Información administrativa
| Título | Análisis de datos exploratorios |
| Duración | 60 |
| Módulo | A |
| Tipo de lección | Conferencia |
| Enfoque | Técnico — Fundamentos de la IA |
| Tema | Análisis de datos exploratorios |
Keywords
Exploración de datos, T-SNE, PCA,
Objetivos de aprendizaje
- El alumno conoce los tipos básicos de gráficos y sabe cuándo usarlos.
- El alumno puede usar visualizaciones para investigar una distribución de variables.
- El alumno puede verificar las dependencias entre variables mediante la visualización.
- Learner es capaz de visualizar un conjunto de datos de alta dimensión utilizando PCA y T-SNE.
Preparación prevista
Eventos de aprendizaje que se completarán antes
Ninguno.
Obligatorio para los estudiantes
- Leer el blog Usando T-SNE en Python para visualizar conjuntos de datos de alta dimensión (alternativa)
- Lea el capítulo 4 del Manual de Ciencia de Datos de Python
Opcional para estudiantes
Ninguno.
Referencias y antecedentes para estudiantes
Ninguno.
Recomendado para profesores
- En la visualización de conjuntos de datos de alta dimensión: Uso de T-SNE en Python
- Capítulo 4 del Manual de Ciencia de Datos de Python
Material didáctico
Instrucciones para profesores
Esta conferencia se centra en la visualización de datos como parte del proceso de Análisis de Datos Exloratorios (EDA). Por lo tanto, no cubre la visualización de datos para, por ejemplo, contar historias y presentaciones.
Temas a cubrir
- Introducción a la visualización de datos (5 min)
- Objetivos de las visualizaciones de datos (EDA, storytelling)
- Qué gráfico utilizar para qué problema (15 min)
- Tipos de gráficos y su uso
- Cómo elegir el gráfico correcto
- Do’s y Dont’s
- Verifique las variables (in)dependientes (10 min)
- Visualización de datos de alta dimensión (20 min)
- PCA
- T-SNE
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».