Анализ данных и визуализация датасета «Personalized Learning Dataset»

Для анализа я выбрала датасет "Personalized_Learning_Dataset", который содержит информацию о характеристиках обучения людей различного возраста по техническим направлениям.

В датасете есть такие данные как: возраст учащихся, пол, уровень обучения, название курса, стиль обучения и тд.

Источник: датасет был взят с платформы Kaggle.

Актуальность: Анализ больших данных в области образования способствует улучшению качества обучения и помогает принимать более обоснованные решения на всех уровнях образовательного процесса.

Ценность данных: Изучение больших объемов данных, в которых представлены различные характеристики обучения может стать основой для создания новых методик и технологий в образовании, что в итоге улучшает качество обучения.

– Круговая диаграмма: чтобы показать соотношение популярности учебных курсов. Круговая диаграмма удобно иллюстрирует визуализацию долевого распределения.

– Лепестковая диаграмма: чтобы отразить популярность стилей обучения среди студентов. Лепестковая диаграмма полезна для отражения процентного соотношения категорий данных.

– Линейный график: чтобы визуализировать динамику просмотра видео-уроков в зависимости от возраста. Линейный график хорошо подходит для отображения частых изменений какого-то значения.

– Столбчатая диаграмма: чтобы сравнить распределение учеников в зависимости от их пола и уровня образования. Столбчатая диаграмма прекрасно отражает значения категорий.

– Тепловая карта: чтобы показать распределение студентов по курсу и полу. Тепловая карта помогает визуализировать взаимосвязи между категориями данных.

– Гистограмма: чтобы показать уровень вовлеченности студентов относительно разных курсов обучения. Гистограммы идеально подходят для отображения категорий данных относительно друг друга.

Мой путь обработки данных:

Загрузка данных: import pandas as pd df = pd.read_csv('/content/personalized_learning_dataset.csv')

Удаление дубликатов: df_cleaned = df.drop_duplicates()

Сортировка столбцов с числовыми значениями: sorted_df = df.sort_values(by='Age', ascending=True) sorted_df = df.sort_values(by='Time_Spent_on_Videos', ascending=True) и тд.

Модель: для генерации идей по стилизации графиков и исправления ошибок в коде я использовала ChatGPT (Open AI)

Промпты:

"Как стилизовать графики про обучение?"

"Какие цвета использовать для стилизации графиков с большими данными про образование?"

При выборе стиля для своих графиков я вдохновилась современным интерьерным дизайном в учебных заведениях. Использовала светлый фон и спокойные цвета.

Код для стилизации: plt.gca().set_facecolor('#FFFACD')

Описание: Показывает соотношение популярности учебных курсов среди всех студентов.

Узнав результаты данного соотношения, можно предположить, в какую сторону движется развитие технологий и создать новые обучающие курсы, которые будут востребованы.

Описание: отражает популярность стилей обучения среди студентов.

Проанализировав эти данные, обучение можно создавать в формате, который более предпочтителен учащимися, что повысит вовлечённость и интерес к образованию.

Описание: сравнивает распределение учеников в зависимости от их пола и уровня образования.

Результаты этого графика позволяют сделать вывод о том, что большинство людей уже имеют оконченное образование.

Описание: визуализирует динамику просмотра видео-уроков в зависимости от возраста.

Проанализировав данный график, можно понять, что ученикам школьного возраста предпочтительнее преподавать информацию в формате очных лекций. А люди, которые по возрасту, скорее всего, уже работают, с удовольствием будут обучаться на видео-уроках.

Описание: показывает распределение студентов по курсу и полу.

Узнав результаты данного соотношения, можно понять, какие технические направления более интересны определенному полу и преподавать данные курсы с учётом приоритетной аудитории.