Μια επισκόπηση κάθε μαθήματος Οπτικοποίησης Δεδομένων στο Διαδίκτυο

Πριν από ένα χρόνο, εγκατέλειψα ένα από τα καλύτερα προγράμματα πληροφορικής στον Καναδά. Άρχισα να δημιουργώ το δικό μου πρόγραμμα μάστερ επιστήμης δεδομένων χρησιμοποιώντας διαδικτυακούς πόρους. Συνειδητοποίησα ότι μπορούσα να μάθω ό, τι χρειαζόμουν μέσω edX, Coursera και Udacity. Και θα μπορούσα να το μάθω γρηγορότερα, πιο αποτελεσματικά, και για ένα μικρό μέρος του κόστους.

Τώρα τελείωσα. Έχω παρακολουθήσει πολλά μαθήματα που σχετίζονται με την επιστήμη δεδομένων και έχω ελέγξει πολλά άλλα. Γνωρίζω τις επιλογές εκεί έξω και ποιες δεξιότητες χρειάζονται για τους μαθητές που προετοιμάζονται για έναν αναλυτή δεδομένων ή έναν ρόλο επιστήμονα δεδομένων. Πριν από λίγους μήνες, άρχισα να δημιουργώ έναν οδηγό βάσει κριτικών που προτείνει τα καλύτερα μαθήματα για κάθε θέμα στην επιστήμη των δεδομένων.

Για τον πρώτο οδηγό της σειράς, πρότεινα μερικά μαθήματα κωδικοποίησης για τον αρχάριο επιστήμονα δεδομένων. Τότε ήταν τάξεις στατιστικών και πιθανοτήτων. Τότε ήταν εισαγωγή στην ίδια την επιστήμη των δεδομένων.

Τώρα στην οπτικοποίηση δεδομένων.

Για αυτόν τον οδηγό, πέρασα 10+ ώρες προσπαθώντας να εντοπίσω κάθε διαδικτυακό μάθημα οπτικοποίησης δεδομένων που προσφέρθηκε από τον Μάρτιο του 2017, εξάγοντας βασικές πληροφορίες από τη διδακτέα ύλη και τις κριτικές τους και συλλέγοντας τις βαθμολογίες τους. Για αυτήν την εργασία, στράφηκα σε καμία άλλη από την ανοιχτή κοινότητα Class Central και τη βάση δεδομένων της με χιλιάδες βαθμολογίες και κριτικές μαθημάτων.

Από το 2011, ο ιδρυτής της Class Central, Dhawal Shah, παρακολουθεί στενά τα διαδικτυακά μαθήματα από ό, τι είναι αναμφισβήτητα οποιοσδήποτε άλλος στον κόσμο. Ο Dhawal με βοήθησε προσωπικά να συγκεντρώσω αυτήν τη λίστα πόρων.

Πώς επιλέξαμε μαθήματα για εξέταση

Κάθε μάθημα πρέπει να πληροί τρία κριτήρια:

  1. Η πλειοψηφία του μαθήματος πρέπει να επικεντρώνεται στην επεξηγηματική οπτικοποίηση δεδομένων. Η κάλυψη της προετοιμασίας δεδομένων, για παράδειγμα, επιτρέπεται δεδομένου ότι αποτελεί σημαντικό μέρος της διαδικασίας οπτικοποίησης δεδομένων. Εξαιρούνται μαθήματα που καλύπτουν λιγότερο σχετικά θέματα (στατιστική μοντελοποίηση, για παράδειγμα). Περισσότερα για την επεξηγηματική διάκριση παρακάτω.
  2. Πρέπει να είναι κατ 'απαίτηση ή να προσφέρεται κάθε λίγους μήνες.
  3. Πρέπει να είναι ένα διαδραστικό διαδικτυακό μάθημα, οπότε δεν υπάρχουν βιβλία ή σεμινάρια μόνο για ανάγνωση . Αν και αυτοί είναι βιώσιμοι τρόποι μάθησης, αυτός ο οδηγός εστιάζει σε μαθήματα.

Πιστεύουμε ότι καλύψαμε κάθε αξιοσημείωτο μάθημα που πληροί τα παραπάνω κριτήρια. Επειδή υπάρχουν φαινομενικά εκατοντάδες μαθήματα για το Udemy, επιλέξαμε να εξετάσουμε μόνο τα πιο ελεγμένα και με την υψηλότερη βαθμολογία. Υπάρχει πάντοτε η πιθανότητα να χάσαμε κάτι, οπότε παρακαλούμε ενημερώστε μας στην ενότητα σχολίων εάν αφήσαμε μια καλή πορεία.

Πώς αξιολογήσαμε τα μαθήματα

Συγκεντρώσαμε τη μέση βαθμολογία και τον αριθμό αξιολογήσεων από το Class Central και άλλους ιστότοπους κριτικών για να υπολογίσουμε μια σταθμισμένη μέση βαθμολογία για κάθε μάθημα. Διαβάζουμε σχόλια κειμένου και χρησιμοποιήσαμε αυτά τα σχόλια για να συμπληρώσουμε τις αριθμητικές βαθμολογίες.

Πραγματοποιήσαμε υποκειμενικές κλήσεις κρίσης αναλυτικού προγράμματος βάσει δύο παραγόντων, με τον πρώτο να δοθεί προτίμηση έναντι του δεύτερου:

  1. Κάλυψη της θεωρίας οπτικοποίησης δεδομένων. Εξηγούνται τα κίνητρα για επιλογές οπτικοποίησης; Το μάθημα διδάσκει μόνο το εργαλείο; Περισσότερα για αυτό στην επόμενη ενότητα.
  2. Κάλυψη επιλεγμένων εργαλείων οπτικοποίησης δεδομένων. Το μάθημα διδάσκει αποτελεσματικά κοινά εργαλεία οπτικοποίησης (Tableau, ggplot2, Seaborn κ.λπ.); Έχουν οι μαθητές ευκαιρίες να εξασκήσουν αυτές τις δεξιότητες; Δεν δίνεται προτίμηση για την επιλογή εργαλείου.

Γιατί να δώσετε προτεραιότητα στη θεωρία οπτικοποίησης

Η γνώση ενός συγκεκριμένου εργαλείου είναι σπατάλη χωρίς γνώση των βασικών στοιχείων της αποτελεσματικής οπτικοποίησης. Επιπλέον, τα εργαλεία είναι συχνά εναλλάξιμα ανάλογα με τη ρύθμιση.

Το πιο σημαντικό είναι ότι η καλή οπτικοποίηση δεδομένων είναι πιο περίπλοκη από ό, τι πιστεύουν οι περισσότεροι άνθρωποι. Απαιτείται προσεκτική σκέψη από τα στάδια προγραμματισμού έως την εκτέλεση. Επιλέγοντας το σωστό γράφημα, εξισορροπώντας την πολυπλοκότητα και την ακαταστασία, αξιοποιώντας τις προληπτικές ιδιότητες και πολλά άλλα, η οπτικοποίηση δεδομένων είναι τόσο τέχνη όσο και επιστήμη. Είναι εύκολο να πάει στραβά και μερικές φορές τρομερά (βλ. Παρακάτω).

Ερευνητική έναντι επεξηγηματικής οπτικοποίησης

Όπως περιγράφεται από τον καθηγητή του Πανεπιστημίου της Ιντιάνα Yong-Yeol Ahn, ο σκοπός της επεξηγηματικής οπτικοποίησης δεδομένων είναι η επικοινωνία πληροφοριών και μηνυμάτων, ενώ ο στόχος της διερευνητικής οπτικοποίησης είναι η ανακάλυψη κρυφών σχεδίων

Αυτό το άρθρο επικεντρώνεται σε επεξηγηματικά μαθήματα οπτικοποίησης δεδομένων. Μαθήματα όπως η Ανάλυση Δεδομένων Udacity με R (αποκλειστικά μια εξερευνητική σειρά μαθημάτων) εξαιρούνται επομένως από αυτό το άρθρο. Το θέμα είναι σημαντικό. δεν υπάρχουν αρκετά μαθήματα για να δικαιολογήσουν ένα αυτόνομο άρθρο. Θα καλυφθεί εν συντομία στο συνοπτικό άρθρο αυτής της σειράς.

Μερικές φορές απαιτείται εμπειρία κωδικοποίησης

Ορισμένα μαθήματα που αναφέρονται παρακάτω απαιτούν βασικές δεξιότητες κωδικοποίησης στη γλώσσα διδασκαλίας του μαθήματος. Εάν έχετε πολύ λίγη εμπειρία προγραμματισμού, οι προτάσεις μας στο πρώτο άρθρο αυτής της σειράς - η καλύτερη εισαγωγή σε μαθήματα προγραμματισμού για την επιστήμη των δεδομένων - θα ήταν μια υπέροχη αρχή. Καλύπτονται και τα δύο μαθήματα Python και R.

Λείπουν δεδομένα ελέγχου

Σε σύγκριση με τα άλλα άρθρα αυτής της σειράς, υπάρχει έλλειψη δεδομένων αξιολόγησης για μαθήματα οπτικοποίησης δεδομένων που πληρούν τα παραπάνω κριτήρια. Επίσης, δεν υπάρχει ακόμη σαφές καλύτερο μάθημα οπτικοποίησης δεδομένων. Οι παρακάτω συστάσεις δεν είναι επομένως τόσο πειστικές όσο τα προηγούμενα άρθρα. Όπως πάντα, αλλά ειδικά εδώ, προσπαθήστε να επιλέξετε το μάθημα που ταιριάζει καλύτερα στις ανάγκες σας.

Η επιλογή μας για το καλύτερο μάθημα οπτικοποίησης δεδομένων είναι…

  • Οπτικοποίηση δεδομένων με εξειδίκευση Tableau από το Πανεπιστήμιο της Καλιφόρνια, Davis στο Coursera

… Που περιέχει τα ακόλουθα πέντε μαθήματα:

  • Βασικές αρχές οπτικοποίησης με το Tableau
  • Βασικές αρχές σχεδιασμού για το Tableau
  • Visual Analytics με Tableau
  • Δημιουργία πινάκων ελέγχου και αφήγησης με το Tableau
  • Οπτικοποίηση δεδομένων με το Tableau Project

Το Πανεπιστήμιο της Καλιφόρνια, Οπτικοποίηση δεδομένων του Davis με την εξειδίκευση Tableau έχει τον καλύτερο συνδυασμό θεωρίας και κάλυψης εργαλείων που διατίθεται βάσει των κριτηρίων αξιολόγησης αυτού του άρθρου. Βυθίζεται βαθιά στη θεωρία όπως λίγα άλλα μαθήματα. Υπάρχουν ευκαιρίες για εξάσκηση στο Tableau μέσω περιηγήσεων και ενός τελικού έργου, αν και η απόκτηση του Tableau δεν είναι το κύριο επίκεντρο. Πρόκειται για μια αρκετά νέα εξειδίκευση (τέλη 2016) και τα μαθήματα έχουν μόνο μία βαθμολογία 4 αστέρων μεταξύ τους στους ιστότοπους κριτικών που χρησιμοποιούνται για αυτήν την ανάλυση.

Οι Govind Acharya, Hunter Whitney και Suk Brar είναι οι εκπαιδευτές. Ο Acharya είναι κύριος αναλυτής στο UC Davis. Οι Whitney και Brar είναι σεβαστοί επαγγελματίες του κλάδου. Μεταξύ τους, έχουν δεκαετίες εμπειρίας οπτικοποίησης δεδομένων που μεταφέρεται σαφώς μέσω του περιεχομένου του μαθήματος. Τα βίντεο είναι καλά παραγόμενα.

Το εκτιμώμενο χρονοδιάγραμμα για την εξειδίκευση στο Coursera είναι 22 εβδομάδες με εβδομαδιαίες δεσμεύσεις που κυμαίνονται από τρεις έως οκτώ ώρες την εβδομάδα. Αυτές οι εκτιμήσεις είναι σίγουρα πολύ υψηλές, όπως σημειώνουν αρκετοί σχολιαστές και η εμπειρία μου με την Coursera. Διατίθενται δωρεάν επιλογές (έλεγχος κάθε μαθήματος ξεχωριστά) και πληρωμένες (πληρώνοντας για την εξειδίκευση).

Αρκετοί εξέχοντες κριτικοί στο Coursera σημείωσαν τα εξής:

Δεν σας λένε μόνο πώς να κάνετε το σχεδιασμό οπτικοποίησης, αλλά και σας λένε γιατί (η φυσιολογία, οι αρχές). Θα συνιστούσα ανεπιφύλακτα αυτό το μάθημα. Μεγάλο μάθημα - προστατεύει από μερικές λεπτές παγίδες στην προετοιμασία οπτικοποίησης. Αν και μια πολύ βασική εισαγωγή στη χρήση του Tableau, το μάθημα παρέχει ένα ευρύ και ενδιαφέρον υπόβαθρο που θα πρέπει να αποδειχθεί χρήσιμο σε όποιον επιδιώκει να βελτιώσει την κατανόησή του βασικές αρχές οπτικοποίησης.

Θεωρία οπτικοποίησης και R, που μάθαμε κάνοντας

  • Οπτικοποίηση δεδομένων με ggplot2 από DataCamp

… Για τα οποία υπάρχουν τρία μέρη:

  • Οπτικοποίηση δεδομένων με ggplot2 (Μέρος 1)
  • Οπτικοποίηση δεδομένων με ggplot2 (Μέρος 2)
  • Οπτικοποίηση δεδομένων με ggplot2 (Μέρος 3)

Μια άλλη εξαιρετική επιλογή είναι το DataCamp's Data Visualization με τη σειρά ggplot2, ειδικά αν θέλετε να μάθετε το R και, πιο συγκεκριμένα, το ggplot2. Καλύπτεται ένα σημαντικό ποσό θεωρίας, το οποίο είναι κατάλληλο δεδομένου ότι το ggplot2 είναι εμπνευσμένο από τη Γραμματική των Γραφικών. Η κάλυψη και η πρακτική του εργαλείου είναι επίσης εντυπωσιακά - θα γνωρίζετε το R και την περίεργη σύνταξή του, αφήνοντας αυτά τα μαθήματα. Δεν υπάρχουν κριτικές για αυτά τα μαθήματα στους ιστότοπους κριτικών που χρησιμοποιούνται για αυτήν την ανάλυση.

Ο εκπαιδευτής και για τα τρία μαθήματα είναι ο Rick Scavetta, ο οποίος είναι βιολόγος, εκπαιδευτής εργαστηρίου, ανεξάρτητος επιστήμονας δεδομένων και συνιδρυτής του Science Craft. Το υβριδικό στυλ διδασκαλίας της DataCamp αξιοποιεί βίντεο (με πρωταγωνιστή τον Scavetta) και οδηγίες βάσει κειμένου με πολλά παραδείγματα μέσω ενός προγράμματος επεξεργασίας κώδικα στο πρόγραμμα περιήγησης. Το περιεχόμενο βίντεο, κειμένου και κώδικα γυαλίζεται όμορφα.

Μαζί, το εκτιμώμενο χρονοδιάγραμμα και για τα τρία μαθήματα είναι 16 ώρες. Το πρώτο κεφάλαιο κάθε μαθήματος είναι διαθέσιμο δωρεάν. Για πλήρη πρόσβαση απαιτείται συνδρομή DataCamp, η οποία είναι επί του παρόντος 29 $ ανά μήνα ή 300 $ ανά έτος.

Η ακόλουθη έγκριση προέρχεται από τον Hadley Wickham, Chief Scientist στο RStudio και δημιουργός ggplot2:

Συνιστώ διεξοδικά την "Οπτικοποίηση δεδομένων με ggplot2" από τον Rick Scavetta. Σας δίνει μια εξαιρετική εισαγωγή στο ggplot2. Θα μάθετε τόσο την υποκείμενη θεωρία, όσο και πρακτική άσκηση στο διαδικτυακό μαθησιακό περιβάλλον της DataCamp.

Μια πρακτική εισαγωγή στο Tableau με έναν εξαιρετικό εκπαιδευτή

Tableau 10 Series από τον Kirill Eremenko και την ομάδα SuperDataScience on Udemy, η οποία περιλαμβάνει:

  • Tableau 10 AZ: Πρακτική κατάρτιση Tableau για την επιστήμη δεδομένων!
  • Tableau 10 Advanced Training: Master Tableau στην Επιστήμη των Δεδομένων

Διδασκαλία από τον Kirill Eremenko, το SuperDataScience's Tableau 10 Series είναι μια αποτελεσματική πρακτική εισαγωγή. Επικεντρώνεται κυρίως στην κάλυψη εργαλείων (Tableau) παρά στη θεωρία οπτικοποίησης δεδομένων. Ο Eremenko είναι ένας από τους πιο γνωστούς εκπαιδευτές σε αυτούς τους οδηγούς με σταθερά θετικές κριτικές σε όλα τα μαθήματά του. Το μάθημα AZ αποτελεί προϋπόθεση για το μάθημα Advanced Training. Μαζί, τα μαθήματα της σειράς έχουν μέση βαθμολογία 4,6 αστέρων πάνω από 3.724 κριτικές.

Η σειρά έχει δεκαεπτά ώρες περιεχομένου βίντεο. Το κόστος κάθε μαθήματος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, αλλά αυτές είναι συχνές και μπορούν να αγοραστούν με μόλις 10 $.

Αρκετοί εξέχοντες κριτικοί σημείωσαν τα εξής:

Αυτό ήταν υπέροχο. Χρησιμοποιώ το Tableau καθημερινά, αλλά ήταν μια φοβερή ανανέωση σε ορισμένα από τα αντικείμενα που δεν χρησιμοποιώ και ένα εξαιρετικό βοήθημα για τη συμμετοχή στις εξετάσεις Tableau Certified Professional. Καλή δουλειά Kirill και η ομάδα!

Ο Kirill είναι ένας τεράστιος δάσκαλος και οι μαθητές που παρακολουθούν αυτό το μάθημα θα δουν ξεκάθαρα γιατί έχει δεκάδες μαθήματα και χιλιάδες μαθητές - είναι σε θέση να διδάξει πολύπλοκες δεξιότητες, σε πραγματικό επιχειρηματικό πλαίσιο και να το κάνει σταδιακά συνδυάζοντας έτσι το συχνά περίπλοκο έργο της διδασκαλίας και των δύο βασικές εφαρμογές και συγκεκριμένες εφαρμογές περιβάλλοντος ταυτόχρονα.

Ο ανταγωνισμός

Ας δούμε τις άλλες εναλλακτικές λύσεις, ταξινομημένες κατά φθίνουσα βαθμολογία.

Διαδραστική οπτικοποίηση δεδομένων με Python & Bokeh (Ardit Sulce / Udemy): Εστίαση εργαλείου (Python και Bokeh). Περιλαμβάνει μια ενότητα για τη δημιουργία εφαρμογών ιστού. Επτά ώρες βίντεο. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,6 αστέρων πάνω από 103 κριτικές.

Οπτικοποίηση πληροφοριών (IVMOOC) (Πανεπιστήμιο Ιντιάνα / Ανεξάρτητο): Καλύπτει τη θεωρία και πολλά εργαλεία με μεγάλη λεπτομέρεια. Εντυπωσιακό πραγματικό έργο. Η εγγραφή δεν λειτούργησε όταν επιχειρήθηκε παρά τα μηνύματα ηλεκτρονικού ταχυδρομείου στους διαχειριστές του μαθήματος. Ένα πλήρες μεταπτυχιακό μάθημα δώδεκα εβδομάδων. Ελεύθερος. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 2 κριτικές.

Tableau for Beginners - Αποκτήστε πιστοποίηση Επιτάχυνση της καριέρας σας (Lukas Halim / Udemy): Εστίαση εργαλείου (Tableau). Τέσσερις ώρες βίντεο. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 649 κριτικές.

Ανάλυση και οπτικοποίηση δεδομένων με Power BI (Microsoft / edX): Εστίαση εργαλείου (Power BI). Προσαρμοσμένο για επιχειρηματικούς χρήστες που έχουν επενδύσει στο οικοσύστημα της Microsoft. Μέρος του Microsoft Professional Program Certificate in Data Science. Εκτιμώμενο χρονοδιάγραμμα δύο έως τεσσάρων ωρών την εβδομάδα για έξι εβδομάδες. Δωρεάν με ένα Επαληθευμένο Πιστοποιητικό διαθέσιμο για αγορά. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 117 κριτικές.

Ανάλυση και οπτικοποίηση δεδομένων με Excel (Microsoft / edX): Εστίαση εργαλείου (Excel). Προσαρμοσμένο για επιχειρηματικούς χρήστες που έχουν επενδύσει στο οικοσύστημα της Microsoft. Μέρος του Microsoft Professional Program Certificate in Data Science. Εκτιμώμενο χρονοδιάγραμμα δύο έως τεσσάρων ωρών την εβδομάδα για έξι εβδομάδες. Δωρεάν με ένα Επαληθευμένο Πιστοποιητικό διαθέσιμο για αγορά. Έχει μέση σταθμισμένη βαθμολογία 4,5 αστέρων πάνω από 972 κριτικές.

Δεδομένα Οπτικοποίηση δεδομένων με D3.js Ο εύκολος τρόπος (Άπειρες δεξιότητες / Udemy): Εστίαση εργαλείου (D3.js). Τέσσερις ώρες βίντεο. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,4 αστέρων πάνω από 262 κριτικές.

Οπτικοποίηση δεδομένων με Python και Matplotlib (Stone River eLearning / Udemy): Εστίαση εργαλείου (Python και Matplotlib). Έξι ώρες βίντεο. Το κόστος ποικίλλει ανάλογα με τις εκπτώσεις Udemy, οι οποίες είναι συχνές. Έχει μέση σταθμισμένη βαθμολογία 4,4 αστέρων πάνω από 92 κριτικές.

Ανάλυση δεδομένων: Οπτικοποίηση και σχεδιασμός πίνακα εργαλείων (Delft University of Technology / edX): Εργαλείο (Excel) και επιχειρηματική εστίαση. Εκτιμώμενο χρονοδιάγραμμα τεσσάρων έως έξι ωρών την εβδομάδα για έξι εβδομάδες. Δωρεάν με ένα Επαληθευμένο Πιστοποιητικό διαθέσιμο για αγορά. Έχει μέση σταθμισμένη βαθμολογία 4,2 αστέρων σε 5 κριτικές

Μεγάλα δεδομένα: Οπτικοποίηση δεδομένων (Πανεπιστήμιο Τεχνολογίας Queensland / FutureLearn): Ισορροπημένη θεωρία / εστίαση εργαλείων. Έκθεση σε μια ποικιλία εργαλείων. Ξεκινά τον Αύγουστο του 2017. Εκτιμώμενο χρονοδιάγραμμα δύο ωρών την εβδομάδα για τρεις εβδομάδες. Δωρεάν με "αναβάθμιση" διαθέσιμη για αγορά. Έχει βαθμολογία 4 αστέρων πάνω από 1 κριτική.

Οπτικοποίηση δεδομένων και επικοινωνία με το Tableau (Duke University / Coursera): Εργαλείο (Tableau) και επιχειρηματική εστίαση. Μέρος του Excel to MySQL: Αναλυτικές τεχνικές για εξειδίκευση επιχειρήσεων. Εκτιμώμενο χρονοδιάγραμμα έξι έως οκτώ ωρών την εβδομάδα για πέντε εβδομάδες. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση σταθμισμένη βαθμολογία 3,67 αστέρων πάνω από 9 κριτικές.

Οπτικοποίηση δεδομένων (Πανεπιστήμιο του Ιλλινόις στο Urbana-Champaign / Coursera): Εστίαση θεωρίας. Μέρος της εξειδίκευσης εξόρυξης δεδομένων. Εκτιμώμενο χρονοδιάγραμμα από τέσσερις έως έξι ώρες την εβδομάδα για τέσσερις εβδομάδες. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση βαθμολογία 3,14 αστέρων πάνω από 22 κριτικές.

Οπτικοποίηση δεδομένων και D3.js (Udacity): Ισορροπημένη θεωρία / εστίαση εργαλείου. Η οδηγία D3.js φαίνεται "ελλιπής" και "εκτός τόπου". Εκτιμώμενο χρονοδιάγραμμα επτά εβδομάδων. Ελεύθερος. Έχει μέση σταθμισμένη βαθμολογία 2,83 αστέρων πάνω από 6 κριτικές.

Διαχείριση δεδομένων και οπτικοποίηση (Πανεπιστήμιο Wesleyan / Coursera): Ισορροπημένη θεωρία / εστίαση εργαλείων. Καλύπτει πολλά εργαλεία (Python και SAS). Μέρος της εξειδίκευσης ανάλυσης δεδομένων και ερμηνείας του Wesleyan Εκτιμώμενο χρονοδιάγραμμα από τέσσερις έως πέντε ώρες την εβδομάδα για τέσσερις εβδομάδες. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση σταθμισμένη βαθμολογία 2,67 αστέρων πάνω από 6 κριτικές.

Εφαρμοσμένη σχεδίαση, χαρτογράφηση και αναπαράσταση δεδομένων στο Python (University of Michigan / Coursera): Ισορροπημένη θεωρία και εστίαση εργαλείων. Διατίθενται δωρεάν και επί πληρωμή επιλογές. Έχει μέση σταθμισμένη βαθμολογία 2 αστέρων πάνω από 4 κριτικές.

Τα ακόλουθα μαθήματα δεν είχαν κριτικές από τον Μάρτιο του 2017.

Οπτικοποίηση δεδομένων στο Tableau (Udacity): Εστίαση θεωρίας με εξαιρετική κάλυψη. Σύντομη κάλυψη εργαλείων (Tableau). Κυρίως εντολή βασισμένη σε κείμενο με κουίζ πολλαπλών επιλογών. Μέρος του Nanodegree αναλυτή δεδομένων Udacity και Predictive Analytics for Business Nanodegree. Αυτό το μάθημα πιθανότατα δεσμεύεται για την πρώτη θέση όταν ενημερώνεται με βίντεο για να συμπληρώσει το κείμενο. Εκτιμώμενο χρονοδιάγραμμα τριών εβδομάδων. Ελεύθερος.

Εργαλεία Οπτικοποίησης Δεδομένων Οικοδόμησης (Πανεπιστήμιο Johns Hopkins / Coursera): Εστίαση εργαλείου (R και ggplot2). Μέρος της ανάπτυξης λογισμικού Master of JHU στην εξειδίκευση σε R. Εκτιμώμενο χρονοδιάγραμμα δύο ωρών την εβδομάδα για τέσσερις εβδομάδες. Διατίθενται δωρεάν και επί πληρωμή επιλογές.

Οπτικοποίηση δεδομένων για όλους (Trinity College / edX): Εστίαση θεωρίας. Εκτιμώμενο χρονοδιάγραμμα τριών ωρών την εβδομάδα για έξι εβδομάδες. Δωρεάν με Επαληθευμένο Πιστοποιητικό διαθέσιμο για αγορά.

Οπτικοποίηση δεδομένων με Advanced Excel (PwC / Coursera): Εστίαση εργαλείου (Excel). Μέρος των δεξιοτήτων ανάλυσης και παρουσίασης δεδομένων της PwC: η εξειδίκευση της προσέγγισης PwC. Εκτιμώμενο χρονοδιάγραμμα τριών έως τεσσάρων ωρών την εβδομάδα για τέσσερις εβδομάδες. Διατίθενται δωρεάν και επί πληρωμή επιλογές.

Επικοινωνία αποτελεσμάτων Business Analytics (Πανεπιστήμιο του Κολοράντο Boulder / Coursera): Θεωρία και επιχειρηματική εστίαση. Μέρος της εξειδίκευσης του Colorado Boulder's Data Analytics for Business Bootcamp. Εκτιμώμενο χρονοδιάγραμμα τεσσάρων εβδομάδων. Διατίθενται δωρεάν και επί πληρωμή επιλογές.

Αφήγηση ιστοριών μέσω οπτικοποίησης δεδομένων (Dataquest): Κυρίως μια εστίαση εργαλείων (Python, Matplotlib και Seaborn). Το εκτιμώμενο χρονοδιάγραμμα δεν είναι σαφές. Κυρίως δωρεάν, αλλά απαιτείται συνδρομή για πλήρη πρόσβαση.

Διαδρομή εκμάθησης οπτικοποίησης δεδομένων (O'Reilly): Ισορροπημένη εστίαση εργαλείου / θεωρίας. Καλύπτει D3.js. Πολλοί εκπαιδευτές. Δεκαπέντε ώρες περιεχομένου. Δωρεάν με δωρεάν δοκιμή δέκα ημερών.

Οπτικοποίηση δεδομένων για προγραμματιστές (Dan Appleman / Pluralsight): Εστίαση θεωρίας. Προσαρμοσμένο για προγραμματιστές. Δύο ώρες περιεχομένου. Δωρεάν με δωρεάν δοκιμή δέκα ημερών.

Τα ακόλουθα τέσσερα μαθήματα δημιουργούνται από τον Bill Shander της Beehive Media και προσφέρονται στο Lynda. Παρατίθενται σε χρονολογική σειρά κατά ημερομηνία κυκλοφορίας.

Βασικές αρχές οπτικοποίησης δεδομένων (Bill Shander / Lynda): Εστίαση θεωρίας. Τέσσερις ώρες περιεχομένου. Δωρεάν με δωρεάν δοκιμή δέκα ημερών.

Σχεδιασμός οπτικοποίησης δεδομένων (Bill Shander / Lynda): Εστίαση θεωρίας. Καλύπτει τη δημιουργία ενός συγκεκριμένου έργου από την έννοια έως την ανάλυση δεδομένων έως το σχεδιασμό και την εκτέλεση. Τέσσερις ώρες περιεχομένου. Δωρεάν με δωρεάν δοκιμή δέκα ημερών.

Οπτικοποίηση δεδομένων για αναλυτές δεδομένων (Bill Shander / Lynda): Εστίαση θεωρίας. Προσαρμοσμένο για αναλυτές δεδομένων. Δύο ώρες περιεχομένου. Δωρεάν με δωρεάν δοκιμή δέκα ημερών.

Βασικά στοιχεία αφήγησης οπτικοποίησης δεδομένων (Bill Shander / Lynda): Εστίαση θεωρίας. Δύο ώρες περιεχομένου. Δωρεάν με δωρεάν δοκιμή δέκα ημερών.

Οπτικοποίηση σε R, Από αρχάριους έως προχωρημένους (Nathan Yau / FlowingData): Ένα μάθημα τεσσάρων εβδομάδων. Απαιτείται συνδρομή.

Τα ακόλουθα τέσσερα μαθήματα προσφέρονται από την DataCamp. Όπως προαναφέρθηκε, το υβριδικό στυλ διδασκαλίας της DataCamp αξιοποιεί οδηγίες βίντεο και κειμένου με πολλά παραδείγματα μέσω ενός προγράμματος επεξεργασίας κώδικα στο πρόγραμμα περιήγησης.

Οπτικοποίηση δεδομένων σε R (DataCamp): Ισορροπημένη θεωρία / εστίαση εργαλείου. Καλύπτει τα βασικά γραφικά R. Εκτιμώμενο χρονοδιάγραμμα τεσσάρων ωρών. Απαιτείται συνδρομή για πλήρη πρόσβαση.

Εισαγωγή στην οπτικοποίηση δεδομένων με Python (DataCamp): Εστίαση εργαλείου (Python, Matplotlib και Seaborn). Εκτιμώμενο χρονοδιάγραμμα τεσσάρων ωρών. Απαιτείται συνδρομή για πλήρη πρόσβαση.

Διαδραστική οπτικοποίηση δεδομένων με Bokeh (DataCamp): Εστίαση εργαλείου (Python και Bokeh). Εκτιμώμενο χρονοδιάγραμμα τεσσάρων ωρών. Απαιτείται συνδρομή για πλήρη πρόσβαση.

Οπτικοποίηση δεδομένων σε R με ggvis (DataCamp): Ισορροπημένη θεωρία / εστίαση εργαλείου. Καλύπτει το R και το ggvis. Εκτιμώμενο χρονοδιάγραμμα τεσσάρων ωρών. Απαιτείται συνδρομή για πλήρη πρόσβαση.

Τυλίξτε το

Αυτό είναι το τέταρτο μιας σειράς έξι κομματιών που καλύπτει τα καλύτερα διαδικτυακά μαθήματα για να ξεκινήσετε στον τομέα της επιστήμης των δεδομένων. Καλύψαμε τον προγραμματισμό στο πρώτο άρθρο, στατιστικά στοιχεία και πιθανότητες στο δεύτερο άρθρο, καθώς και εισαγωγές στην επιστήμη δεδομένων στο τρίτο άρθρο. Το υπόλοιπο της σειράς θα καλύψει άλλες βασικές ικανότητες της επιστήμης δεδομένων. Επόμενο είναι η μηχανική μάθηση.

Αν θέλετε να μάθετε Επιστήμη Δεδομένων, ξεκινήστε με μία από αυτές τις τάξεις προγραμματισμού

medium.freecodecamp.com Εάν θέλετε να μάθετε την Επιστήμη δεδομένων, πάρτε μερικές από αυτές τις τάξεις στατιστικών

medium.freecodecamp.com Κατάταξα κάθε μάθημα Εισαγωγής στην Επιστήμη Δεδομένων στο Διαδίκτυο, με βάση χιλιάδες σημεία δεδομένων

medium.freecodecamp.com

Το τελευταίο κομμάτι θα είναι μια περίληψη αυτών των άρθρων, καθώς και τα καλύτερα διαδικτυακά μαθήματα για άλλα βασικά θέματα, όπως διαμάχη δεδομένων, βάσεις δεδομένων, ακόμη και μηχανική λογισμικού.

Αν ψάχνετε για μια πλήρη λίστα διαδικτυακών μαθημάτων Επιστήμης Δεδομένων, μπορείτε να τα βρείτε στη σελίδα θεμάτων Επιστήμης Δεδομένων και Big Data της Class Central.

Αν σας άρεσε να το διαβάζετε, ρίξτε μια ματιά σε μερικά από τα άλλα κομμάτια του Class Central:

Ακολουθούν 250 μαθήματα Ivy League που μπορείτε να παρακολουθήσετε δωρεάν τώρα

250 MOOCs από Brown, Columbia, Cornell, Dartmouth, Harvard, Penn, Princeton και Yale. medium.freecodecamp.com Τα 50 καλύτερα δωρεάν διαδικτυακά πανεπιστημιακά μαθήματα σύμφωνα με τα δεδομένα

Όταν ξεκίνησα το Class Central τον Νοέμβριο του 2011, υπήρχαν περίπου 18 δωρεάν διαδικτυακά μαθήματα και σχεδόν όλα… medium.freecodecamp.com

Αν έχετε προτάσεις για μαθήματα που έχω χάσει, ενημερώστε με στις απαντήσεις!

Εάν το θεωρήσατε χρήσιμο, κάντε κλικ στο? έτσι περισσότεροι άνθρωποι θα το δουν εδώ στο Medium.

Αυτή είναι μια συνοπτική έκδοση του αρχικού μου άρθρου που δημοσιεύτηκε στο Class Central, όπου έχω συμπεριλάβει περαιτέρω περιγραφές μαθημάτων, μαθήματα και πολλές κριτικές.