Popis online kurzu Umenie dátovej vizualizácie v Pythone

Využitie deskriptívnych štatistík, ako je priemer alebo medián, nám môže poskytnúť cenné informácie o našich dátach. Avšak, ak dáta vizualizujeme, môžeme odhaliť trendy a vzťahy, ktoré by inak zostali pred nami skryté. V tomto kurze sa teda naučíte ako dáta efektívne vizualizovať.

Začneme tým, čo je vlastne vizualizácia dát a prečo je dôležitá. Následne sa zameriame na základy, ako je rozdelenie datasetu na typy atribútov, ktoré vieme vizualizovať a využitie estetických prvkov. V rámci vizualizačných techník sa dozviete princípy tvorby dobrej vizualizácie a jednoduché postupy pre tvorbu efektívnych grafov. Kurz tiež pokrýva prístupy a stratégie pre správnu interpretáciu vizualizácií, dôležitosť farieb či farebných škál a identifikovanie vizuálnych skreslení, ktoré sa vo vizualizáciách môže nachádzať.

V kurze získate praktické zručnosti s knižnicami pandas, Seaborn a Matplotlib, pomocou ktorých budeme vytvárať vizualizácie numerických a kategorických stĺpcov.

Vieme, že najlepšie sa človek naučí nové zručnosti ich praktizovaním, a preto je pre vás pripravených 6 praktických programovacích cvičení v Jupyter notebookoch s úlohami a vysvetleniami jednotlivých konceptov.

Čo sa v kurze Umenie dátovej vizualizácie v Pythone naučíte?

Celkový obsah kurzu sú 3 hodiny. Prostredie, v ktorom budete počas kurzu programovať sa nazýva Jupyter notebooky s Pythonom. Nižšie je uvedený zoznam oblastí, ktorým sa v kurze venujeme:

Úvod do vizualizácie dát: V úvodnej kapitole sa pozrieme na to, čo presne vizualizácia dát je a prečo vlastne dáta vizualizujeme.
Základy vizualizácie dát: V tejto kapitole si ukážeme, ako rozdeliť dataset na základné typy atribútov vhodné na vizualizáciu. Predstavíme si 6 základných estetických prvkov, z ktorých pozostávajú štandardizované typy vizualizácií a naučíme sa, ktoré kombinácie estetických prvkov a typov atribútov fungujú najlepšie.
Vizualizácie s pandas: Knižnica pandas je naozaj skvelým pomocníkom na spracovanie a analýzu dát. Poskytuje však aj rôzne jednoduché a priamočiare metódy, pomocou ktorých vieme jednoducho vizualizovať dáta. V praktickom Jupyter notebooku si ukážeme ako vytvoriť line plot, histogram či bar plot.
Vizualizačné techniky: V tejto časti kurzu si predstavíme princípy tvorby dobrej vizualizácie. Ukážeme si konkrétny typ vizualizácie, ktorá obsahuje množstvo užitočných deskriptívnych štatistík. Taktiež sa naučíme jednoduchý postup, ktorý nám pomôže vytvárať naše vizualizácie.
Univariate vizualizácie so Seaborn: Naučíte sa pracovať s knižnicou Seaborn, pomocou ktorej vieme vytvárať efektívne a vizuálne atraktívne grafy. V praktickom Jupyter notebooku si ukážeme, ako vytvoriť tzv. univariate (1-dimenzionálne) vizualizácie numerických a kategorických dát. Budeme vytvárať štandardizované vizualizácie ako sú swarm plot, violin plot, strip plot či count plot.
Pokročilé vizualizačné techniky: Aj keď máme k dispozícii väčšie množstvo estetických prvkov vizualizácie, povieme si ktorým z nich by sme mali venovať väčšiu pozornosť. Ukážeme si kedy je vhodné vizualizovať len náhodnú vzorku z našich pozorovaní a taktiež ako sa vyhnúť umelému skresľovaniu efektov, ktoré sa v našich dátach prirodzene nachádzajú.
Bivariate vizualizácie so Seaborn: V ďalšom praktickom Jupyter notebooku sa presunieme ku tzv. bivariate (2-dimenzionálnym) vizualizáciám, ktoré nám umožňujú analyzovať vzťah medzi 2 stĺpcami. Ukážeme si aj ďalšie typy vizualizácií ako sú relplot, scatter plot, regplot či heatmap.
Prístupy, stratégie a úvahy: Niektoré nástroje na vizualizáciu dát nám umožňujú extrapolovať z dostupných dát - mali by sme byť však opatrní pri robení záverov z takýchto vizualizácií. Porozprávame sa aj o farbách vo vizualizáciách a o využívaní rôznych farebných škál. Predstavíme si niekoľko dodatočných princípov, ktoré by sme mali zvážiť pri tvorbe vizualizácii a vysvetlíme si, prečo by sme mali byť opatrní pri zoskupovaní dát pre vizualizácie.
Neistota vo vizualizáciách: Vizualizácie vytvárame zo vzorky dát. Ak chceme z tejto vzorky, a teda z našej vizualizácie, zovšeobecňovať na celú populáciu, je vhodné ak neistotu tohto kroku v nej vyjadríme.
Vizualizácia ako Data Science model: Zistíte taktiež ako skutočne dobrá vizualizácia dokáže vyriešiť problémy, ktorým čelíme.
Multivariate vizualizácie so Seaborn: V tomto Jupyter notebooku sa pozrieme na tzv. multivariate vizualizácie, v ktorých zobrazujeme 3 a viac stĺpcov. Vysvetlíme si, ako vytvárať komplexné vizualizácie, v ktorých môžeme analyzovať rôzne kategórie dát či vzťahy medzi viacerými stĺpcami.
Vizualizácie pomocou knižnice Matplotlib: V praktickom Jupyter notebooku uvidíte, ako môžeme kontrolovať nastavenia každého elementu vizualizácie pomocou knižnice Matplotlib.
Prvý pohľad na dáta: V tomto bonusovom Jupyter notebooku budete skúmať, analyzovať a vizualizovať dáta a pokúsite sa nájsť odpovede na rôzne otázky.
Vizuálne skreslenia: V tejto kapitole si ukážeme niekoľko typov skreslení, ktoré sa vo vizualizáciách môžu objaviť. Naučíte sa, ako tieto skreslenia rozpoznať a ako sa im vyhnúť.

Pre koho je kurz Umenie dátovej vizualizácie v Pythone vhodný?

Pre úspešné absolvovanie tohto kurzu sa, prosím, uistite, že spĺňate nasledujúce požiadavky:

máte predchádzajúce skúsenosti s programovaním v Pythone, konkrétne znalosť práce s knižnicami numpy a pandas
máte znalosť o základných štatistických metódach ako počítanie priemeru, minima, maxima alebo smerodajnej odchýlky.

Potrebné základy môžete získať v kurzoch “Úvod do Pythonu pre Data Science” a “Spracovanie dát v Pythone”.

Čo po kurze dokážete a čo si odnesiete?

Schopnosť vizualizovať dáta pomocou troch kľúčových Python knižníc: pandas, Seaborn a Matplotlib. Naučíte sa vytvárať rôzne typy vizualizácií, od základných až po komplexné o budete vedieť používať techniky na vytváranie univariate, bivariate a multivariate vizualizácií na efektívne analyzovanie dát a získanie hodnotných informácií.
Hlboké znalosti o princípoch a stratégiách tvorby dobrých a správnych vizualizácií. Vďaka týmto znalostiam budete vedieť vytvárať vizualizácie, ktoré sú nielen esteticky pekné, ale aj presné a spoľahlivé.

Čo je potrebné pre absolvovanie kurzu Umenie dátovej vizualizácie v Pythone?

Vlastný laptop. Firemný laptop môže spôsobovať problémy, napríklad, pri prístupoch na Google Drive prostredie alebo pri inštalácii knižníc.
Základná znalosť angličtiny: Minimálne pasívna znalosť na úrovni čítania textu keďže pre knižnice, o ktorých sa budeme učiť sú vytvorené dokumentácie v anglickom jazyku. Všetky video tutoriály sú však v slovenskom jazyku.
Stabilné internetové pripojenie. Pre sledovanie video lekcií či prácu na cvičeniach je internetové pripojenie neustále potrebné.
Aktualizovaný internetový prehliadač Google Chrome, Microsoft Edge alebo Mozilla Firefox.
(odporúčané) Google účet. S Jupyter notebookmi odporúčame pracovať v prostredí Google Colaboratory. V prípade, že Google účet nemáte a ani si ho nechcete zakladať, bude k dispozícii druhá alternatíva na lokálnu prácu s Jupyter notebookmi.

Čo všetko s kurzom Umenie dátovej vizualizácie v Pythone získate?

6 Jupyter notebookov, v ktorých si nielen prakticky vyskúšate jednotlivé koncepty, ale môžete ich používať ako osobnú referenciu vo vašom (budúcom) zamestnaní,
videotutoriály o Vizualizácii dát v Pythone,
moderované diskusné fórum, v ktorom na vaše otázky odpovedá autor kurzu Róbert Barcík,
certifikát o absolvovaní online kurzu Umenie dátovej vizualizácie v Pythone,
garancia vrátenia peňazí do 14 dní v prípade nespokojnosti s kurzom.