Seaborn zur Datenvisualisierung mit Python
Fabio Basler, M.Sc.
Ve esta clase y miles más
Ve esta clase y miles más
Lecciones en esta clase
-
-
1.
Einführung
2:17
-
2.
Überblick zu den Seaborn Grundlagen
0:38
-
3.
Warum Seaborn für die Datenvisualisierung verwenden?
3:40
-
4.
Installation und Versionsprüfung von Seaborn
3:24
-
5.
Seaborn im Überblick: Hilfe und zentrale Funktionen
7:26
-
6.
Arbeiten mit integrierten Datensätzen
9:03
-
7.
Seaborn-Syntax und Schreibweisen verstehen
4:03
-
8.
Theorie: Welche Visualisierungstypen gibt es?
5:24
-
9.
Wie funktioniert Seaborn? Ein Überblick
4:23
-
10.
Überblick zu grundlegenden Plots
0:37
-
11.
Balkendiagramme (barplot)
5:13
-
12.
Liniendiagramme (lineplot)
5:07
-
13.
Säulendiagramme (countplot)
5:01
-
14.
Kategorische Plots mit catplot
4:45
-
15.
Punktwolken mit scatterplot
6:46
-
16.
Lineare Beziehungen mit lmplot
5:53
-
17.
Paarweise Beziehungen mit pairplot
7:34
-
18.
Übung: Erste Visualisierungen mit Seaborn
5:31
-
19.
Musterlösung: Erste Visualisierungen Teil 1
5:53
-
20.
Musterlösung: Erste Visualisierungen Teil 2
4:22
-
21.
Musterlösung: Erste Visualisierungen Teil 3
3:53
-
22.
Überblick über Stilkonfigurationen und Layouts
0:32
-
23.
Stilkonfiguration mit set_style()
4:27
-
24.
Themen anpassen mit set_theme()
3:32
-
25.
Farbpaletten mit set_palette()
3:33
-
26.
Individuelle Paletten mit color_palette()
5:18
-
27.
Smarte Farbpaletten mit mpl_palette()
1:08
-
28.
Plot-Gestaltung mit Palplot()
4:25
-
29.
Mehrere Plots kombinieren mit FacetGrid
5:26
-
30.
Überblick zu statistischen Plots
0:54
-
31.
Theorie: Boxplots und deren Aussagekraft
8:38
-
32.
Erstellung von Boxplots
-
33.
Theorie: Histogramme verstehen
3:02
-
34.
Boxen- und Violinplots kombinieren
8:25
-
35.
Strip- und Swarmplots zur Verteilung
10:41
-
36.
Histogramme mit histplot
7:56
-
37.
Dichteverteilungen mit displot
7:10
-
38.
Kernel-Dichteschätzer mit kdeplot
-
39.
Beziehung zwischen zwei Variablen mit jointplot
5:30
-
40.
Clustervisualisierung mit clustermap
3:39
-
41.
Übung: Statistische Plots in der Praxis
4:52
-
42.
Musterlösung: Statistische Plots Teil 1
-
43.
Musterlösung: Statistische Plots Teil 2
6:02
-
44.
Musterlösung: Statistische Plots Teil 3
-
45.
Überblick zu weiterführenden Plots
0:20
-
46.
Empirische Verteilungsfunktion mit ecdfplot
5:36
-
47.
Punktdiagramm mit pointplot
-
48.
rugplot: Verteilungen visuell betonen
7:34
-
49.
Regressionslinien mit relplot
6:17
-
50.
Analyse der Residuen mit residplot
3:22
-
51.
Sonstige Plots (dogplot)
1:48
-
52.
Übung: Fortgeschrittene Plots
2:15
-
53.
Musterlösung: Fortgeschrittene Plots
5:23
-
54.
Überblick zu Seaborn Modulen
0:17
-
55.
Das colors-Modul für Farbsteuerung
-
56.
Erweiterte Farbpaletten mit palettes
4:59
-
57.
Verteilungen analysieren mit distributions
4:30
-
58.
Kategorische Visualisierungen mit categorical
4:02
-
59.
Regressionsanalyse im Detail mit regression
-
60.
Visualisierung von Widgets mit widgets
-
61.
Matrix-Diagramme mit matrix
4:27
-
62.
Verabschiedung
1:02
-
-
- --
- Nivel principiante
- Nivel intermedio
- Nivel avanzado
- Todos los niveles
Generado por la comunidad
El nivel se determina según la opinión de la mayoría de los estudiantes que han dejado reseñas en esta clase. La recomendación del profesor o de la profesora se muestra hasta que se recopilen al menos 5 reseñas de estudiantes.
--
Estudiantes
--
Proyectos
Acerca de esta clase
In diesem Kurs wird eine umfassende Einführung in die Datenvisualisierung mit der Python-Bibliothek Seaborn vermittelt, die sich besonders zur Darstellung statistischer Daten eignet. Schritt für Schritt wird gezeigt, wie mit Seaborn aussagekräftige und ästhetisch ansprechende Grafiken erstellt werden können, um wertvolle Erkenntnisse aus den Daten zu gewinnen.
Zu Beginn werden grundlegende Prinzipien und Techniken von Seaborn behandelt, darunter Verteilungsdiagramme sowie relationale und kategoriale Plots. Es wird erläutert, wie Daten effizient visuell aufbereitet werden können.
Im weiteren Verlauf liegt der Fokus auf fortgeschrittenen Visualisierungsmethoden. Dazu zählen die Anpassung von Farbpaletten, die Einbindung statistischer Schätzwerte sowie die Erstellung von Facettendiagrammen zur Darstellung mehrdimensionaler Daten.
Anhand praktischer Übungen wird die Anwendung des Gelernten gefestigt. Am Ende des Kurses wird über das notwendige Rüstzeug verfügt, um individuelle und aussagekräftige Visualisierungen zu erstellen, die komplexe Datenanalysen anschaulich unterstützen.
Conoce a tu profesor(a)
Fabio Basler ist Trainer und Autor mit Schwerpunkt auf Data Science und Kunstlicher Intelligenz. Mit Erfahrung in Technologien wie Python, SQL, R, Power BI, Tableau, Excel sowie Themen wie Large Language Models und AI Agents vermittelt er praxisnahes Wissen in Onlinekursen, Seminaren und Inhouse-Schulungen.
Er studierte im Bachelor an der Hochschule Offenburg und absolvierte seinen Master an der ESB Business School. In seiner Masterarbeit setzte er sich mit Machine-Learning-Modellen in Python auseinander.
Fabio Basler bringt acht Jahre Berufserfahrung im Controlling und in der digitalen Transformation eines Industriekonzerns mit. Diese Praxisnahe fliesst in seine Arbeit ein mit dem Ziel, datengetriebene Losungen fur konkrete Unternehmensherausforderungen zu entwic... Ver perfil completo
Proyecto de clase práctica
Dieses Projekt dient als umfassende Begleitressource zum Videokurs und stellt sämtliches Material für die praktische Umsetzung der Kursinhalte bereit. Die enthaltenen Jupyter Notebooks und Python-Skripte decken alle Kapitel des Kurses ab – von den grundlegenden Konzepten bis hin zu fortgeschrittenen Methoden der Datenvisualisierung.
Die Notebooks sind thematisch klar gegliedert und enthalten sorgfältig kommentierten Beispielcode, Übungsaufgaben sowie weiterführende Hinweise zur Vertiefung des Gelernten. Ergänzt werden sie durch Musterlösungen, die eine unmittelbare Überprüfung und ein besseres Verständnis der Lösungswege ermöglichen.
Darüber hinaus bietet das Projekt nützliche Cheatsheets, praxisnahe Beispieldatensätze und Vorlagen für die Visualisierung typischer Anwendungsfälle – etwa zur Darstellung von Zeitreihen, Verteilungen oder kategorialen Daten.
Valoración de la clase
¿Por qué unirse a Skillshare?
Mira las galardonadas Skillshare Originals
Cada clase tiene lecciones cortas y proyectos prácticos
Tu membresía apoya a los profesores de Skillshare
Aprende desde cualquier lugar
Ve clases sobre la marcha con la aplicación de Skillshare. Progresa en línea o descarga las clases para verlas en el avión, el metro o donde sea que aprendas mejor.
