Adminisztratív információk
| Cím | Feltáró adatelemzés |
| Időtartam | 60 |
| Modul | A |
| Lecke típusa | Előadás |
| Fókusz | Technikai – A mesterséges intelligencia alapjai |
| Téma | Feltáró adatelemzés |
Kulcsszó
Adatfeltárás,T-SNE, PCA,
Tanulási célok
- A tanuló ismeri az alapvető diagramtípusokat, és tudja, hogy mikor kell használni őket.
- A tanuló vizualizációkat használhat a változók eloszlásának vizsgálatára.
- A tanuló vizualizáció segítségével ellenőrizheti a változók közötti függőségeket.
- A tanuló képes megjeleníteni egy nagy dimenziós adatkészletet PCA és T-SNE segítségével.
Várható előkészítés
Az előtt befejezendő tanulási események
Egy sem.
Kötelező a diákok számára
- Olvassa el a blogot A T-SNE használata a Pythonban a nagydimenziós adatkészletek megjelenítéséhez (alternatíva)
- Olvassa el a Python Data Science Handbook 4.fejezetét
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
Egy sem.
Ajánlott tanároknak
- A nagydimenziós adatkészletek megjelenítéséről: A T-SNE használata Pythonban
- A Python Data Science Handbook 4.fejezete
Leckeanyagok
Utasítások tanároknak
Ez az előadás az adatok vizualizációjára összpontosít az Exloratory Data Analysis (EDA) folyamat részeként. Ezért nem terjed ki az adatvizualizációra, például a történetmesélésre és a prezentációkra.
Lefedendő témák
- Bevezetés az adatvizualizációba (5 perc)
- Az adatvizualizáció céljai (EDA, történetmesélés)
- Melyik diagramot kell használni, melyik probléma (15 perc)
- Diagramtípusok és használatuk
- Hogyan válasszuk ki a megfelelő diagramot
- Do’s és Dont’s
- Független változók (in) keresése (10 perc)
- Nagydimenziós adatok megjelenítése (20 perc)
- PEM
- T-SNE
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.