Παρουσίαση/Προβολή
Διερευνητική Ανάλυση και Οπτικοποίηση Δεδομένων (Exploratory Data Analysis & Visualization) (Μεταπτυχιακό Πρόγραμμα AIDA)
(AIDA104) - Γεώργιος Ευαγγελίδης & Δημήτρης Δέρβος (Georgios Evangelidis & Dimitris Dervos)
Περιγραφή Μαθήματος
Course Content
Intro to EDAV
Data Wrangling: Importing, Transformation and Cleaning
Data Visualization (intro to ggplot2)
Data Wrangling: Missing Data – Outliers – Dates
Univariate Analysis
Multivariate Analysis
Network Data, Time Series, Spatial Data
Spatial Data: Theory, OGC, PostGIS, Spatialite
Spatial Data: Geocomputation with R
Feature Selection
Sampling, Instance Selection
Explanatory Data Analysis, Dashboards, Publishing Resources
Shiny Applications
Ημερομηνία δημιουργίας
Σάββατο 19 Σεπτεμβρίου 2020
-
Περιεχόμενο μαθήματος - Course Syllabus
Αρχές των γραφημάτων ανάλυσης. Διερευνητικά γραφήματα. Συστήματα γραφημάτων στην R. Προχωρημένες τεχνικές γραφημάτων στην R (lattice και ggplot2). Τεχνικές συσταδοποίησης και απομείωσης των δεδομένων για την οπτικοποίηση δεδομένων πολύ υψηλών διαστάσεων. Storytelling με δεδομένα. Προχωρημένες τεχνικές οπτικοποίησης: χάρτες, δίκτυα, δεδομένα υψηλών διαστάσεων, κείμενο, διάδραση, animation και οπτική αναλυτική.
Principles of Graph Analysis. Exploratory Graphs. Graph Systems in R. Advanced Graphing Techniques in R (lattice and ggplot2). Clustering and Dimensionality Reduction Techniques for Visualizing High-Dimensional Data. Storytelling with Data. Advanced Visualization Techniques: Maps, Networks, High-Dimensional Data, Text, Interaction, Animation, and Visual Analytics.
Μαθησιακοί στόχοι - Course Objectives/Goals
Βασικός στόχος των αναλυτών δεδομένων είναι η απόκτηση γνώσης από δεδομένα. Ένα από τα κυριότερα εργαλεία τους είναι η διαισθητική κατανόησή των δεδομένων πριν προχωρήσουν στην ανάλυση του τι συνέβη στο παρελθόν ή στην πρόβλεψη του τι θα συμβεί στο μέλλον. Η διαδικασία αυτή ονομάζεται Διερευνητική Ανάλυση Δεδομένων και περιλαμβάνει επαναληπτική εφαρμογή τεχνικών ανάλυσης, διερεύνησης και οπτικοποίησης δεδομένων.
The primary goal of data analysts is to gain knowledge from data. One of their main tools is an intuitive understanding of the data before moving on to analyze what happened in the past or to predict what will happen in the future. This process is called Exploratory Data Analysis and involves the iterative application of techniques for data analysis, exploration, and visualization.
Μέθοδοι αξιολόγησης - Assessment Methods
Εργασίες (50%) και τελική γραπτή εξέταση (50%)
Homeworks (50%) and Final Exam (50%)
Προαπαιτούμενα - Prerequisites/Prior Knowledge
Χρήσιμο, αλλά όχι αναγκαίο, είναι η παρακολούθηση προπτυχιακών μαθημάτων Στατιστικής και Εξόρυξης Γνώσης από Δεδομένα.
It is useful, though not necessary, to have attended undergraduate courses in Statistics and Knowledge Discovery from Data.