活动介绍

自主实践:提升数据故事讲述能力的系列练习

立即解锁
发布时间: 2025-09-03 02:01:02 阅读量: 2 订阅数: 16 AIGC
### 自主实践:提升数据故事讲述能力的系列练习 在数据可视化和数据故事讲述的学习过程中,实践是提升技能的关键。以下将为大家介绍一系列丰富的实践练习,帮助大家更好地掌握相关技能。 #### 练习概述 这些练习可以独自完成,也可与伙伴或小组合作。随着练习的推进,其细微差别和复杂度会逐渐增加。即便某些主题或数据看似与当前工作无关,也建议大家完成练习,因为持续的练习能让所学知识深入人心,并在低风险环境中提升技能。完成练习后,获取反馈并思考解决方案中的哪些部分可应用到工作中。 #### 具体练习内容 1. **多元化招聘练习(Exercise 8.1)** - **步骤 1**:观察展示多元化招聘相关数据的幻灯片,找出其优点。 - **步骤 2**:分析幻灯片中不理想的地方,可做笔记或与伙伴讨论。 - **步骤 3**:确定主要信息,判断这是一个成功案例还是行动呼吁,并清晰阐述若要展示此数据会聚焦的要点。 - **步骤 4**:假设需以表格形式展示数据,思考如何改进数据呈现方式以突出步骤 3 中形成的要点,可绘制表格或使用工具创建。 - **步骤 5**:若有更多修改自由,思考如何呈现数据并讲述关于“ABC 项目”多元化招聘的数据驱动故事,规划方法并使用工具创建理想材料。 2. **区域销售练习(Exercise 8.2)** - **场景 1**:若次日有活动且时间有限,最多花 5 分钟修改幻灯片,思考该怎么做以及如何呈现信息。 - **场景 2**:若活动还有一周时间且幕僚长自愿重新设计幻灯片,思考当前幻灯片中希望保留的方面以及根据所学课程建议的更改。 3. **收入预测练习(Exercise 8.3)** - **步骤 1**:指出展示随时间变化的总收入和净收入可视化图表的优点。 - **步骤 2**:反思数据表的使用效果,若有效说明原因,若无效思考不同的处理方式。 - **步骤 3**:思考还需做出哪些其他更改。 - **步骤 4**:设想在现场会议展示和通过电子邮件发送数据这两种不同情况,思考处理方式的差异,并下载数据使用工具创建首选可视化图表。 - **步骤 5**:选择一个未使用过的数据可视化工具重新创建可视化图表,总结从该经历中学到的内容。 4. **不良事件练习(Exercise 8.4)** - **步骤 1**:指出总结近期研究要点幻灯片的优点。 - **步骤 2**:列出想向同事询问的问题。 - **步骤 3**:根据所学课程建议对幻灯片进行更改,并说明原因。 - **步骤 4**:思考若信息要呈现给非技术受众,建议会有何变化。 - **步骤 5**:下载数据并使用工具创建改进后的幻灯片。 5. **离职原因练习(Exercise 8.5)** - **步骤 1**:解释展示离职原因数据的可视化图表所表达的内容,必要时做出假设。 - **步骤 2**:指出当前可视化图表中令人困惑或不理想的地方,思考要向人力资源业务伙伴询问的问题或提供的反馈,同时考虑如何以不冒犯对方的方式表达反馈。 - **步骤 3**:想出三种不同的方式展示数据,列出每种方式的优缺点,选择最喜欢的视图并说明原因。 - **步骤 4**:下载数据并使用工具创建首选可视化图表。 - **步骤 5**:假设向首席营销官展示数据的方式(现场讲解或自行查看),并使用工具创建推荐的沟通材料。 以下是这些练习步骤的流程图: ```mermaid graph LR classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px; classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px; classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px; A([开始练习]):::startend --> B(多元化招聘练习):::process A --> C(区域销售练习):::process A --> D(收入预测练习):::process A --> E(不良事件练习):::process A --> F(离职原因练习):::process B --> B1(步骤 1):::process B --> B2(步骤 2):::process B --> B3(步骤 3):::process ```
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

勃斯李

大数据技术专家
超过10年工作经验的资深技术专家,曾在一家知名企业担任大数据解决方案高级工程师,负责大数据平台的架构设计和开发工作。后又转战入互联网公司,担任大数据团队的技术负责人,负责整个大数据平台的架构设计、技术选型和团队管理工作。拥有丰富的大数据技术实战经验,在Hadoop、Spark、Flink等大数据技术框架颇有造诣。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看

最新推荐

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543

A*算法深度剖析:如何在Cocos2d-x塔防游戏中高效实现路径查找

# 1. A*算法与路径查找的基本概念 在游戏开发与人工智能领域,路径查找是一项基础且关键的技术。A*(A-Star)算法作为一种启发式搜索算法,广泛应用于地图导航、机器人路径规划以及塔防游戏中单位的移动逻辑。本章将从路径查找的基本概念入手,介绍图的表示方式、邻接关系,并引出A*算法的基本思想。 A*算法结合了最佳优先搜索(Best-First Search)的启发式估计与Dijkstra算法的成本计算,能够在保证最优路径的同时提高搜索效率。其核心在于启发函数的设计,通过估算从当前节点到目标节点的最小代价,指导搜索方向,从而实现高效寻路。 # 2. A*算法的理论基础 A*(A-Sta