BM111: Wizualizacja danych
Dane zawierają w sobie ogrom informacji, jednak kluczem do tego jest ich właściwa interpretacja. Pomocna temu będzie wizualizacja danych i to jest właśnie temat mojej rozmowy z Anną Kozak. Z jednej strony jest wykładowcą, skończyła Politechnikę na kierunku matematyka stosowana. Z drugiej strony pracuje jako Data Scientist, więc jest w zawodzie. Z trzeciej strony angażuje się w przeróżne inicjatywy, aby szerzyć wiedzę. Wykonuje sporo różnych rzeczy, ale jedna, która się bardzo wyróżnia, to wizualizacja. Jest wielką entuzjastką wizualizacji. Ania zajmuje się również dziedziną XAI albo interpretowalność modeli czy sztucznej inteligencji. O tym postaram się nagrać osobny odcinek. Nie chciałem się za bardzo rozdrabniać, bo to jest wątek nieco szerszy, który zasługuje co najmniej na własny odcinek. Dzisiaj natomiast porozmawiamy o tym, czym jest zły wykres, jak zrobić poprawny oraz czy można robić Data Science na wysokim poziomie bez wizualizacji.
Władimir przedstawia gościa Anię Kozak, wykładowczynię z Politechniki Warszawskiej, pracującą również jako data scientist i angażującą się w inicjatywy szerzące wiedzę o wizualizacji danych.
Anna Kozak opowiada o swoim ulubionym autorskim kryminale i książkach o wizualizacji danych, które rozszerzyły jej wiedzę w tej dziedzinie.
Anna Kozak opisuje, że dobry wykres to historia, która przekazuje dużo informacji wizualnie, a jej pasje matematyka i sztuka łączą się w tej dziedzinie.
Anna Kozak omawia, że wartościowy wykres daje dąsalamową wartość, a nie tylko pokazuje wzrost lub spadek, ale także wskazuje na konkretne działania do podjęcia.
Anna Kozak podkreśla, że kolor i iluzje są kluczowe aspektami w tworzeniu wykresów, a kolor skalarny jest zawsze lepszym wyborem niż kolorowy.
Anna Kozak wyjaśnia, dlaczego pie charty są popularne, mimo że teoretycznie są trudniejsze do odczytania, a także opowiada o eksperymentach pokazujących ich popularność.
Anna Kozak omawia, że wizualizacja pomaga w szybkiej interpretacji danych, a nie tylko w ich przedstawieniu, i podkreśla, że wykresy są kluczowe dla decyzji biznesowych.
Rozmowa skupia się na znaczeniu wizualizacji w machine learningie i data science, a także na wykorzystywaniu jej do wyjaśniania modeli i zrozumienia ich działania.
Rozdziały i streszczenia generowane automatycznie. Pełna transkrypcja nie jest publikowana — wyszukaj frazę, aby zobaczyć dopasowane fragmenty.
Ania zajmuje się również dziedziną XAI albo interpretowalność modeli czy sztucznej inteligencji. O tym postaram się nagrać osobny odcinek. Nie chciałem się za bardzo rozdrabniać, bo to jest wątek nieco szerszy, który zasługuje co najmniej na własny odcinek. Dzisiaj natomiast porozmawiamy o tym, czym jest zły wykres, jak zrobić poprawny oraz czy można robić Data Science na wysokim poziomie bez wizualizacji.