دوره "Applied Plotting, Charting & Data Representation in Python" دانشجویان را به دنیای بصریسازی اطلاعات معرفی میکند و بر گزارشدهی و ایجاد نمودارها با استفاده از کتابخانه matplotlib در پایتون تمرکز دارد. دوره با نگاهی ...
بهروزرسانی: ۱۴۰۳/۰۸/۱۶
توصیف ویژگیهای بصریسازی خوب و بد
درک بهترین شیوهها برای ایجاد نمودارهای پایه
شناسایی توابع مناسب برای مسائل خاص
ایجاد بصریسازی با استفاده از matplotlib
برای درک استفاده بهتر از این دوره، دانش نسبی از مباحث داده و زبان برنامهنویسی پایتون پیشنهاد میشود.
دوره "Applied Plotting, Charting & Data Representation in Python" دانشجویان را به دنیای بصریسازی اطلاعات معرفی میکند و بر گزارشدهی و ایجاد نمودارها با استفاده از کتابخانه matplotlib در پایتون تمرکز دارد.
دوره با نگاهی به طراحی و سواد اطلاعاتی آغاز میشود و به بررسی عناصر بصریسازی مؤثر و ناکارآمد میپردازد. همچنین، به این موضوع میپردازد که چگونه معیارهای آماری میتوانند به بصریسازیها ترجمه شوند.
در هفته دوم، تکنولوژیهای مربوط به ایجاد بصریسازیها در پایتون و بهترین شیوهها برای طراحی نمودارهای پایه بررسی میشود تا دانشجویان بتوانند تصمیمات طراحی خود را بهخوبی در این چارچوب پیادهسازی کنند.
در هفته سوم، قابلیتهای متنوع کتابخانه matplotlib بهصورت عملی آموزش داده میشود و دانشجویان با انواع نمودارهای آماری پایه آشنا میشوند تا بتوانند تشخیص دهند که کدام روش برای حل مسائل خاص مناسبتر است. این دوره با بحثی درباره دیگر اشکال ساختاردهی و بصریسازی دادهها به پایان میرسد تا دانشجویان بتوانند از روشهای متنوع برای ارائه اطلاعات خود بهرهبرداری کنند و درک عمیقتری از روندهای مختلف بصریسازی پیدا کنند.
اطلاعات بیشتر
Christopher Brooks دانشیار مدرسه اطلاعات در دانشگاه میشیگان است. تمرکز تحقیقات او بر طراحی ابزارهایی برای بهبود تجربه آموزش و یادگیری در آموزش عالی است. او به ویژه به درک چگونگی کاربرد تحلیلهای یادگیری در تعامل انسان و کامپیوتر از طریق دادهکاوی آموزشی، یادگیری ماشین و تجسم اطلاعات علاقهمند است.
اطلاعات بیشتر