of government by country
   heads of state of the united states
   presidency of the united states
   presidents by country
 BROADER 
  wikipedia categories named after american politicians
 GENDER  male

FAMILY_ROLE
 father
 husband

PROPERTIES
 TIME  activeYearsEndDate 2004-11-04 date
 TIME  activeYearsEndDate 2008-11-16 date
 TIME  activeYearsStartDate 1997-01-08 date
 TIME  activeYearsStartDate 2005-01-03 date
 TIME  activeYearsStartDate 2009-01-20 date
 TIME  birthDate 1961-08-04 date
 office  Member of the Illinois Senate GENERIC
 office  from the 13th District GENERIC
 orderInOffice  44th GENERIC
 orderInOffice  President of the United States GENERIC
 seniority  United States Senate GENERIC

ROLES
 academician
 alumnus
 author
 laureate
 lawyer
 leader
 narrator
 officeholder
 organizer
 politician
 president
 scholar
 senator
 state senator
 statesman
 writer

Användning två avser fortlöpande händelser inkluderande personen resp. i första-hand andra koncept som kan agera eller potentiellt kommer agera (ex. om Obama glömmer bort att se till att Bo blir regelbundet rastad när han är i Europa är kanske den potentiella reaktionen att uttrycka en emotionell distans och ett avståndstagande att förvänta när Obama kommer hem - och kanske lättar han sitt hjärta för lämplig republikansk politiker med många åhörare bland väljare som tycker familj inkl. hund är viktigt). D.v.s. parsning av nyheter efter händelse-samband. Skissen ligger konceptuellt närmast dessa liksom mer avgränsande "förstoringar" under egna rubriker för fall ett.

Viktigare fall två är ju att ge en snabb-ingång till att se samband att följa upp och att övergripande förstå förändringar vi ser för konceptet (ex. att Bo mycket mer uttrycker negativa åsikter om Obamas idéer och förståelse om familjepolitik reducerande Obamas stöd bland hundar resp. hundägare).

Att addera och lägga till färdiga bild-koncept går ju också och kan tänkas underlätta större representationer särskilt när de får länka vidare en annan graf berörande avgränsande frågan. För emotionellt negativt laddad pay-load riktad mot Obama i battlefield känslor med Bo som avsändare kanske den tidigare använda bilden kan användas.

Eller något praktiskt och i emotionell association på alla sätt enklare en enkel smiley.

Ett till exempel på visualiseringar som bidrar lite till tolkningen av vad vi uttrycker utanför det lämpliga för sådan här användning.

Visuellt språk

Oväntad emergence i aktions-relaterade händelser
Att styra läsarens tolkning dit önskat med två bilder istället för en
Affisch-budskapet: Fånga uppmärksamet (blodig säl), låt smärtan kännas (barnen sticker de döende sälungarna med pinnar), etablera hind-sight bias-slutsats (fabriken mass-mördar) och sätt primacy effect till "AGERA! AGERA ÄR COOLT!"
Kraftdans
Kraftdans: Rond II
Att visualisera en situation utanför det direkt spatiella rummet
Visuellt språk?
Visuellt språk: Tips bok (kostnadsfri) algoritmer och datarepresentation och en del vanliga standarder eller framverk
Kinesisk hyllning till råttans roll i visuell-propaganda
Att skapa svenskt värde för teknik-företag via särskilda internationella informationskanaler (fallstudie Technology Review)
Att visualisera en situation utanför det direkt spatiella rummet
Visuellt språk: Kräftan och enkla modell-koncept
Slagfält bild på vägen till revolution