Verwaltungsinformationen
| Titel | Explorative Datenanalyse |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technische – Grundlagen der KI |
| Themenbereich | Explorative Datenanalyse |
Suchbegriffe
Datenexploration, T-SNE, PCA,
Lernziele
- Der Lernende kennt die grundlegenden Diagrammtypen und weiß, wann er sie verwenden soll.
- Der Lernende kann Visualisierungen verwenden, um eine Variablenverteilung zu untersuchen.
- Der Lernende kann mithilfe der Visualisierung auf Abhängigkeiten zwischen Variablen überprüfen.
- Der Lernende ist in der Lage, einen hochdimensionalen Datensatz mit PCA und T-SNE zu visualisieren.
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Keine.
Obligatorisch für Studenten
- Lesen Sie den Blog mit T-SNE in Python zur Visualisierung von hochdimensionalen Datensätzen (alternativ)
- Lesen Sie Kapitel 4 des Python Data Science Handbuchs
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
Keine.
Empfohlen für Lehrer
- Zur Visualisierung hochdimensionaler Datensätze: Verwenden von T-SNE in Python
- Kapitel 4 des Python Data Science Handbuchs
Unterrichtsmaterialien
Anleitung für Lehrer
Dieser Vortrag konzentriert sich auf die Datenvisualisierung im Rahmen des Exloratory Data Analysis (EDA) Prozesses. Daher umfasst sie nicht die Datenvisualisierung zum Beispiel für Storytelling und Präsentationen.
Themen zu decken
- Einführung in die Datenvisualisierung (5 min)
- Ziele von Datenvisualisierungen (EDA, Storytelling)
- Welches Diagramm für welches Problem zu verwenden (15 min)
- Diagrammtypen und deren Verwendung
- Wie man das richtige Diagramm auswählt
- Do‚s und Dont‘s
- Prüfung auf (in)unabhängige Variablen (10 min)
- Visualisierung hochdimensionaler Daten (20 min)
- PKA
- T-SNE
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.