Build your ultimate AI agent
Kursbeskrivning
Bra datavisualisering är grunden för effektfull datavetenskap. Visualisering hjälper dig att både hitta insikter i dina data och dela dem med din publik. Alla lär sig att skapa ett enkelt spridningsdiagram eller stapeldiagram på vägen till att bli datavetare, men den verkliga potentialen i datavisualisering uppnås när du tar ett steg tillbaka och funderar på vad, varför och hur du visualiserar dina data. I den här kursen lär du dig att skapa övertygande och tilltalande visualiseringar som hjälper dig att kommunicera resultaten av dina analyser på ett effektivt sätt. Vi går igenom hur man jämför data, hur man använder färg, hur man visar osäkerhet och hur man bygger rätt visualisering för din målgrupp – med hjälp av dataset om luftföroreningar i USA och lokala marknader. Vi avslutar kursen med att undersöka öppna data om bondemarknader för att bygga en välpolerad och slagkraftig visuell rapport.
Förkunskapskrav
Kursplan
Kursöversikt
1
Lyfta fram dina data
Hur visar du alla dina data och samtidigt ser till att tittarna inte missar viktiga punkter? Här diskuterar vi hur du vägleder tittaren genom data med färgbaserade markeringar och text. Vi introducerar också ett dataset om vanliga föroreningsvärden i hela USA.
2
Använda färg i dina visualiseringar
Färg är ett kraftfullt verktyg för att koda värden i datavisualisering. Men med den kraften följer också risker. I det här kapitlet går vi igenom hur du väljer en lämplig färgpalett för din visualisering baserat på vilken typ av data den visar.
3
Visa osäkerhet
Osäkerhet förekommer överallt inom datavetenskap, men utelämnas ofta i visualiseringar där den borde ingå. Här går vi igenom vad ett konfidensintervall är och hur man visualiserar sådana för både enskilda skattningar och kontinuerliga funktioner. Vi diskuterar också bootstrap-omsamplingsmetoden för att bedöma osäkerhet och hur man visualiserar den på rätt sätt.
4
Visualisering i datavetenskapens arbetsflöde
Visualisering lärs ofta ut isolerat, med bästa praxis diskuterad enbart på ett generellt plan. I verkligheten behöver du anpassa reglerna efter olika situationer. Från röriga utforskande visualiseringar till att finjustera teckenstorlekarna i din slutprodukt – i det här kapitlet går vi igenom hur du optimerar dina visualiseringar i varje steg av ett datavetenskapligt arbetsflöde.
Förbättra dina datavisualiseringar i Python
Kurs
slutförd
