Über 700 Kurse zum halben Preis
Kursbeschreibung
Gute Datenvisualisierung ist das Fundament wirkungsvoller Data-Science-Arbeit. Visualisierung hilft dir, Erkenntnisse in deinen Daten zu finden und sie deinem Publikum zu vermitteln. Auf dem Weg zur Data Scientist lernt jede Person, ein einfaches Streudiagramm oder Balkendiagramm zu erstellen. Das volle Potenzial von Visualisierung entfaltet sich jedoch, wenn du einen Schritt zurücktrittst und über das Was, Warum und Wie deiner Darstellung nachdenkst. In diesem Kurs lernst du, überzeugende und ansprechende Visualisierungen zu erstellen, die deine Analyseergebnisse effizient und effektiv kommunizieren. Wir behandeln das Vergleichen von Daten, die Feinheiten von Farbe, das Darstellen von Unsicherheit und wie du für dein jeweiliges Publikum die passende Visualisierung entwickelst – anhand von Datensätzen zur Luftverschmutzung in den USA und zu Wochenmärkten. Zum Abschluss untersuchen wir offene Marktdaten, um einen stimmigen und wirkungsvollen visuellen Bericht zu erstellen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Daten hervorheben
Wie zeigst du alle deine Daten, ohne dass Betrachter wichtige Punkte übersehen? Hier besprechen wir, wie du dein Publikum mit farblichen Hervorhebungen und Text durch die Daten führst. Außerdem stellen wir einen Datensatz zu häufigen Schadstoffwerten in den Vereinigten Staaten vor.
- Daten hervorheben50 XP
- Einen Highlight hart codieren100 XP
- Hervorhebung programmatisch erstellen100 XP
- Gruppen vergleichen50 XP
- Vergleich mit zwei KDEs100 XP
- Deine KDEs verbessern100 XP
- Beeswarms100 XP
- Anmerkungen50 XP
- Eine einfache Textannotation100 XP
- Pfeil-Annotationen100 XP
- Annotationen und Farbe kombinieren100 XP
2
Farbe in deinen Visualisierungen
Farbe ist ein mächtiges Werkzeug, um Werte in Visualisierungen zu codieren. Mit dieser Macht gehen jedoch auch Risiken einher. In diesem Kapitel sprechen wir darüber, wie du – abhängig vom Datentyp – eine passende Farbpalette für deine Visualisierung auswählst.
3
Unsicherheit darstellen
Unsicherheit ist überall in der Data Science präsent, wird in Visualisierungen jedoch oft weggelassen, obwohl sie hineingehört. Hier wiederholen wir, was ein Konfidenzintervall ist und wie man es sowohl für Punktschätzungen als auch für kontinuierliche Funktionen darstellt. Zusätzlich besprechen wir die Bootstrap-Resampling-Technik zur Abschätzung von Unsicherheit und wie man sie sinnvoll visualisiert.
4
Visualisierung im Data-Science-Workflow
Oft wird Visualisierung isoliert gelehrt, und Best Practices werden nur allgemein besprochen. In der Praxis musst du die Regeln je nach Situation anpassen. Von unaufgeräumten explorativen Visualisierungen bis zum Feinschliff bei Schriftgrößen des Endprodukts: In diesem Kapitel schauen wir uns an, wie du deine Visualisierungen in jeder Phase eines Data-Science-Workflows optimierst.
So verbesserst du deine Datenvisualisierungen in Python
Kurs
abgeschlossen
