mi2-education / 2021z-datavisualizationtechniques Goto Github PK

🎄🎄 Choinki to coroczna tradycja na Technikach Wizualizacji danych. 🎄🎄

🎄🎄🎄🎄🎄🎄🎄

W ramach pracy domowej należy wykonać choinkę używając jednego z poniższych narzędzi:

• gganimate/ggimage,
• RBokeh,
• ggiraph.

Drzewka z poprzednich lat można obejrzeć tutaj.
Inną inspiracją mogą być matematyczne choinki.

🎄🎄🎄🎄🎄🎄🎄

Proszę o przesłanie PD przez pull request, folder homework_9/imie_nazwisko, powinien zawierać kod choinki oraz wygenerowane drzewko w pdf, png, jpg, gif lub html jeśli choinka jest interaktywna.

Termin: zajęcia 21.12, ale jeśli ktoś się nie wyrobi, to drzewka będę przyjmować do 3 stycznia.

Choinka warta jest 5 punktów.

Proszę o umieszczanie plików projektu w folderze o nazwie nazwisko1_nazwisko2_nazwisko3 w folderze ./projects/project1.

Zgodnie z harmonogramem:

• do 15/11 powinien pojawić się PR z plakatem nazwisko1_nazwisko2_nazwisko3.pdf
• do 16/11 (12:00) powinien pojawić się PR z nagraniem nazwisko1_nazwisko2_nazwisko3.** w formacie, który łatwo otworzyć

Tytuł PR:

Odpowiednio [projekt1] nazwisko1 plakat i [projekt1] nazwisko1 nagranie (Pull Request robi jedna osoba z zespołu)

Inne uwagi:

• na plakacie powinien znaleźć się podpis identyfikujący autorów
• można też zrobić upload nagrania na google drive i udostępnić mailem na [email protected] (tytuł maila jak PR) np. gdyby nagranie nie mieściło się na gicie
• warto wysłać nagranie przed niedzielą żebym miał szansę sprawdzić czy dobrze się odtwarza

Uprzedzam pytania:

• jeżeli grupa ma 4 osoby to wydłuża nazwy o czwarte nazwisko
• jeżeli nagranie ma ponad 2 minuty to prawdopodobieństwo utraty punktów oblicza się ze wzoru:

p(t) = min(max((t - 125) * 😠 / 😶, 0) 1)

gdzie:

• t - długość nagrania w sekundach
• 😠 - liczba zdenerwowanych tym faktem osób
• 😶 - liczba osób na wykładzie

przy czym:

• liczbę potencjalnych punktów do stracenia wybiera rzut kostką
• o utracie punktów przesądzi wynik wywołania wyrażenia rbinom(1, 1, p(t)) == 1 w języku R

zakładając, że nie ustawia się wcześniej ziarna losowości.

• "do dnia X" oznacza "do końca dnia X" jeżeli nie napisano inaczej
• ...

Opis i potrzebne pliki tu: https://github.com/mini-pw/2021Z-DataVisualizationTechniques/tree/master/homeworks/homework_10/files

Kolejną pracą domową jest poprawa wykresów z Narodowego Spisu Powszechnego (NSP)
https://stat.gov.pl/spisy-powszechne/nsp-2011/nsp-2011-wyniki/

Należy wybrać jeden wykres i poprawić go.

Zadanie mozna wykonywać w parach (wtedy należy poprawić 2 wykresy).
Realizacja pracy domowej jest zaplanowana na zajęcia 2.11.2020.
Za przesłanie wyników do końca zajęć będzie dodatkowy 1 pkt.

Pracę domową należy składać przez PR, tak jak poprzednie.

W ramach pracy domowej proszę o przygotowanie wizualizacji utworzonej z wykorzystaniem ggplot2.

Praca domowa powinna być wykonana na podstawie wizualizacji dostępnej w prasie, telewizji lub internecie, opublikowanej w ciągu ostatnich 2 tygodni.
Minimalnie powinno to być odtworzenie wizualizacji (3p), maksymalnie poprawa wizualizacji (5p).
Na przykład poprawa czytelności, słupki 2d zamiast 3d, poprawa słupków, które nie zaczynają się w 0, bardziej pasujący typ wykresu, ...

Pracę proszę przesłać w postaci raportu rmd wyrenderowanego do pdf (preferowane), ewentualnie do html.

Proszę o :

1. podanie źródła oraz zamieszczenie wizualizacji która jest poprawiana. (konieczne)
2. umieszczenie kodu oraz utworzonej wizualizacji. (maksymalnie 3 pkt).
3. krótkie uzasadnienie, dlaczego wykres jest lepszy niż oryginalny. (maksymalnie 2 pkt).

Najlepiej, gdyby wykresy źródłowe nie powtarzały się w różnych pracach domowych. Z kolei wygenerowane wykresy nie mogą być prawie identyczne, osobom które później zgłoszą pracę domową będę obniżać punkty.

Proszę o umieszczenie wszystkich plików z pracą domową w folderze nazwisko_imie w
https://github.com/mini-pw/2021Z-DataVisualizationTechniques/tree/master/homeworks/homework_2
Praca domowa powinna być zgłoszona przez Pull Request zawierający imię, nazwisko oraz numer pracy domowej

Na kolejnych zajęciach pierwsze 3 osoby z listy USOS będą przedstawiać swoje prace domowe.

Termin: 18.10 (niedziela) do północy.
Prace przesłane po tym terminie będą mieć minus jeden punkt za każdy dzień zwłoki.

Utworzyć aplikację shiny na wzór tej:
https://agosiewska.shinyapps.io/World-app/

Dane można znaleźć w folderze https://github.com/mini-pw/2021Z-DataVisualizationTechniques/tree/master/labs/data pod nazwą healthexp.Rds.
Można je wczytać komendą healthexp <- readRDS("healthexp.Rds")

Uwaga, shiny apps ma miesięczny limit 30h łącznego korzystania z aplikacji, więc aplikacja może nie działać jeśli zostanie przez nas wykorzystany.
Dlatego umieszczam też zdjęcia poglądowe:

Pracą domową numer 6 jest rozwiązanie zadań z notebooka:
https://github.com/mini-pw/2021Z-DataVisualizationTechniques/blob/master/homeworks/homework_6/homework_6.ipynb

Tak jak zawsze proszę o wrzucenie jej poprzez pull request zawierający imię, nazwisko oraz numer pracy domowej. Sam plik proszę o umieszczenie w folderze nazwisko_imie.

Termin: 22.11.2020.
Praca jest warta 5 pkt.

https://www.anaconda.com/blog/an-introduction-to-the-seaborn-objects-system

Modeled on grammar of graphics and closely aligned with ggplot2

Prace domowe 3 i 4 są połączone, oznacza to że obie zalicza się wykonaniem jednego zadania a łącznie do zdobycia jest 10 pkt.
Plus ewentualne bonusy :)

Tę pracę domową można wykonywać samodzielnie lub zespołowo (K osób, patrz opis niżej) i na jej wykonanie są 2 tygodnie. Wszystkie osoby z zespołu otrzymują tyle samo punktów.

Na wykładzie omawialiśmy problemy z kodowaniem danych. Patrz: http://biecek.pl/Eseje/grafika/historia/2010MTurk.png
Źródło: http://vis.stanford.edu/files/2010-MTurk-CHI.pdf

W ramach pracy domowej należy przygotować K eksperymentów, sprawdzających czy określone problemy z czytaniem danych wciąż występują (problemy = iluzje na wykresach, błędy w odczytywaniu wykresu kołowego, błędy w pokazywaniu danych za pomocą wykresów 3D, problemy z tytułami na wykresie) (K = liczba osób w zespole, zespół z 3 osobami powinien zrobić 3 eksperymenty).

Następnie należy przetestować na przynajmniej 15 innych osobach czy dany problem występuje, np przeprowadzając ankietę typu czy lepszy jest wykres A czy B.

Celem pracy jest sprawdzenie czy ,,dobre praktyki'' opracowane lata temu (słupki lepsze niż kąty, kolor wykorzystywany z umiarem, unikanie ozdobników), faktycznie działa w społeczeństwie które wykresami karmione jest od urodzenia.

Proszę o umieszczenie raportu i ewentualnych dodatkowych plików z pracą domową w folderze zawierającym nazwiska członków grupy w
https://github.com/mini-pw/2021Z-DataVisualizationTechniques/tree/master/homeworks/homework_3

Praca domowa powinna być zgłoszona przez Pull Request zawierający nazwiska autorów oraz numery pracy domowej

Na zajęciach osoby z listy USOS o numerach 4-6 będą przedstawiać prace domowe swoich grup.

Termin: 02.11 (niedziela) do północy.

Zadaniem jest poprawa pracy domowej numer 2 #60, która polegała na poprawieniu wybranego przez siebie wykresu.

Macie już dużo więcej doświadczenia w tworzeniu dobrych wizualizacji, zobaczmy, czy da się poprawić Wasze prace domowe :)

Co zrobić:
Wykorzystać narzędzie do wizualizacji w Pythonie (matplotlib, seaborn) do poprawienia wykresu w ggplot2 zrobionego podczas PD2.
Najlepiej poprawić swoją pracę domową, ale można też cudzą.

Jak zrobić:
Wysłać jupyter notebook, ewentualnie pdf lub html. Ważne, żeby były w nim wszystkie wykresy oraz kod do wykresu w pythonie.

Powinien on zawierać:

1. oryginalny wykres (z internetu, telewizji, prasy, ...) wraz ze źródłem,

2. wykres w ggplot2 wraz z linkiem do pracy domowej w której on się pojawił, kod tego wykresu nie jest potrzebny,

3. poprawiony wykres z punktu nr 2 zrobiony w Pythonie,

4. Uzasadnienie, czemu wykres w Pythonie jest lepszy od dwóch poprzednich.

Jak wysłać
Tak jak zawsze przez PR do folderu homework_7, tam umieścić folder ze swoim imieniem i nazwiskiem, a w nim pliki do pracy domowej.

Do kiedy
Termin: 29.11.2020

Maksymalnie można otrzymać 5 pkt.

Praca domowa rozgrzewkowa :)

Wykonać zadanie z biblioteki proton.

Skrypt z rozwiązaniem umieścić w folderze nazwisko_imie znajdującym się w
https://github.com/mini-pw/2021Z-DataVisualizationTechniques/tree/master/homeworks/homework_1

Rozwiązanie można umieszczać poprzez pull request, proszę w tytule podać Nnazwisko, imię oraz numer pracy domowej.

Termin: 11.10.2020 (niedziela) do północy

W ramach pracy domowej proszę o przygotowanie wizualizacji utworzonej z wykorzystaniem matplotliba lub seaborna.

Praca domowa powinna być wykonana na podstawie wizualizacji dostępnej w prasie, telewizji lub internecie, opublikowanej w ciągu ostatnich 2 tygodni.

Pracę proszę przesłać w postaci Jupyter Notebooka.

Proszę o :

• podanie źródła oraz zamieszczenie wizualizacji która jest poprawiana,

• umieszczenie kodu oraz utworzonej wizualizacji,

• krótkie uzasadnienie, dlaczego wykres jest lepszy niż oryginalny.

Zależy mi w szczególności na istotnej poprawie i mniej wyświechtanych przykładach niż wykres kołowy -> słupkowy.

Proszę o umieszczenie wszystkich plików z pracą domową w folderze nazwisko_imie w
https://github.com/mini-pw/2021Z-DataVisualizationTechniques/tree/master/homeworks/homework_8
Praca domowa powinna być zgłoszona przez Pull Request zawierający imię, nazwisko oraz numer pracy domowej

Termin: 7.12 (niedziela) do północy.