Build your ultimate AI agent
Descrição do curso
Uma ótima visualização de dados é a base de uma ciência de dados impactante. Visualizar ajuda você tanto a encontrar insights nos dados quanto a compartilhar essas descobertas com seu público. Todo mundo aprende a fazer um gráfico de dispersão ou de barras básico na jornada para se tornar cientista de dados, mas o verdadeiro potencial da visualização aparece quando você dá um passo atrás e pensa no que, por que e como está visualizando seus dados. Neste curso, você vai aprender a construir visualizações atraentes e convincentes que ajudam a comunicar os resultados das suas análises de forma rápida e eficaz. Vamos abordar comparação de dados, os prós e contras do uso de cores, como mostrar incerteza e como criar a visualização certa para o seu público, investigando conjuntos de dados sobre poluição do ar nos EUA e feiras de produtores. Encerramos o curso examinando dados abertos de feiras de produtores para construir um relatório visual caprichado e impactante.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Destaque seus dados
Como mostrar todos os seus dados sem deixar que quem vê perca pontos importantes? Aqui, falamos sobre como orientar o leitor pelos dados com destaques baseados em cor e texto. Também apresentamos um conjunto de dados sobre valores de poluentes comuns nos Estados Unidos.
- Destacando dados50 XP
- Definindo um destaque no código100 XP
- Criando um destaque programaticamente100 XP
- Comparando grupos50 XP
- Comparando com dois KDEs100 XP
- Aprimorando seus KDEs100 XP
- Beeswarms100 XP
- Anotações50 XP
- Uma anotação de texto básica100 XP
- Anotações com setas100 XP
- Combinando anotações e cores100 XP
2
Usando cores nas suas visualizações
A cor é uma ferramenta poderosa para codificar valores em visualizações de dados. Porém, com esse poder vêm riscos. Neste capítulo, falamos sobre como escolher uma paleta de cores apropriada para sua visualização de acordo com o tipo de dado exibido.
3
Mostrando a incerteza
A incerteza aparece em toda parte em Data Science, mas frequentemente fica de fora de visualizações onde deveria estar. Aqui, revisamos o que é um intervalo de confiança e como visualizá-lo tanto para estimativas pontuais quanto para funções contínuas. Além disso, discutimos a técnica de reamostragem bootstrap para avaliar a incerteza e como visualizá-la corretamente.
4
Visualização no fluxo de trabalho de Data Science
Muitas vezes a visualização é ensinada de forma isolada, com boas práticas discutidas só de maneira geral. Na prática, você vai precisar flexibilizar as regras conforme o cenário. De visualizações exploratórias bagunçadas ao ajuste dos tamanhos de fonte do seu produto final, neste capítulo vamos ver como otimizar suas visualizações em cada etapa do fluxo de trabalho de Data Science.
Aprimorando suas visualizações de dados em Python
Curso
concluído
