Build your ultimate AI agent
Mô tả khóa học
Trực quan hóa dữ liệu chất lượng là nền tảng của khoa học dữ liệu tạo tác động. Trực quan hóa giúp bạn vừa tìm ra insight trong dữ liệu, vừa chia sẻ những insight đó với khán giả. Trên hành trình trở thành nhà khoa học dữ liệu, ai cũng học cách vẽ biểu đồ phân tán hoặc biểu đồ cột cơ bản, nhưng tiềm năng thực sự của trực quan hóa chỉ được khai mở khi bạn dừng lại để nghĩ về cái gì, tại sao và cách bạn đang trực quan hóa dữ liệu. Trong khóa học này, bạn sẽ học cách xây dựng các hình trực quan hấp dẫn, thuyết phục để truyền đạt kết quả phân tích một cách hiệu quả và rõ ràng. Chúng ta sẽ đề cập đến so sánh dữ liệu, mọi khía cạnh của màu sắc, cách thể hiện mức độ bất định, và cách chọn đúng hình trực quan cho đúng đối tượng bằng cách khảo sát các tập dữ liệu về ô nhiễm không khí khắp Hoa Kỳ và chợ nông sản. Khóa học kết thúc với việc phân tích dữ liệu chợ nông sản mở để xây dựng một báo cáo trực quan chỉn chu và giàu tác động.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Làm nổi bật dữ liệu của bạn
Làm sao hiển thị toàn bộ dữ liệu mà vẫn đảm bảo người xem không bỏ lỡ điểm mấu chốt? Ở đây, chúng ta bàn về cách dẫn dắt người xem qua dữ liệu bằng điểm nhấn dựa trên màu sắc và văn bản. Chúng ta cũng giới thiệu một tập dữ liệu về các chỉ số chất ô nhiễm phổ biến trên khắp Hoa Kỳ.
2
Sử dụng màu sắc trong hình trực quan
Màu sắc là công cụ mạnh mẽ để mã hóa giá trị trong trực quan hóa dữ liệu. Tuy nhiên, sức mạnh đi kèm rủi ro. Trong chương này, chúng ta thảo luận cách chọn bảng màu phù hợp cho hình trực quan dựa trên loại dữ liệu mà nó thể hiện.
3
Thể hiện độ bất định
Độ bất định hiện diện ở mọi nơi trong khoa học dữ liệu, nhưng thường bị bỏ qua trong các hình trực quan nơi nó nên được thể hiện. Tại đây, chúng ta ôn lại khái niệm khoảng tin cậy và cách trực quan hóa chúng cho cả ước lượng điểm đơn lẻ lẫn các hàm liên tục. Bên cạnh đó, chúng ta thảo luận kỹ thuật lấy mẫu lại bootstrap để đánh giá độ bất định và cách trực quan hóa đúng cách.
4
Trực quan hóa trong quy trình làm việc khoa học dữ liệu
Trực quan hóa thường được dạy tách rời, với các thực hành tốt chỉ nêu ở mức khái quát. Thực tế, bạn sẽ cần linh hoạt điều chỉnh theo từng tình huống. Từ các hình thăm dò còn lộn xộn đến việc chỉnh sửa cỡ chữ cho sản phẩm cuối cùng; trong chương này, chúng ta đi sâu vào cách tối ưu trực quan hóa ở mỗi bước của quy trình khoa học dữ liệu.
Nâng cấp trực quan hóa dữ liệu của bạn với Python
Hoàn
thành khóa học
