Informacje administracyjne
| Tytuł | Analiza danych eksploracyjnych |
| Czas trwania | 60 |
| Moduł | A |
| Rodzaj lekcji | Wykład |
| Skupienie | Techniczne – podstawy sztucznej inteligencji |
| Temat | Analiza danych eksploracyjnych |
Słowa kluczowe
Eksploracja danych, T-SNE, PCA,
Cele w zakresie uczenia się
- Uczeń zna podstawowe typy wykresów i wie, kiedy z nich korzystać.
- Uczeń może używać wizualizacji do zbadania rozkładu zmiennych.
- Osoba ucząca się może sprawdzić zależności między zmiennymi za pomocą wizualizacji.
- Student jest w stanie wizualizować wysokowymiarowy zestaw danych za pomocą PCA i T-SNE.
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Brak.
Obowiązkowe dla studentów
- Przeczytaj blog Używanie T-SNE w Pythonie do wizualizacji zbiorów danych o wysokich wymiarach (alternatywa)
- Przeczytaj rozdział 4 Python Data Science Handbook
Opcjonalne dla studentów
Brak.
Referencje i tło dla studentów
Brak.
Zalecane dla nauczycieli
- Wizualizacja wysokowymiarowych zbiorów danych: Używanie T-SNE w Pythonie
- Rozdział 4 Python Data Science Handbook
Materiały do lekcji
Instrukcje dla nauczycieli
Wykład koncentruje się na wizualizacji danych w ramach procesu Exloratory Data Analysis (EDA). W związku z tym nie obejmuje wizualizacji danych na przykład do opowiadania historii i prezentacji.
Tematy do omówienia
- Wprowadzenie do wizualizacji danych (5 min)
- Cele wizualizacji danych (EDA, storytelling)
- Który wykres użyć dla którego problemu (15 min)
- Typy wykresów i ich wykorzystanie
- Jak wybrać odpowiedni wykres
- Do’s i Dont’s
- Sprawdź zmienne (nie)zależne (10 min)
- Wizualizacja danych wysokowymiarowych (20 min)
- PCA
- T-SNE
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.