Cómo elegir la estrategia adecuada de visualización de datos para tu proyecto

Elegir la estrategia adecuada de visualización de datos para tu proyecto

Nuevas herramientas y paquetes van y vienen, pero la gramática básica de la visualización de datos sigue siendo increíblemente resistente a las tendencias: al final del día, todavía necesitamos combinar líneas, colores y texto de manera efectiva para contar la historia de nuestros datos.

Eso no significa, lamentablemente, que siempre sea fácil o directo encontrar el enfoque correcto para visualizar conocimientos basados en datos. Si nos inclinamos demasiado hacia la simplicidad, nuestros gráficos pueden parecer aburridos o incluso anticuados. Si agregamos demasiados toques llamativos, corremos el riesgo de abrumar y distraer a nuestros lectores, clientes y partes interesadas.

Cuando no hay una solución única para todos y cada proyecto requiere un enfoque cuidadosamente adaptado, lo mejor que los profesionales de datos pueden hacer es expandir continuamente su conjunto de herramientas de visualización y aprender, a través de prueba y error, qué funciona mejor en diferentes contextos. Nuestras publicaciones recomendadas de esta semana te ayudarán en ese viaje: ofrecen ideas concretas y destacan la importancia de relacionar las visualizaciones con el mensaje subyacente que deseas transmitir.

• Más allá de las gráficas de barras: datos con diagramas de Sankey, empaquetado circular y gráficos de redNo hay nada de malo en un buen y limpio gráfico de barras, por supuesto, pero hay momentos en los que la historia que estamos contando es demasiado compleja y multicapa para encajar perfectamente en uno solo. Maham Haroon ofrece una guía detallada sobre tres alternativas elegantes que podrías considerar la próxima vez que estés atascado: diagramas de Sankey, empaquetado circular y gráficos de red.
• Creando animaciones para mostrar cuatro algoritmos de agrupamiento basados en centroides usando Python y SklearnPuede ser un desafío presentar los resultados de un proceso de agrupamiento de manera atractiva. Boriharn K propone una idea ingeniosa para aquellos momentos en los que una serie de gráficos simplemente no es suficiente: animar tu trabajo. Como señala Boriharn, “puede ser útil para mostrar cómo funciona cada algoritmo y monitorear el cambio en el proceso”.
• Crea hermosas (y útiles) gráficas de tipo espagueti con PythonTal vez sea algo sobre visualizaciones temáticas de comida (¿gráficas de pastel, alguien?), pero las gráficas de tipo espagueti tienden a ser objeto de burla ocasional. Lee Vaughan demuestra cómo pueden ser utilizadas de manera efectiva y se apoya en el ejemplo oportuno de los datos del cambio climático para explicar cómo puedes crearlas.

Desde el Cubo de Rubik hasta LLMs, también hemos publicado algunos artículos maravillosos sobre otros temas. Aquí tienes una selección de algunos de nuestros aspectos más destacados recientes:

• DreamBooth Difusión estable para imágenes personalizadas
• Candle y Falcon Una Guía para Modelos de Lenguaje Grandes en Rust
• Métricas de Evaluación de Aprendizaje Automático Teoría y Resumen

• Parul Pandey presenta un poderoso argumento sobre la importancia de la cultura cuando se trata de la capacidad de las organizaciones para adoptar prácticas de IA responsables.
• Si te encanta la historia y las matemáticas (y/o la historia de las matemáticas), definitivamente no debes perderte la investigación exhaustiva de Sachin Date sobre las desigualdades de Markov y Bienaymé-Chebyshev.
• ¿Cómo debería ser la hoja de ruta de un proyecto de aprendizaje automático? ¿Por qué deberías tener una? La descripción general reciente de Heather Couture ofrece respuestas claras y prácticas a estas preguntas.
• Amplía tu conjunto de herramientas de aprendizaje profundo y explora la normalización como una técnica eficiente de optimización durante el entrenamiento del modelo. La guía de Thao Vu es un excelente punto de partida.
• ¡Siempre hay un nuevo algoritmo para aprender! La explicación de Kay Jan Wong cubre el algoritmo de Reingold-Tilford e incluye una descripción exhaustiva de su funcionamiento interno.
• En su primer artículo para TDS, Eduardo Testé se centra en la probabilidad en el contexto de un problema de planificación con un espacio de estados colosal y solo una solución: el Cubo de Rubik.
• Desde la generación mejorada mediante recuperación (RAG) hasta el ajuste eficiente de parámetros (PEFT), Maarten Grootendorst presenta varios métodos útiles para mejorar el rendimiento de tu modelo de lenguaje grande.

¡Gracias por apoyar el trabajo de nuestros autores! Si disfrutas de los artículos que lees en TDS, considera convertirte en miembro de VoAGI: desbloquea todo nuestro archivo (y cada otra publicación en VoAGI también).

We will continue to update Zepes; if you have any questions or suggestions, please contact us!