Анализ и интерпретация данных (syllabus): различия между версиями

Материал из Поле цифровой дидактики
 
(не показано 40 промежуточных версий этого же участника)
Строка 1: Строка 1:
Учебная группа, работающая  с курсом  Анализ и интерпретация данных в в 202 году [[:Категория:МКО_22]]
{{Curriculum
|Learning_outcomes=В результате освоения дисциплины слушатель должен:
; Знать
* особенности типов и источников данных
; Уметь:
* планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML диаграмм (plantUML, MerMaid)
* использовать сетевые сервисы для экспресс-анализа и интерпретации данных (RAWGraphs)
* очищать, обрабатывать и видоизменять данные, приводя их к опрятному виду tidy data (Snap!, R)
* совершать операции статистического анализа
; Владеть:
* навыками выстраивания процесс анализа и интерпретации данных от исходных сырых данных до публикации отчета или статьи
* навыками выращивания данных в искусственных сообществах (NetLogo, GAMA)
|Description=Разделы:
# Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества
# Планирование операций над данными
# Блочные сервисы визуализации данных
# Блочные языки обработки и представления данных
|Environment=BehaviorSpace, NetLogo, Scratch, Snap!, Сообщество Scratch, CODAP, RStudio, RAWGraphs
}}
 
== Составляющие курса  ==


=== Составляющие поля совместной деятельности ===
<graphviz>
<graphviz>
digraph Digida1 {
digraph Digida1 {
Строка 24: Строка 45:
}
}
</graphviz>
</graphviz>
== Цель, результаты освоения дисциплины ==


В результате освоения дисциплины слушатель должен:  
=== UML диаграмма - последовательность учебного курса ===
; Знать
<uml>
* особенности типов и источников данных
@startuml
; Уметь:  
skinparam NoteBackgroundColor tan
* планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML - [[:Категория:Diagrams]]
start
* использовать сетевые сервисы для экспресс-анализа и интерпретации данных
:Competence ;
* очищать, обрабатывать и видоизменять данные, приводя их к опрятному виду (tidy data)
note right
* совершать операции статистического анализа
Explore or solve problems by selecting technology for data analysis
; Владеть:
Select effective technology to represent data
* навыками выстраивания процесс анализа и интерпретации данных от исходных сырых данных до публикации отчета или статьи
Sorting files, emails or database returns to clarify clusters of related information
end note
:Concept;
note left
Learning Analytics
API
CSV
Dashboard
Flowchart
JSON
Prompt
Team Assembly
 
end note
 
:Book;
note right
A new kind of science
Agent-Based and Individual-Based Modeling: A Practical Introduction
Turtles, termites, and traffic jams
R for Data Science
Tidy Modeling with R
end note
 
:Authors;
note left
Latour
Tourchin
Barabashi
end note
 
 
:Data;
note right
Books (dataset)
GoogleSchool 01(dataset)
Letopisi 2006 (dataset)
end note
 
:Digital tool;
fork
  :plantUML ;
fork again
  :Mermaid;
fork again
  :RAWGraphs;
fork again
  :CODAP;
fork again
  :Semantic MediaWiki;
end fork
 
 
 
:Model ;
note left
Segregation (model)
Traffic jams
Urban Suite - Awareness
end note
 
:Programming Language ;
note right
  end note


== Содержание разделов дисциплины: ==
fork
  :Snap! ;
fork again
  :StarLogo Nova;
fork again
  :NetLogo;
fork again
  :R;
end fork


=== Источники и типы данных ===
fork
Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества
:Scripting Tutorials ;
note left


==== Библиографические данные ====
end note
fork again
  :Project;
note right
  end note


[https://app.vosviewer.com/?json=https://drive.google.com/uc?id=1vYgqSwG2d1X3RyNDt1AA_mDRIDo0B2ZG Пример работы]
end fork
stop


[[Zotero]] + ACM https://m.youtube.com/watch?v=vNvRVTWYwlw
@enduml
</uml>


[[Библиографический датасет 1]]
== С какими данными и что мы будем делать ==
Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества


==== Внешние данные ====
=== Собственные данные вики и их визуализация ===
; [[Dashboard]]


https://corgis-edu.github.io/corgis/
{| class="wikitable"
! Страниц
! Статей
! Редактирований
! Участников
! Файлов
{{!}}-
{{!}} {{NUMBEROFPAGES:R}}
{{!}} {{NUMBEROFARTICLES:R}}
{{!}} {{NUMBEROFEDITS:R}}
{{!}} {{NUMBEROFUSERS:R}}
{{!}} {{NUMBEROFFILES}}
|}
----
{{#ask: [[Категория:DigitalTool]] [[Tool_is_made_for::+]]
|?Tool_is_made_for
|mainlabel=-
|format=jqplotchart
|charttype=bar
|height= 600
|filling=1
|distribution= yes
|min = 1
|width=100%
|direction=horizontal
|theme=simple
|colorscheme=rdbu
}}


==== Данные из игр ====
==== Библиографические данные ====
{{#widget:YouTube|id=gOAAT4sNYX4|start=10}}


[https://app.vosviewer.com/?json=https://drive.google.com/uc?id=1vYgqSwG2d1X3RyNDt1AA_mDRIDo0B2ZG Пример работы]


==== Выращивание данных ====
[[Zotero]] + ACM https://m.youtube.com/watch?v=vNvRVTWYwlw


===== Starlogo Nova =====
[[Библиографический датасет 1]]


Проект https://www.slnova.org/patarakin/projects/694467/
== Внешние данные ==


Исходное состояние - выбираем параметры
# https://corgis-edu.github.io/corgis/
* количество мячей = 5
## https://corgis-edu.github.io/corgis/csv/graduates/
* количество участников = 175
#### https://corgis-edu.github.io/corgis/datasets/csv/graduates/graduates.csv
* рычажок видимости (как близко от участника должен быть мяч, чтобы он начал к нему бежать) = 5


[[Файл:Slnova Data.jpg]]


====== Собираем данные со страницы  ======


500 записей
См. [[:Категория:Dataset]]


[[Файл:Slnova Data1.jpg]]


===== NetLogo=====


{{#widget:YouTube|id=_IRTKplE7nw|start=10}}
== Выращивание данных ==
[[Как вырастить данные в искусственном сообществе]]


==== Многое как данные на примере Snap! ====
==== Многое как данные на примере Snap! ====
Строка 85: Строка 208:
=== Планирование операций над данными ===
=== Планирование операций над данными ===
Планирование действий над данными при помощи UML диаграмм
Планирование действий над данными при помощи UML диаграмм
[[:Категория:Diagrams]]


=== Сетевые сервисы визуализации ===
=== Сетевые сервисы визуализации ===
Строка 91: Строка 217:
==== Задание с [[RAWGraphs]] ====
==== Задание с [[RAWGraphs]] ====


; Патаракин Е. Д. Выращивание и Анализ Данных в Веб Красноярск: Сибирский федеральный университет, 2021.C. 238–242.
; Патаракин Е. Д. Выращивание и Анализ Данных в Веб Красноярск -  Сибирский федеральный университет, 2021.C. 238–242.
: https://elibrary.ru/item.asp?id=46644731
: https://elibrary.ru/item.asp?id=46644731
: https://www.slnova.org/patarakin/projects/694467/
: https://www.slnova.org/patarakin/projects/694467/


=== Обработка, очистка ===  
=== Обработка, очистка ===  
Обработка, очистка и манипуляции с данными в пакетах R и Python – использование tidyverse & tidygraph
Обработка, очистка и манипуляции с данными  
* В [[Snap!]]
* в пакетах [[R]] и [[Python]] – использование tidyverse & tidygraph
 
Мы берём исходный [[датасет]] - [[Cities (dataset)]]‎‎
 
{{#get_web_data:url=http://www.uic.unn.ru/pustyn/data-sets/digida/Millions_Cities.csv
|format=csv with header
|filters=Country Code=RU
|data=Name=Name,Country=Country Code,Population=Population,Coordinates=Coordinates
}}
 
{| class="wikitable sortable"
! Название
! Страна
! Население {{#for_external_table:<nowiki/>
{{!}}-
{{!}} {{{Name}}}
{{!}}{{{Country}}}
{{!}} {{{Population}}} }}
|}
 
Внутри множество городов - миллионников из разных стран. И у всех координаты в виде
 
Пример очистки и преобразования данных:
* https://snap.berkeley.edu/snap/snap.html#present:Username=patarakin&ProjectName=BigCities
 
<snap project="BigCities" user="patarakin" />


=== Статистический анализ и интерпретация данных ===
=== Статистический анализ и интерпретация данных ===


Основные операции статистического анализа над данными
Основные операции статистического анализа - [[Анализ данных]]


=== Экспорт результатов ===
=== Экспорт результатов ===
Строка 106: Строка 259:


== Литература ==
== Литература ==
=== Основная литература  ===
 
=== Тексты на поле вычислительной дидактики ===
 


=== Дополнительная литература  ===
=== Дополнительная литература  ===
# Патаракин Е.Д., Ярмахов Б.Б. Выращивание данных для школьных виртуальных лабораторий // Вестник Российского Университета Дружбы Народов. Серия: Информатизация Образования. 2021. Vol. 18, № 4. c. 347–359.
# Патаракин Е.Д., Ярмахов Б.Б. Выращивание данных для школьных виртуальных лабораторий // Вестник Российского Университета Дружбы Народов. Серия: Информатизация Образования. 2021. Vol. 18, № 4. c. 347–359.
# Патаракин Е.Д., Вачкова С.Н. Сетевой анализ коллективных действий над цифровыми образовательными объектами // Вестник Московского Городского Педагогического Университета. Серия: Педагогика И Психология. 2019. № 4 (50). c. 101–112.
# Патаракин Е.Д., Вачкова С.Н. Сетевой анализ коллективных действий над цифровыми образовательными объектами // Вестник Московского Городского Педагогического Университета. Серия: Педагогика И Психология. 2019. № 4 (50). c. 101–112.


== Видеоматериалы ==
== Видеоматериалы ==
Строка 127: Строка 281:
|  Примеры источников данных
|  Примеры источников данных
| Найти, оформить, вырастить данные для дальнейшего анализа
| Найти, оформить, вырастить данные для дальнейшего анализа
| В категории статей о датасетах
| В категории статей о датасетах [[:Category:Dataset]]
|-  
|-  
| планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML
| планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML
| Планирование операций над данными
| Планирование операций над данными
| Создать схему цикла работы с данными  
| Создать схему цикла работы с данными  
| Пример [[:Category:Diagrams]]
| Пример  
* [[:Category:Diagrams]]
* [[Диаграмма_профиля_компетенций]]
* [[Диаграмма формирования компетентного профиля]]
* [[Диаграмма Ганта]]
|-  
|-  
| Умеет использовать сетевые сервисы для экспресс-анализа и интерпретации данных
| Умеет использовать сетевые сервисы для экспресс-анализа и интерпретации данных
| Сетевые сервисы визуализации
| Сетевые сервисы визуализации
| Использовать экспресс-методы
| Использовать экспресс-методы
| RowGraph, CODAP - примеры использования
| [[RAWGraphs]], [[CODAP]], [[graphviz]] - примеры использования
|-  
|-  
| Обработать и очистить данные
| Обработать и очистить данные
Строка 147: Строка 305:
| Статистический анализ и интерпретация данных
| Статистический анализ и интерпретация данных
| Операции над собственным датасетом
| Операции над собственным датасетом
| Готовые датасеты
| Готовые датасеты [[:Category:Dataset]]
|-  
|-  
| Подготовка выполняемой публикации
| Подготовка выполняемой публикации
| Экспорт результатов
| Экспорт результатов
| Операции над собственным датасетом
| Операции над собственным [[датасет]]ом
| [[Выполняемая публикация]]
| [[Выполняемая публикация]]
|}
|}

Текущая версия на 18:00, 21 мая 2024



Планируемые результаты обучения (Знать, Уметь, Владеть) В результате освоения дисциплины слушатель должен:
Знать
  • особенности типов и источников данных
Уметь
  • планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML диаграмм (plantUML, MerMaid)
  • использовать сетевые сервисы для экспресс-анализа и интерпретации данных (RAWGraphs)
  • очищать, обрабатывать и видоизменять данные, приводя их к опрятному виду tidy data (Snap!, R)
  • совершать операции статистического анализа
Владеть
  • навыками выстраивания процесс анализа и интерпретации данных от исходных сырых данных до публикации отчета или статьи
  • навыками выращивания данных в искусственных сообществах (NetLogo, GAMA)
Содержание разделов курса Разделы:
  1. Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества
  2. Планирование операций над данными
  3. Блочные сервисы визуализации данных
  4. Блочные языки обработки и представления данных
Видео запись
Среды и средства, которые поддерживают учебный курс BehaviorSpace, NetLogo, Scratch, Snap!, Сообщество Scratch, CODAP, RStudio, RAWGraphs
Книги, на которых основывается учебный курс


Составляющие курса

Составляющие поля совместной деятельности

UML диаграмма - последовательность учебного курса

С какими данными и что мы будем делать

Источники и типы данных, которые мы извлекаем или порождаем - информационные системы организаций, библиографические системы, сетевые опросы, игры, симуляции, сетевые сообщества

Собственные данные вики и их визуализация

Dashboard
Страниц Статей Редактирований Участников Файлов
4231 1195 22692 606 857

Библиографические данные

Пример работы

Zotero + ACM https://m.youtube.com/watch?v=vNvRVTWYwlw

Библиографический датасет 1

Внешние данные

  1. https://corgis-edu.github.io/corgis/
    1. https://corgis-edu.github.io/corgis/csv/graduates/
        1. https://corgis-edu.github.io/corgis/datasets/csv/graduates/graduates.csv


См. Категория:Dataset


Выращивание данных

Как вырастить данные в искусственном сообществе

Многое как данные на примере Snap!

Планирование операций над данными

Планирование действий над данными при помощи UML диаграмм

Категория:Diagrams


Сетевые сервисы визуализации

Использование быстрых сетевых сервисов анализа и интерпретации данных – RAWGraphs, CODAP, NetBlox. Выбор способов представления данных

Задание с RAWGraphs

Патаракин Е. Д. Выращивание и Анализ Данных в Веб Красноярск - Сибирский федеральный университет, 2021.C. 238–242.
https://elibrary.ru/item.asp?id=46644731
https://www.slnova.org/patarakin/projects/694467/

Обработка, очистка

Обработка, очистка и манипуляции с данными

  • В Snap!
  • в пакетах R и Python – использование tidyverse & tidygraph

Мы берём исходный датасет - Cities (dataset)‎‎


Название Страна Население
Voronezh RU 1047549
Samara RU 1163399
Kazan RU 1243500
Rostov-na-Donu RU 1130305
Nizhniy Novgorod RU 1259013
Moscow RU 10381222
Saint Petersburg RU 5351935
Volgograd RU 1013533
Omsk RU 1172070
Yekaterinburg RU 1495066
Ufa RU 1120547
Chelyabinsk RU 1202371
Novosibirsk RU 1612833
Krasnoyarsk RU 1090811

Внутри множество городов - миллионников из разных стран. И у всех координаты в виде

Пример очистки и преобразования данных:

Статистический анализ и интерпретация данных

Основные операции статистического анализа - Анализ данных

Экспорт результатов

Подготовка результатов для публикаций, создание выполняемых публикаций и динамических визуализаций

Литература

Тексты на поле вычислительной дидактики

Дополнительная литература

  1. Патаракин Е.Д., Ярмахов Б.Б. Выращивание данных для школьных виртуальных лабораторий // Вестник Российского Университета Дружбы Народов. Серия: Информатизация Образования. 2021. Vol. 18, № 4. c. 347–359.
  2. Патаракин Е.Д., Вачкова С.Н. Сетевой анализ коллективных действий над цифровыми образовательными объектами // Вестник Московского Городского Педагогического Университета. Серия: Педагогика И Психология. 2019. № 4 (50). c. 101–112.

Видеоматериалы

Критерии оценки по дисциплине

Образовательный результат Тема Задание Пример
Знает особенности типов и источников данных Примеры источников данных Найти, оформить, вырастить данные для дальнейшего анализа В категории статей о датасетах Category:Dataset
планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML Планирование операций над данными Создать схему цикла работы с данными Пример
Умеет использовать сетевые сервисы для экспресс-анализа и интерпретации данных Сетевые сервисы визуализации Использовать экспресс-методы RAWGraphs, CODAP, graphviz - примеры использования
Обработать и очистить данные Обработка, очистка Подготовить и видоизменить данные Примеры видоизменения данных в Snap!, R, Python
Операции статистического анализа Статистический анализ и интерпретация данных Операции над собственным датасетом Готовые датасеты Category:Dataset
Подготовка выполняемой публикации Экспорт результатов Операции над собственным датасетом Выполняемая публикация
Источник — http://digida.mgpu.ru/index.php?title=Анализ_и_интерпретация_данных_(syllabus)&oldid=18393