آموزش طراحی تجسم داده ها - آخرین آپدیت

دانلود Designing Data Visualizations

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: طراح تجسم داده ها یکی از داغترین مشاغل جدید در فناوری است زیرا سازمان های سراسر جهان در تمام "داده های بزرگ" که تولید می کنند در حال غرق شدن هستند. آنها به افراد با مهارت نیاز دارند تا واقعیت ها و چهره های خام را به تجسم تبدیل کنند که یک داستان را بیان می کنند و تأثیر می گذارند. در این دوره ، طراحی تجسم داده ها ، شما می آموزید که چگونه از خلاقیت و شهود خود برای یافتن بینش در مجموعه داده ها و همچنین تکنیک های اساسی تجزیه و تحلیل داده ها استفاده کنید تا داده های "غنی شده" ایجاد کرده و تصویری صحیح را برای برقراری ارتباط واقعی انتخاب کنید. اول ، شما خواهید دید که چگونه می توانید "سیگنال های" را در داده ها مشاهده کنید - معلوم می شود که عقل سلیم و دانش انسان از متن نه تنها هنوز هم مرتبط هستند بلکه کاملاً مهم هستند. سپس ، تکنیک هایی مانند جداول محوری ، قالب بندی مشروط و داده ها را برای تولید بینش های واضح و در عین حال اجتناب از "چهار گناه کشنده تجسم داده ها" می آموزید و ادغام می شود. سرانجام ، شما کشف خواهید کرد که چه نوع تجسم با آنچه داده ها به شما می گویند مطابقت دارد. هنگامی که با این دوره به پایان رسیدید ، خواهید فهمید که چگونه به داخل داده ها نگاه کنید ، آنچه را که مخاطبان شما به آن نیاز دارند و بیشتر به آنها علاقه مند است ، بیرون بیاورید و از آن برای طراحی تجسم داده های موجود استفاده کنید.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

روابط داده ای لکه بینی که می توانند تجسم شوند Spotting Data Relationships That Can Be Visualized

  • مقدمه: پیدا کردن معنای پنهان در تمام اعداد Intro: Finding the Hidden Meaning in All the Numbers

  • قبل از شروع داستان خود ... Before You Start Telling Your Story ...

  • اجتناب از 4 گناه کشنده تجسم داده ها Avoiding the 4 Deadly Sins of Data Visualization

  • انجام تجزیه و تحلیل داده های اکتشافی (EDA) Performing an Exploratory Data Analysis (EDA)

  • فرضیه حداکثر و تهی هایمن: چگونه می دانیم که داده های ما واقعی است؟ Hyman's Maxim & Null Hypothesis: How Do We Know Our Data Is Real?

  • فرضیه Maxim Null هایمن: چگونه می توانیم اطلاعات واقعی خود را بشناسیم؟ Hyman's Maxim & Null Hypothesis: How Do We Know Our Data Is Real?

  • انجام یک بررسی واقعیت فرضیه تهی Performing a Null Hypothesis Reality Check

انتخاب کدام روابط برای تجسم Choosing Which Relationships to Visualize

  • تمرین دستی: مقدمه ای برای جداول محوری Hands-on Exercise: Introduction to Pivot Tables

  • با استفاده از ابزارهای تجزیه و تحلیل داده ها در جداول محوری برای یافتن سیگنال Using Data Analysis Tools in Pivot Tables to Find Signals

  • با استفاده از قالب بندی مشروط برای آشکار کردن سیگنال های پنهان Using Conditional Formatting to Reveal Hidden Signals

  • با استفاده از مرتب سازی برای آشکار کردن سیگنال های پنهان Using Sorting to Reveal Hidden Signals

  • لیست سیگنالهایی که در داده های خود مشاهده کرده ایم Listing the Signals We've Spotted in Our Data

درون یابی ، برون یابی و هزینه های دور Interpolation, Extrapolation, and Outliers

  • درون یابی چیست و چه زمانی باید از آن استفاده کنم؟ What Is Interpolation and When Should I Use It?

  • خطرات مرتبط با درون یابی چیست؟ What Are the Risks Associated with Interpolation?

  • HAND-ON: درون یابی اساسی در اکسل: پر کردن خالی ها Hands-on: Basic Interpolation in Excel: Filling In the Blanks

  • مقابله با خطرات درون یابی Dealing with Interpolation Dangers

  • Hand-on: درون یابی سریع و کثیف در اکسل Hands-on: Quick and Dirty Interpolation in Excel

  • برون یابی چیست و چرا همه اینقدر آن را دوست دارند؟ What Is Extrapolation and Why Does Everyone Like It So Much?

  • پیش بینی های معیوب: خطرات منطقی ذاتی در برون یابی Faulty Forecasts: Logical Risks Inherent in Extrapolation

  • Hands On: آزمایش با برون یابی در اکسل Hands On: Experimenting with Extrapolation In Excel

  • Outliers: خوب ، بد ، یا فقط عجیب؟ Outliers: Good, Bad, or Just Weird?

  • Hand-on: تشخیص فضای باز در مجموعه داده های بزرگ Hands-on: Detecting Outliers in Large Datasets

تبدیل داده ها به تجسم های مناسب Transforming Data into Appropriate Visualizations

  • مقدمه ای برای ایجاد مجموعه داده های غنی شده Introduction to Creating Enriched Datasets

  • ترکیب چندین سری داده با استفاده از ادغام Combining Multiple Data Series Using Merges

  • Hand-on: انجام ادغام داده Hands-on: Performing a Data Merge

  • داده ها به چه پیوسته اند؟ درونی ، چپ ، راست ، کامل بیرونی What Are Data Joins? Inner, Left, Right, Full Outer

  • انتخاب نوع مناسب پیوستن برای داده های ما Choosing the Right Type of Join for Our Data

  • Hand-on: داده ها با استفاده از xlookup در اکسل می پیوندند Hands-on: Data Joins in Excel Using XLOOKUP

  • انتخاب تجسم مناسب برای زمینه Choosing the Appropriate Visualization for the Context

  • Hand-on: ایجاد یک تجسم مناسب برای داده های غنی شده Hands-on: Creating an Appropriate Visualization for Enriched Data

نمایش نظرات

آموزش طراحی تجسم داده ها
جزییات دوره
2h 37m
31
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
9
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

David LaFontaine David LaFontaine

دیوید لا فونتین نویسنده ، روزنامه نگار ، مشاور رسانه های دیجیتال و استاد کمکی در دانشگاه کالیفرنیای جنوبی است. دیوید متخصص در استراتژی محتوا ، طراحی رابط کاربر (UX و UI) و تولید رسانه های دیجیتال است. مشتریان او عبارتند از: دانشکده دندانپزشکی هرمان استرو ، وزارت امور خارجه ایالات متحده ، Lynda.com ، KelbyOne Media ، CreativeLive ، انتشارات ویلی ، B3Communications ، AssetShield و Roundabout Entertainment. تخصص وی در زمینه رسانه و فناوری ، وی را به دعوت سخنرانی در دانشگاه های ایالات متحده ، آمریکای لاتین و اروپا دعوت کرده است ، از جمله در انستیتوی آینده دیجیتال روزنامه نگاری در دانشگاه Mohyla در کیف ، اوکراین ، دانشکده روزنامه نگاری نلسون ماندالا در آدیس آبابا ، اتیوپی و در شهردار دانشگاه در سانتیاگو ، شیلی. در سال 2012 ، وی به عنوان یک متخصص فولبرایت برای آموزش روزنامه نگاران ، NGO ها و گروه های طرفدار دموکراسی در زمینه مهارت های ارتباطی رسانه های دیجیتال به اتیوپی سفر کرد. دیوید پنج کتاب از جمله طراحی رسانه های اجتماعی برای آدمکها ، طراحی وب موبایل برای آدمکها و قلم سم را نوشته یا در تألیف مشترک آن تألیف کرده است. وی همچنین بیش از 20 ساعت فیلم آموزشی آنلاین برای KelbyOne تولید کرده است. کنجکاوی و تمایل او به استفاده از خود به عنوان موش آزمایشگاهی انسانی به او کمک می کند تا از روند فن آوری استفاده کند ، جدیدترین ابزارهای دیجیتال را آزمایش کند و Sips را از وبلاگ Firehose تولید کند. او همچنین یک نویسنده مستقل است که کارهایش شامل مطالعات موردی در مورد روزنامه ها و چندرسانه ای برای انجمن روزنامه های آمریکا (NAA.org) ، انجمن جهانی روزنامه ها (WAN) ، رسانه های تعاملی پیشرفته (گروه AIM) ، گروه مشاوره بین المللی نوآوری ، یونیتی روزنامه نگاران رنگی ، انجمن خبرآنلاین (ONA).