Build your ultimate AI agent
Opis kursu
Dobra wizualizacja danych to fundament skutecznej analizy. Pomaga zarówno odkrywać wnioski ukryte w danych, jak i przekazywać je odbiorcom w przejrzysty sposób. Każdy na swojej drodze do zostania analitykiem danych uczy się tworzyć podstawowe wykresy punktowe czy słupkowe – jednak prawdziwy potencjał wizualizacji ujawnia się dopiero wtedy, gdy zatrzymasz się i zastanowisz: co, dlaczego i jak chcesz zwizualizować. W tym kursie nauczysz się tworzyć atrakcyjne i przekonujące wizualizacje, które pozwalają komunikować wyniki analiz w sposób jasny i efektywny. Omówimy porównywanie danych, zasady doboru kolorów, prezentowanie niepewności oraz dobieranie odpowiedniego rodzaju wykresu do konkretnej grupy odbiorców – na przykładach zbiorów danych dotyczących zanieczyszczenia powietrza w USA oraz targów rolniczych. Kurs zakończymy budowaniem dopracowanego raportu wizualnego na podstawie otwartych danych o targach rolniczych.
Wymagania wstępne
Program kursu
Plan kursu
1
Wyróżnianie danych
Jak pokazać wszystkie dane i jednocześnie zadbać o to, żeby odbiorca nie przeoczył ważnych punktów? W tym rozdziale omawiamy, jak kierować uwagą odbiorcy za pomocą kolorowych wyróżnień i adnotacji tekstowych. Poznasz też zbiór danych dotyczący poziomów typowych zanieczyszczeń w Stanach Zjednoczonych.
- Wyróżnianie danych50 XP
- Wyróżnianie na stałe100 XP
- Programowe tworzenie wyróżnienia100 XP
- Porównywanie grup50 XP
- Porównanie za pomocą dwóch KDE100 XP
- Ulepszanie wykresów KDE100 XP
- Wykresy roju punktów100 XP
- Adnotacje50 XP
- Podstawowa adnotacja tekstowa100 XP
- Adnotacje ze strzałką100 XP
- Łączenie adnotacji i kolorów100 XP
2
Kolor w wizualizacjach
Kolor to potężne narzędzie do kodowania wartości w wizualizacjach danych. Używany nieumiejętnie, może jednak wprowadzać w błąd. W tym rozdziale omawiamy, jak dobrać odpowiednią paletę kolorów do wizualizacji w zależności od rodzaju prezentowanych danych.
3
Pokazywanie niepewności
Niepewność towarzyszy każdej analizie danych, a mimo to rzadko pojawia się w wizualizacjach – choć powinna. W tym rozdziale przypomnimy, czym jest przedział ufności, i pokażemy, jak go wizualizować zarówno dla pojedynczych estymatorów, jak i funkcji ciągłych. Omówimy też technikę bootstrap do oceny niepewności oraz sposoby jej poprawnego przedstawiania na wykresach.
4
Wizualizacja w procesie analizy danych
Wizualizacja jest często nauczana w oderwaniu od kontekstu, a dobre praktyki omawiane jedynie ogólnie. W rzeczywistości trzeba je dostosowywać do konkretnych sytuacji. Od wstępnych, roboczych wykresów eksploracyjnych po dopracowanie rozmiarów czcionek w finalnym produkcie – w tym rozdziale przyjrzymy się, jak optymalizować wizualizacje na każdym etapie procesu analizy danych.
Ulepszanie wizualizacji danych w Pythonie
Kurs
ukończony
