Informazioni amministrative
| Titolo | Analisi esplorativa dei dati |
| Durata | 60 |
| Modulo | A |
| Tipo di lezione | Lezione |
| Focus | Tecnico — Fondamenti dell'IA |
| Argomento | Analisi esplorativa dei dati |
Parole chiave
Esplorazione dei dati, T-SNE, PCA,
Obiettivi di apprendimento
- Lo studente conosce i tipi di grafici di base e sa quando usarli.
- Lo studente può utilizzare le visualizzazioni per studiare una distribuzione di variabili.
- Lo studente può verificare la presenza di dipendenze tra le variabili utilizzando la visualizzazione.
- Lo studente è in grado di visualizzare un set di dati ad alta dimensione utilizzando PCA e T-SNE.
Preparazione prevista
Eventi di apprendimento da completare prima
Nessuno.
Obbligatorio per gli studenti
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
Nessuno.
Consigliato per gli insegnanti
- Sulla visualizzazione di set di dati ad alta dimensione: Utilizzo di T-SNE in Python
- Capitolo 4 di Python Data Science Handbook
Materiale didattico
Istruzioni per gli insegnanti
Questa lezione si concentra sulla visualizzazione dei dati come parte del processo Exloratory Data Analysis (EDA). Quindi non copre la visualizzazione dei dati per, ad esempio, il racconto e le presentazioni.
Argomenti da coprire
- Introduzione alla visualizzazione dei dati (5 min)
- Obiettivi delle visualizzazioni dei dati (EDA, storytelling)
- Quale grafico usare per quale problema (15 min)
- Tipi di grafici e loro utilizzo
- Come scegliere il grafico giusto
- Quello di Do e Dont
- Controllare le variabili (in)dipendenti (10 min)
- Visualizzazione di dati ad alta dimensione (20 min)
- APC
- T-SNE
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.