Wprowadzenie do wykresu roju (swarmplot) - jego zalety, wady oraz implementacja w Pythonie z użyciem biblioteki Seaborn.
Wprowadzenie do wykresu ridgeline (joyplot): zalety, wady i ciekawostki historyczne związane z tą techniką wizualizacji danych.
Analiza wykresów warstwowych: zastosowania, zalety, wady oraz implementacja w Pythonie z użyciem bibliotek matplotlib i seaborn.
Przegląd algorytmów do wizualizacji grafów, ich rodzaje i zastosowania w przedstawianiu danych.
Przewodnik po wykresie sunburst: definicja, zastosowanie, porównanie z mapą drzewa oraz wady tej metody wizualizacji danych hierarchicznych.
Wprowadzenie do wykresu lizakowego: czym jest, kiedy go używać oraz jak stworzyć go w Pythonie przy użyciu biblioteki matplotlib.
Wprowadzenie do diagramów cięciw (chord diagrams) - metoda wizualizacji relacji w danych z przykładami implementacji w Pythonie.
Wprowadzenie do wykresów świecowych, ich budowy oraz praktyczny przykład tworzenia takiego wykresu w Pythonie przy użyciu bibliotek plotly i yfinance.
Wprowadzenie do diagramów sieci, ich rodzajów i praktycznego zastosowania w Pythonie z użyciem biblioteki networkx.
Analiza problemów z wykresami kołowymi, zasady ich poprawnego używania oraz przykłady kodu w Pythonie z biblioteką Plotly.
Wprowadzenie do diagramów Venna z przykładami kodu w Pythonie przy użyciu biblioteki matplotlib_venn do wizualizacji relacji między zbiorami danych.
Wprowadzenie do wykresów Gantta, ich zastosowanie w zarządzaniu projektami oraz praktyczny przykład tworzenia w Pythonie przy użyciu biblioteki Plotly.
Wprowadzenie do map ciepła (heatmap) w wizualizacji danych, ich zastosowań oraz przykładowa implementacja w Pythonie z użyciem biblioteki Seaborn.
Wprowadzenie do wykresów Sankeya, ich historii oraz praktyczny przykład implementacji w Pythonie z użyciem biblioteki Plotly.
Przewodnik po tworzeniu wykresów bąbelkowych w Pythonie z użyciem biblioteki Plotly, w tym animacje i najlepsze praktyki.
Wprowadzenie do wykresu mapa drzewa (treemap) - wizualizacja hierarchii danych za pomocą prostokątów wraz z przykładem implementacji w Pythonie.
Przegląd 18 inspirujących źródeł wiedzy dla fanów data science i uczenia maszynowego, w tym repozytoria kodu, blogi i narzędzia.
