Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Una buena visualización de datos es la base de una ciencia de datos con impacto. Visualizar te ayuda tanto a encontrar información en tus datos como a compartir esos hallazgos con tu audiencia. En el camino para convertirte en data scientist, todo el mundo aprende a hacer un diagrama de dispersión o un gráfico de barras básico, pero el verdadero potencial de la visualización aparece cuando te detienes a pensar qué, por qué y cómo estás visualizando tus datos. En este curso aprenderás a construir visualizaciones atractivas y convincentes que te ayuden a comunicar los resultados de tus análisis de forma eficaz y eficiente. Veremos cómo comparar datos, los pros y contras del color, cómo mostrar la incertidumbre y cómo crear la visualización adecuada para tu audiencia a partir del análisis de conjuntos de datos sobre la contaminación del aire en EE. UU. y sobre mercados de agricultores. Cerraremos el curso examinando datos de acceso abierto sobre farmers markets para crear un informe visual pulido y con impacto.
Requisitos previos
Programa de formación
Contenido del curso
1
Destacando tus datos
¿Cómo mostrar todos tus datos sin que quien vea la gráfica pase por alto un punto importante? Aquí vemos cómo guiar a la persona que observa usando resaltados basados en color y texto. También presentamos un conjunto de datos con valores de contaminantes comunes en Estados Unidos.
2
Uso del color en tus visualizaciones
El color es una herramienta potente para codificar valores en visualización de datos. Sin embargo, este poder conlleva riesgos. En este capítulo, hablamos sobre cómo elegir una paleta de color adecuada para tu visualización según el tipo de datos que muestra.
3
Mostrar la incertidumbre
La incertidumbre aparece en todas partes en Data Science, pero a menudo se omite en visualizaciones donde debería incluirse. Aquí repasamos qué es un intervalo de confianza y cómo visualizarlo tanto para estimaciones puntuales como para funciones continuas. Además, comentamos la técnica de remuestreo bootstrap para evaluar la incertidumbre y cómo visualizarla correctamente.
4
La visualización en el flujo de trabajo de Data Science
A menudo la visualización se enseña de forma aislada, con buenas prácticas tratadas solo de manera general. En la práctica, tendrás que adaptar las reglas a distintos escenarios. Desde visualizaciones exploratorias desordenadas hasta pulir el tamaño de las fuentes del producto final; en este capítulo profundizamos en cómo optimizar tus visualizaciones en cada paso del flujo de trabajo de Data Science.
Mejora tus visualizaciones de datos en Python
Curso
completado
