Build your ultimate AI agent
Описание курса
Качественная визуализация данных — основа эффективной науки о данных. Она помогает находить закономерности в данных и доносить результаты до аудитории. Каждый, кто изучает Data Science, рано или поздно строит точечную диаграмму или столбчатый график, однако истинные возможности визуализации открываются тогда, когда вы задаёте себе вопросы: что, зачем и как вы показываете. В этом курсе вы научитесь создавать выразительные и привлекательные визуализации, которые помогут чётко и убедительно представить результаты анализа. Мы рассмотрим сравнение данных, работу с цветом, отображение неопределённости и выбор подходящей визуализации для конкретной аудитории — на примере наборов данных о загрязнении воздуха в США и фермерских рынках. В завершение курса мы создадим отполированный и наглядный визуальный отчёт на основе открытых данных о фермерских рынках.
Предварительные требования
Программа
Структура курса
1
Выделение данных
Как показать все данные и при этом не упустить важное? В этой главе мы рассмотрим, как направлять внимание зрителя с помощью цветовых выделений и текстовых аннотаций. Также мы познакомимся с набором данных о концентрации распространённых загрязнителей воздуха по всей территории США.
2
Использование цвета в визуализациях
Цвет — мощный инструмент кодирования значений в визуализации данных. Однако его неправильное использование может навредить восприятию. В этой главе мы обсудим, как выбирать подходящую цветовую палитру в зависимости от типа отображаемых данных.
3
Отображение неопределённости
Неопределённость присутствует повсюду в науке о данных, однако её нередко упускают из визуализаций, где она необходима. В этой главе мы вспомним, что такое доверительный интервал, и научимся отображать его как для отдельных оценок, так и для непрерывных функций. Кроме того, мы рассмотрим метод бутстрепа для оценки неопределённости и способы его корректной визуализации.
4
Визуализация в процессе работы с данными
Визуализацию данных нередко преподают в отрыве от реальных задач, ограничиваясь общими рекомендациями. На практике правила приходится адаптировать под конкретные условия. От черновых исследовательских диаграмм до тщательной настройки размеров шрифтов в финальном материале — в этой главе мы разберём, как оптимизировать визуализации на каждом этапе работы с данными.
Улучшение визуализации данных в Python
Курс
завершён
