# Επιστήμη Δεδομένων για Αρχάριους - Ένα Αναλυτικό Πρόγραμμα
# Επιστήμη Δεδομένων για Αρχάριους - Ένα Αναλυτικό Πρόγραμμα Σπουδών
[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
[](https://aka.ms/foundry/forum)
[](https://aka.ms/foundry/forum)
Οι Azure Cloud Advocates της Microsoft έχουν τη χαρά να προσφέρουν ένα 10-εβδομάδων, 20-μαθημάτων πρόγραμμα που αφορά όλη την Επιστήμη Δεδομένων. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες ολοκλήρωσης του μαθήματος, μια λύση και μια εργασία. Η εκπαιδευτική προσέγγισή μας με βάση έργα σας επιτρέπει να μαθαίνετε ενώ δημιουργείτε, ένας αποδεδειγμένος τρόπος ώστε οι νέες δεξιότητες να «καρφώνονται».
Οι Azure Cloud Advocates στη Microsoft είναι χαρούμενοι να προσφέρουν ένα πρόγραμμα σπουδών 10 εβδομάδων, 20 μαθημάτων, που αφορά την Επιστήμη Δεδομένων. Κάθε μάθημα περιλαμβάνει προ-μάθημα και μετα-μάθημα κουίζ, γραπτές οδηγίες γιανα ολοκληρώσετε το μάθημα, μια λύση και μια άσκηση. Η παιδαγωγική μας με επίκεντρο τα έργα σας επιτρέπει να μαθαίνετε δημιουργώντας, ένας αποδεδειγμένος τρόπος γιανα «εγκατασταθούν» νέες δεξιότητες.
> Αυτό το αποθετήριο περιλαμβάνει πάνω από 50 μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κλωνοποιήσετε χωρίς τις μεταφράσεις, χρησιμοποιήστε το sparse checkout:
> Αυτό το αποθετήριο περιλαμβάνει πάνω από 50 μεταφράσεις γλωσσών, γεγονός που αυξάνει σημαντικά το μέγεθος λήψης. Για να κλωνοποιήσετε χωρίς τις μεταφράσεις, χρησιμοποιήστε το sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -53,155 +53,155 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Αυτό σας δίνει όλα όσα χρειάζεστεγιανα ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.
> Αυτό σας παρέχει ό,τι χρειάζεταιγιανα ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
**Εάν θέλετε να υποστηρίζονται επιπλέον γλώσσες μετάφρασης, αναφέρονται [εδώ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
**Αν θέλετε να υποστηριχθούν πρόσθετες γλώσσες μετάφρασης, αυτές αναγράφονται [εδώ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
Διοργανώνουμε μια σειρά Discord "Μάθετε με τη βοήθεια Τεχνητής Νοημοσύνης", μάθετε περισσότερα και συμμετέχετε στη [Σειρά Μάθησης με AI](https://aka.ms/learnwithai/discord) από 18 - 30 Σεπτεμβρίου, 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot στην Επιστήμη Δεδομένων.
Διεξάγουμε μια σειρά Discord για μάθηση με AI, μάθετε περισσότερα και συμμετέχετε στο [Learn with AI Series](https://aka.ms/learnwithai/discord) από 18 έως 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Επιστήμη Δεδομένων.
# Είσαι φοιτητής/φοιτήτρια;
# Είσαι φοιτητής;
Ξεκίνα με τους παρακάτω πόρους:
Ξεκίνα με τους ακόλουθους πόρους:
- [Σελίδα Φοιτητών](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Σε αυτή τη σελίδα, θα βρεις πόρους για αρχάριους, πακέτα φοιτητών και ακόμη τρόπουςγιανα αποκτήσεις δωρεάν κουπόνι πιστοποίησης. Αυτή είναι μια σελίδα που αξίζει να προσθέσεις στα αγαπημένα και να ελέγχεις συχνά καθώς ανανεώνουμε το περιεχόμενο τουλάχιστον μηνιαίως.
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Εντάξου σε μια παγκόσμια κοινότητα πρεσβευτών φοιτητών, αυτή μπορεί να είναι η είσοδός σου στη Microsoft.
- [Σελίδα Κέντρου Φοιτητών](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Σε αυτή τη σελίδα, θα βρεις πόρους για αρχάριους, πακέτα φοιτητών και ακόμη και τρόπους να αποκτήσεις έναν δωρεάν κουπόνι πιστοποίησης. Είναι μια σελίδα που θέλεις να αποθηκεύσεις και να ελέγχεις περιοδικά καθώς ανανεώνουμε το περιεχόμενο τουλάχιστον μηνιαίως.
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Εντάξου σε μια παγκόσμια κοινότητα φοιτητών-πρεσβευτών, αυτό θα μπορούσε να είναι ο τρόπος σουγιανα μπεις στη Microsoft.
# Ξεκινώντας
## 📚 Τεκμηρίωση
- **[Οδηγός Εγκατάστασης](INSTALLATION.md)** - βήμα προς βήμα οδηγίες εγκατάστασηςγια αρχάριους
- **[Οδηγός Χρήσης](USAGE.md)** - παραδείγματα και συνήθεις ροές εργασίας
- **[Αντιμετώπιση Προβλημάτων](TROUBLESHOOTING.md)** - λύσεις σε συνηθισμένα προβλήματα
- **[Οδηγός Συνεισφοράς](CONTRIBUTING.md)** - πώς να συνεισφέρετε σε αυτό το έργο
- **[Για Εκπαιδευτικούς](for-teachers.md)** - οδηγίες διδασκαλίας και πόροι τάξης
- **[Οδηγός Εγκατάστασης](INSTALLATION.md)** - Οδηγίες βήμα προς βήμα για αρχάριους
- **[Οδηγός Χρήσης](USAGE.md)** - Παραδείγματα και συνηθισμένες ροές εργασίας
- **[Αντιμετώπιση Προβλημάτων](TROUBLESHOOTING.md)** - Λύσεις σε συνηθισμένα ζητήματα
- **[Οδηγός Συνεισφοράς](CONTRIBUTING.md)** - Πώς να συνεισφέρετε σε αυτό το έργο
- **[Για Εκπαιδευτικούς](for-teachers.md)** - Καθοδήγηση διδασκαλίας και πόροι για την τάξη
## 👨🎓 Για Φοιτητές
> **Πλήρης Αρχάριος:** Νέος στην επιστήμη δεδομένων; Ξεκίνα με τα [φιλικά για αρχάριους παραδείγματά μας](examples/README.md)! Αυτά τα απλά, καλογραμμένα παραδείγματα θα σε βοηθήσουν να κατανοήσεις τα βασικά πριν βυθιστείς στο πλήρες πρόγραμμα.
> **[Φοιτητές](https://aka.ms/student-page):** γιανα χρησιμοποιήσετε αυτό το πρόγραμμα μόνοι σας, κάντε fork ολόκληρου του αποθετηρίου και ολοκληρώστε τις ασκήσεις μόνοι σας, ξεκινώντας με ένα κουίζ πριν τη διάλεξη. Διαβάστε την διάλεξη και ολοκληρώστε τις υπόλοιπες δραστηριότητες. Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα παράνα αντιγράφετε τον κώδικα λύσης· ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solutions σε κάθε μάθημα προσανατολισμένο σε έργο. Μια άλλη ιδέα είναι να σχηματίσετε μια ομάδα μελέτης με φίλους και ναμελετήσετε μαζί το περιεχόμενο. Για περαιτέρω μελέτη, προτείνουμε το [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
> **Απόλυτοι Αρχάριοι**: Νέοι στην επιστήμη δεδομένων; Ξεκινήστε με τα [φιλικά προς αρχάριους παραδείγματα](examples/README.md)! Αυτά τα απλά, καλά σχολιασμένα παραδείγματα θα σας βοηθήσουν να κατανοήσετε τα βασικά πριν βουτήξετε ολόκληρο το πρόγραμμα σπουδών.
> **[Φοιτητές](https://aka.ms/student-page)**:γιανα χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών μόνοι σας, κάντε fork ολόκληρου του αποθετηρίου και ολοκληρώστε τις ασκήσεις μόνοι, ξεκινώντας με ένα προ-διάλεξη κουίζ. Έπειτα διαβάστε τη διάλεξη και ολοκληρώστε τις υπόλοιπες δραστηριότητες. Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντίνα αντιγράφετε τον κώδικα λύσης· ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solutions σε κάθε μάθημα προσανατολισμένο σε έργο. Μια άλλη ιδέα είναι να σχηματίσετε μια ομάδα μελέτης με φίλους και ναπεράσετε μαζί το περιεχόμενο. Για περαιτέρω μελέτη, προτείνουμε το [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
**Γρήγορη εκκίνηση:**
1. Τσεκάρετε τον [Οδηγό Εγκατάστασης](INSTALLATION.md) γιανα ρυθμίσετε το περιβάλλον σας
2. Εξετάστε τον [Οδηγό Χρήσης](USAGE.md) γιανα μάθετε πώς να δουλεύετε με το πρόγραμμα
3. Ξεκινήστε με το Μάθημα 1 και συνεχίστε διαδοχικά
4. Ενταχθείτε στην κοινότητά μαςστο [Discord](https://aka.ms/ds4beginners/discord) για υποστήριξη
1. Δείτε τον [Οδηγό Εγκατάστασης](INSTALLATION.md) γιανα ρυθμίσετε το περιβάλλον σας
2. Εξετάστε τον [Οδηγό Χρήσης](USAGE.md) γιανα μάθετε πώς να δουλεύετε με το πρόγραμμα σπουδών
3. Ξεκινήστε με το Μάθημα 1 και προχωρήστε διαδοχικά
4. Ενταχθείτε στην [κοινότητα Discord](https://aka.ms/ds4beginners/discord) για υποστήριξη
## 👩🏫 Για Εκπαιδευτικούς
> **Καθηγητές**: έχουμε [συμπεριλάβει μερικές προτάσεις](for-teachers.md) για το πώς να χρησιμοποιήσετε αυτό το αναλυτικό πρόγραμμα. Θα εκτιμούσαμε τα σχόλιά σας [στο φόρουμ συζητήσεών μας](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
> **Καθηγητές**: έχουμε [συμπεριλάβει μερικές προτάσεις](for-teachers.md) για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών. Θα θέλαμε τα σχόλιά σας [στο φόρουμ συζητήσεών μας](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!
> 🎥 Κάντε κλικ στην παραπάνω εικόναγια ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!
## Διδακτική Μεθοδολογία
## Παιδαγωγική
Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά τη δημιουργία αυτού του προγράμματος σπουδών: την εξασφάλιση ότι βασίζεται σε έργα και ότι περιλαμβάνει συχνά κουίζ. Μέχρι το τέλος αυτής της σειράς, οι μαθητές θα έχουν μάθει βασικές αρχές της επιστήμης δεδομένων, συμπεριλαμβανομένων ηθικών εννοιών, προετοιμασίας δεδομένων, διαφορετικούς τρόπους εργασίας με δεδομένα, οπτικοποίηση δεδομένων, ανάλυση δεδομένων, πραγματικά παραδείγματα χρήσης της επιστήμης δεδομένων και άλλα.
Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά την κατασκευή αυτού του προγράμματος σπουδών: να βασίζεται σε έργα και να περιλαμβάνει συχνά κουίζ. Μέχρι το τέλος αυτής της σειράς, οι μαθητές θα έχουν μάθει βασικές αρχές της επιστήμης των δεδομένων, συμπεριλαμβανομένων ηθικών εννοιών, προετοιμασίας δεδομένων, διαφορετικών τρόπων εργασίας με δεδομένα, οπτικοποίησης δεδομένων, ανάλυσης δεδομένων, πραγματικών εφαρμογών της επιστήμης των δεδομένων και άλλα.
Επιπλέον, ένα απλό κουίζ πριν από το μάθημα θέτει την πρόθεση του μαθητή για εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σπουδών έχει σχεδιαστεί να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή τμηματικά. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο περίπλοκα έως το τέλος του κύκλου των 10 εβδομάδων.
Επιπλέον, ένα κουίζ χαμηλής σημασίας πριν από το μάθημα θέτει την πρόθεση του μαθητή προς τη μάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σπουδών σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ακολουθηθεί ολόκληρο ή εν μέρει. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο περίπλοκα μέχρι το τέλος του δεκαβδομαδιαίου κύκλου.
> Βρείτε τους [Κανόνες Συμπεριφοράς μας](CODE_OF_CONDUCT.md), [Οδηγίες Συνεισφοράς](CONTRIBUTING.md), [Μετάφρασης](TRANSLATIONS.md). Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!
> Βρείτε τον [Κώδικα Συμπεριφοράς](CODE_OF_CONDUCT.md), [Οδηγίες Συμβολής](CONTRIBUTING.md), [Μετάφρασης](TRANSLATIONS.md). Καλωσορίζουμε τα εποικοδομητικά σχόλιά σας!
## Κάθε μάθημα περιλαμβάνει:
- Προαιρετικό sketchnote
- Προαιρετικό σχηματικό σημείωμα
- Προαιρετικό συμπληρωματικό βίντεο
- Κουίζ προθέρμανσης πριν το μάθημα
- Προκαταρκτικό κουίζ πριν το μάθημα
- Γραπτό μάθημα
- Για μαθήματα βασισμένα σε έργα, οδηγίες βήμα προς βήμα για την κατασκευή του έργου
- Για μαθήματα με βάση έργα, οδηγίες βήμα προς βήμα για την κατασκευή του έργου
- Έλεγχοι γνώσεων
- Μία πρόκληση
- Μια πρόκληση
- Συμπληρωματική ανάγνωση
- Άσκηση
- Εργασία
- [Κουίζ μετά το μάθημα](https://ff-quizzes.netlify.app/en/)
> **Μια σημείωση για τα κουίζ**: Όλα τα κουίζ περιέχονται στον φάκελο Quiz-App, συνολικά 40 κουίζ των τριών ερωτήσεων το καθένα. Συνδέονται εντός των μαθημάτων, αλλά η εφαρμογή κουίζ μπορεί να εκτελεστεί τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο `quiz-app`. Μεταφράζονται σταδιακά.
> **Μία σημείωση σχετικά με τα κουίζ**: Όλα τα κουίζ βρίσκονται στο φάκελο Quiz-App, συνολικά 40 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα από τα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο `quiz-app`. Σταδιακά το υλικό μεταφράζεται.
## 🎓 Παραδείγματα Φιλικά γιαΑρχάριους
## 🎓 Παραδείγματα φιλικά προς αρχάριους
**Νέοι στην Επιστήμη Δεδομένων;** Δημιουργήσαμε έναν ειδικό [φάκελο παραδειγμάτων](examples/README.md) με απλό, καλά σχολιασμένο κώδικα γιανα σας βοηθήσουμε να ξεκινήσετε:
**Νέοι στην Επιστήμη Δεδομένων;** Έχουμε δημιουργήσει έναν ειδικό [φάκελο παραδειγμάτων](examples/README.md) με απλό, καλά σχολιασμένο κώδικα γιανα σας βοηθήσουμε να ξεκινήσετε:
- 🌟 **Γειά σου Κόσμε** - Το πρώτο σας πρόγραμμα επιστήμης δεδομένων
- 📂 **Φόρτωση Δεδομένων** - Μάθετε να διαβάζετε και να εξερευνάτε σύνολα δεδομένων
- 📊 **Απλή Ανάλυση** - Υπολογίστε στατιστικά και βρείτε μοτίβα
- 🌟 **Hello World** - Το πρώτο σας πρόγραμμα επιστήμης δεδομένων
- 📂 **Φόρτωση Δεδομένων** - Μάθετε πώς να διαβάζετε και να εξερευνάτε σύνολα δεδομένων
- 📊 **Απλή Ανάλυση** - Υπολογίστε στατιστικά και εντοπίστε μοτίβα
- 📈 **Βασική Οπτικοποίηση** - Δημιουργήστε διαγράμματα και γραφήματα
- 🔬 **Πραγματικό Έργο** - Πλήρης ροή εργασίας από την αρχή ως το τέλος
- 🔬 **Πραγματικό Έργο** - Ολοκληρωμένη ροή εργασίας από την αρχή ως το τέλος
Κάθε παράδειγμα περιλαμβάνει λεπτομερείς σχόλια που εξηγούν κάθε βήμα, καθιστώντας το τέλειογια απόλυτους αρχάριους!
Κάθε παράδειγμα περιλαμβάνει λεπτομερή σχόλια που εξηγούν κάθε βήμα, κάνοντάς το ιδανικόγια απόλυτους αρχάριους!
👉 **[Ξεκινήστε με τα παραδείγματα](examples/README.md)** 👈
## Μαθήματα
||
||
|:---:|
| Επιστήμη Δεδομένων για Αρχάριους: Χάρτης Πορείας - _Sketchnote από [@nitya](https://twitter.com/nitya)_ |
| Επιστήμη Δεδομένων για Αρχάριους: Χάρτης πορείας - _Σχηματικό σημείωμα από [@nitya](https://twitter.com/nitya)_ |
| Αριθμός Μαθήματος | Θέμα | Ομαδοποίηση Μαθήματος | Μαθησιακοί Στόχοι | Συνδεδεμένο Μάθημα | Συγγραφέας |
| Αριθμός Μαθήματος | Θέμα | Ομαδοποίηση Μαθήματος | Στόχοι Μάθησης | Συνδεδεμένο Μάθημα | Συγγραφέας |
| 01 | Ορισμός της Επιστήμης Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Μάθετε τις βασικές έννοιες πίσω από την επιστήμη δεδομένων και πώς σχετίζεται με την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τα μεγάλα δεδομένα. | [μάθημα](1-Introduction/01-defining-data-science/README.md) [βίντεο](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 03 | Ορισμός Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Πώς ταξινομούνται τα δεδομένα και οι κοινές πηγές τους. | [μάθημα](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | Εισαγωγή στη Στατιστική & Πιθανότητες | [Εισαγωγή](1-Introduction/README.md) | Οι μαθηματικές τεχνικές πιθανοτήτων και στατιστικής για την κατανόηση δεδομένων. | [μάθημα](1-Introduction/04-stats-and-probability/README.md) [βίντεο](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | Εργασία με Σχεσιακά Δεδομένα | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή στα σχεσιακά δεδομένα και στα βασικά της εξερεύνησης και ανάλυσης σχεσιακών δεδομένων με τη Γλώσσα Δομημένων Ερωτημάτων, γνωστή και ως SQL (προφέρεται "σι-κουελ"). | [μάθημα](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | Εργασία με Δεδομένα NoSQL | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή στα μη σχεσιακά δεδομένα, τους διάφορους τύπους τους και στα βασικά της εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων. | [μάθημα](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | Εργασία με Python | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Βασικά της χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως η Pandas. Συνιστάται βασική κατανόηση προγραμματισμού Python. | [μάθημα](2-Working-With-Data/07-python/README.md) [βίντεο](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | Προετοιμασία Δεδομένων | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Θέματα τεχνικών καθαρισμού και μετατροπής δεδομένων για την αντιμετώπιση προκλήσεων όπως τα ελλιπή, ανακριβή ή ατελή δεδομένα. | [μάθημα](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 01 | Ορισμός της Επιστήμης Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Μάθετε τις βασικές έννοιες πίσω από την επιστήμη των δεδομένων και τη σχέση της με την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τα μεγάλα δεδομένα. | [μάθημα](1-Introduction/01-defining-data-science/README.md) [βίντεο](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 03 | Ορισμός των Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Πώς κατατάσσονται τα δεδομένα και οι κοινές πηγές τους. | [μάθημα](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | Εισαγωγή στη Στατιστική & Πιθανότητες | [Εισαγωγή](1-Introduction/README.md) | Οι μαθηματικές τεχνικές πιθανοτήτων και στατιστικής για την κατανόηση των δεδομένων. | [μάθημα](1-Introduction/04-stats-and-probability/README.md) [βίντεο](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | Εργασία με Σχεσιακά Δεδομένα | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή σε σχεσιακά δεδομένα και βασικά του εξερεύνησης και ανάλυσης τους με τη Γλώσσα Δομημένων Ερωτημάτων, γνωστή και ως SQL (προφέρεται "σι-κουελ"). | [μάθημα](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | Εργασία με NoSQL Δεδομένα | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή σε μη σχεσιακά δεδομένα, στους διάφορους τύπους και τις βασικές έννοιες εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων. | [μάθημα](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | Εργασία με Python | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Βασικά στοιχεία χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως η Pandas. Συνιστάται βασική κατανόηση προγραμματισμού σε Python. | [μάθημα](2-Working-With-Data/07-python/README.md) [βίντεο](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | Προετοιμασία Δεδομένων | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Θέματα τεχνικών καθαρισμού και μετασχηματισμού δεδομένων για την αντιμετώπιση προκλήσεων όπως τα ελλιπή, ανακριβή ή ατελή δεδομένα. | [μάθημα](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 12 | Οπτικοποίηση Σχέσεων | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση συνδέσεων και συσχετίσεων μεταξύ σετ δεδομένων και των μεταβλητών τους. | [μάθημα](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | Σημαντικές Οπτικοποιήσεις | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Τεχνικές και καθοδήγηση γιανα κάνετε τις οπτικοποιήσεις σας πολύτιμες για αποτελεσματική επίλυση προβλημάτων και αποκάλυψη πληροφοριών. | [μάθημα](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | Εισαγωγή στον Κύκλο Ζωής της Επιστήμης Δεδομένων | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Εισαγωγή στον κύκλο ζωής της επιστήμης δεδομένων και το πρώτο βήμα της απόκτησης και εξαγωγής δεδομένων. | [μάθημα](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 12 | Οπτικοποίηση Συσχετίσεων | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση συνδέσεων και συσχετισμών μεταξύ συνόλων δεδομένων και των μεταβλητών τους. | [μάθημα](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | Σημαντικές Οπτικοποιήσεις | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Τεχνικές και καθοδήγηση γιανα κάνετε τις οπτικοποιήσεις σας πολύτιμες για αποτελεσματική επίλυση προβλημάτων και ανάλυση. | [μάθημα](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | Εισαγωγή στον Κύκλο Ζωής της Επιστήμης Δεδομένων | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Εισαγωγή στον κύκλο ζωής της επιστήμης δεδομένων και το πρώτο του βήμα της απόκτησης και εξαγωγής δεδομένων. | [μάθημα](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 15 | Ανάλυση | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων εστιάζει σε τεχνικές ανάλυσης δεδομένων. | [μάθημα](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
| 16 | Επικοινωνία | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων εστιάζει στην παρουσίαση των συμπερασμάτων από τα δεδομένα με τρόπο που καθιστά ευκολότερη την κατανόηση από τους αποφασιστές. | [μάθημα](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | Επιστήμη Δεδομένων στο Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο cloud και τα οφέλη της. | [μάθημα](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
| 18 | Επιστήμη Δεδομένων στο Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Εκπαίδευση μοντέλων με εργαλεία Low Code. |[μάθημα](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
| 19 | Επιστήμη Δεδομένων στο Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Ανάπτυξη μοντέλων με το Azure Machine Learning Studio. | [μάθημα](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
| 20 | Επιστήμη Δεδομένων στην Πράξη | [In the Wild](6-Data-Science-In-Wild/README.md) | Έργα επιστήμης δεδομένων στον πραγματικό κόσμο. | [μάθημα](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
| 16 | Επικοινωνία | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων εστιάζει στην παρουσίαση των συμπερασμάτων από τα δεδομένα με τρόπο που διευκολύνει την κατανόηση από τους υπεύθυνους λήψης αποφάσεων. | [μάθημα](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | Επιστήμη Δεδομένων στο Νέφος | [Δεδομένα Νέφους](5-Data-Science-In-Cloud/README.md) | Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο νέφος και τα οφέλη της. | [μάθημα](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) και [Maud](https://twitter.com/maudstweets) |
| 19 | Επιστήμη Δεδομένων στο Νέφος | [Δεδομένα Νέφους](5-Data-Science-In-Cloud/README.md) | Ανάπτυξη μοντέλων με το Azure Machine Learning Studio. | [μάθημα](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) και [Maud](https://twitter.com/maudstweets) |
| 20 | Επιστήμη Δεδομένων στην Πράξη | [Πράξη](6-Data-Science-In-Wild/README.md) | Έργα επιστήμης δεδομένων στον πραγματικό κόσμο. | [μάθημα](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
## GitHub Codespaces
Ακολουθήστε αυτά τα βήματα γιανα ανοίξετε αυτό το δείγμα σε Codespace:
1. Κάντε κλικ στο αναπτυσσόμενο μενού Κώδικα και επιλέξτε την επιλογή Άνοιγμα με Codespaces.
2. Επιλέξτε + Νέο codespace στο κάτω μέρος του παραθύρου.
Ακολουθήστε αυτά τα βήματα γιανα ανοίξετε αυτό το δείγμα σε ένα Codespace:
1. Κάντε κλικ στο μενού "Code" και επιλέξτε την επιλογή "Open with Codespaces".
2. Επιλέξτε + New codespace στο κάτω μέρος του παραθύρου.
Για περισσότερες πληροφορίες, δείτε την [τεκμηρίωση GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
## VSCode Remote - Containers
Ακολουθήστε αυτά τα βήματα γιανα ανοίξετε αυτό το αποθετήριο μέσα σε κοντέινερ χρησιμοποιώντας τον τοπικό σας υπολογιστή και το VSCode με την επέκταση VS Code Remote - Containers:
Ακολουθήστε αυτά τα βήματα γιανα ανοίξετε αυτό το αποθετήριο μέσα σε container χρησιμοποιώντας τον τοπικό υπολογιστή σας και το VSCode με την επέκταση VS Code Remote - Containers:
1. Αν είναι η πρώτη φορά που χρησιμοποιείτε κοντέινερ ανάπτυξης, παρακαλούμε βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (π.χ. έχει εγκατασταθεί το Docker) στη [τεκμηρίωση γιανα ξεκινήσετε](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
1. Εάν χρησιμοποιείτε για πρώτη φορά ένα container ανάπτυξης, βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (δηλαδή έχει εγκατασταθεί Docker) σύμφωνα με [την τεκμηρίωση γιανα ξεκινήσετε](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
Για να χρησιμοποιήσετε αυτό το αποθετήριο, μπορείτε είτε να ανοίξετε το αποθετήριο σε έναν απομονωμένο τόμο Docker:
Για να χρησιμοποιήσετε αυτό το αποθετήριο, μπορείτε να το ανοίξετε είτε σε απομονωμένο όγκο Docker:
**Σημείωση**: Στο παρασκήνιο, αυτή η εντολή θα χρησιμοποιήσει το Remote-Containers: **Κλωνοποίηση Αποθετηρίου σε Τόμο Κοντέινερ...** γιανα κλωνοποιήσει τον πηγαίο κώδικα σε τόμο Docker αντί για το τοπικό σύστημα αρχείων. Οι [Τόμοι](https://docs.docker.com/storage/volumes/) είναι ο προτιμώμενος μηχανισμός για τη διατήρηση δεδομένων κοντέινερ.
**Σημείωση**: Κάτω από την επιφάνεια, αυτό θα χρησιμοποιήσει την εντολή Remote-Containers: **Clone Repository in Container Volume...**γιανα κλωνοποιήσει τον πηγαίο κώδικα σε όγκο Docker αντί του τοπικού συστήματος αρχείων. [Οι όγκοι](https://docs.docker.com/storage/volumes/) είναι ο προτιμώμενος μηχανισμός για τη διατήρηση δεδομένων container.
Ή ανοίξτε μια τοπικά κλωνοποιημένη ή ληφθείσα έκδοση του αποθετηρίου:
Ή ναανοίξετε μια τοπικά κλωνοποιημένη ή ληφθείσα έκδοση του αποθετηρίου:
- Κλωνοποιήστε αυτό το αποθετήριο στο τοπικό σας σύστημα αρχείων.
- Πατήστε F1 και επιλέξτε την εντολή **Remote-Containers: Open Folder in Container...**.
- Επιλέξτε το κλωνοποιημένο αντίγραφο αυτού του φακέλου, περιμένετε να ξεκινήσει το κοντέινερ και δοκιμάστε.
- Επιλέξτε το κλωνοποιημένο αντίγραφο αυτού του φακέλου, περιμένετε να ξεκινήσει το container και δοκιμάστε.
## Πρόσβαση εκτός σύνδεσης
Μπορείτε να εκτελέσετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας [Docsify](https://docsify.js.org/#/). Φτιάξτε ένα fork αυτού του αποθετηρίου, [εγκαταστήστε το Docsify](https://docsify.js.org/#/quickstart) στον τοπικό υπολογιστή σας, και στη ριζική διαδρομή αυτού του αποθετηρίου, πληκτρολογήστε `docsify serve`. Η ιστοσελίδα θα σερβίρεται στην πόρτα 3000 στο localhost σας: `localhost:3000`.
Μπορείτε να εκτελέσετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το [Docsify](https://docsify.js.org/#/). Κάντε fork αυτό το αποθετήριο, [εγκαταστήστε το Docsify](https://docsify.js.org/#/quickstart) τοπικά και, στη ριζική διαδρομή αυτού του αποθετηρίου, πληκτρολογήστε `docsify serve`. Ο ιστότοπος θα σερβιριστεί στην πόρτα 3000 στο localhost σας: `localhost:3000`.
> Σημειώστε, τα notebooks δεν θα αποδοθούν μέσω του Docsify, οπότε όταν χρειαστεί να εκτελέσετε ένα notebook, κάντε το ξεχωριστά στο VS Code με έναν πυρήνα Python.
> Σημείωση, τα notebooks δεν θα αποδίδονται μέσω Docsify, οπότε όταν χρειάζεστε να εκτελέσετε ένα notebook, κάντε το ξεχωριστά στο VS Code με ενεργό πυρήνα Python.
## Άλλα Αναλυτικά Προγράμματα
## Άλλα Προγράμματα Σπουδών
Η ομάδα μας παράγει και άλλα αναλυτικά προγράμματα! Δείτε:
Η ομάδα μας παράγει και άλλα προγράμματα σπουδών! Δείτε:
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Σειρά Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
**Αναντιμετωπίζετε προβλήματα;** Ελέγξτε τον [Οδηγό Επίλυσης Προβλημάτων](TROUBLESHOOTING.md) για λύσεις σε συνηθισμένα ζητήματα.
**Αντιμετωπίζετε προβλήματα;** Ελέγξτε τον [Οδηγό Αντιμετώπισης Προβλημάτων](TROUBLESHOOTING.md) για λύσεις σε συνηθισμένα ζητήματα.
Αν κολλήσετε ή έχετε ερωτήσεις σχετικά με την κατασκευή εφαρμογών τεχνητής νοημοσύνης, συμμετέχετε σε συζητήσεις με συναδέλφους μαθητές και έμπειρους προγραμματιστές σχετικά με το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.
Εάν κολλήσετε ή έχετε οποιεσδήποτε ερωτήσεις σχετικά με την ανάπτυξη εφαρμογών AI. Συμμετέχετε μαζί με άλλους μαθητές και έμπειρους προγραμματιστές σε συζητήσεις για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι καλοδεχούμενες και η γνώση μοιράζεται ελεύθερα.
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα του πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται η επαγγελματική ανθρώπινη μετάφραση. Δεν φαινόμαστε υπεύθυνοι για οποιαδήποτε παρερμηνεία ή λανθασμένη κατανόηση προκύψει από τη χρήση αυτής της μετάφρασης.
**Αποποίηση Ευθυνών**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που προσπαθούμε για ακρίβεια, παρακαλούμε να γνωρίζετε ότι οι αυτοματοποιημένες μεταφράσεις μπορεί να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η επίσημη πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για οποιεσδήποτε παρεξηγήσεις ή λανθασμένες ερμηνείες προκύψουν από τη χρήση αυτής της μετάφρασης.
[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
Azure Cloud Advocates på Microsoft är glada att kunna erbjuda en 10-veckors, 20-lektioners läroplan om Data Science. Varje lektion inkluderar för- och efter-lektionsquiz, skriftliga instruktioner för att slutföra lektionen, en lösning och en uppgift. Vår projektbaserade pedagogik låter dig lära dig genom att bygga, ett beprövat sätt för nya färdigheter att "fästa".
Azure Cloud Advocates på Microsoft är glada att erbjuda en 10-veckors, 20-lektioners kursplan helt om Data Science. Varje lektion inkluderar för- och efter-quiz, skriftliga instruktioner för att slutföra lektionen, en lösning och en uppgift. Vår projektbaserade pedagogik gör att du lär dig medan du bygger, vilket är ett beprövat sätt för nya färdigheter att "fästa".
> Detta repository inkluderar 50+ språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparsamt utcheckning:
> Detta förråd innehåller över 50 språköversättningar som avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -56,12 +56,12 @@ Azure Cloud Advocates på Microsoft är glada att kunna erbjuda en 10-veckors, 2
> Detta ger dig allt du behöver för att slutföra kursen med en mycket snabbare nedladdning.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
**Om du vill ha ytterligare översättningsspråk stöds de som listas [här](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
**Om du vill ha fler översättningsspråk stöds de som listas [här](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
Vi har en Discord serie ”Learn with AI” på gång, lär dig mer och gå med hos oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) från 18 - 30 september, 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.
Vi har en pågående Discord-serie "Learn with AI", lär dig mer och gå med oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) från 18 - 30 september, 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.
@ -69,31 +69,31 @@ Vi har en Discord serie ”Learn with AI” på gång, lär dig mer och gå med
Kom igång med följande resurser:
- [Student Hub-sida](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) På denna sida hittar du nybörjarresurser, Studentpaket och till och med sätt att få ett gratis certifikatsvoucher. Detta är en sida du vill bokmärka och kolla då och då eftersom vi byter ut innehåll minst varje månad.
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Gå med i en global gemenskap av studentambassadörer, det kan vara din väg in i Microsoft.
- [Student Hub-sida](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) På denna sida hittar du nybörjarresurser, studentpaket och till och med sätt att få ett gratis certifikatvouch. Detta är en sida du vill bokmärka och kolla regelbundet eftersom vi byter ut innehållet minst en gång i månaden.
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Gå med i ett globalt community av studentambassadörer, detta kan vara din väg in i Microsoft.
# Komma igång
## 📚 Dokumentation
- **[Installationsguide](INSTALLATION.md)** - Steg-för-steg installationsinstruktioner för nybörjare
- **[Installationsguide](INSTALLATION.md)** - Steg-för-steg instruktioner för nybörjare
- **[Användarguide](USAGE.md)** - Exempel och vanliga arbetsflöden
- **[Felsökning](TROUBLESHOOTING.md)** - Lösningar på vanliga problem
- **[Bidragsguide](CONTRIBUTING.md)** - Hur man bidrar till detta projekt
- **[För lärare](for-teachers.md)** - Undervisningsvägledning och klassrumresurser
- **[För lärare](for-teachers.md)** - Vägledning för undervisning och klassrumsresurser
## 👨🎓 För studenter
> **Fullständiga nybörjare**: Nybörjare på data science? Börja med våra [nybörjarvänliga exempel](examples/README.md)! Dessa enkla, välkommenterade exempel hjälper dig att förstå grunderna innan du dyker in i hela läroplanen.
> **[Studenter](https://aka.ms/student-page)**: för att använda denna läroplan själv, forka hela repo och slutför övningarna själv, börja med ett för-lecture quiz. Läs sedan föreläsningen och slutför resten av aktiviteterna. Försök att skapa projekten genom att förstå lektionerna snarare än att kopiera lösningskoden; dock finns den koden tillgänglig i /solutions-mapparna i varje projektorienterad lektion. En annan idé är att bilda en studiekrets med vänner och gå igenom innehållet tillsammans. För vidare studier rekommenderar vi [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
> **Fullständiga nybörjare**: Ny inom data science? Börja med våra [nybörjarvänliga exempel](examples/README.md)! Dessa enkla, välkommenterade exempel hjälper dig att förstå grunderna innan du går vidare till hela kursplanen.
> **[Studenter](https://aka.ms/student-page)**: för att använda denna kursplan själv, forka hela repot och gör övningarna på egen hand, börja med ett förföreläsnings-quiz. Läs sedan föreläsningen och slutför resten av aktiviteterna. Försök att skapa projekten genom att förstå lektionerna snarare än att kopiera lösningskoden; den koden finns dock tillgänglig i /solutions-mapparna i varje projektorienterad lektion. Ett annat förslag är att bilda en studiegrupp med vänner och gå igenom innehållet tillsammans. För vidare studier rekommenderar vi [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
**Snabbstart:**
1. Kolla [Installationsguiden](INSTALLATION.md) för att ställa in din miljö
2. Gå igenom [Användarguiden](USAGE.md) för att lära dig hur du använder läroplanen
3. Börja med Lektion 1 och arbeta dig igenom i ordning
4. Gå med i vårt [Discord-community](https://aka.ms/ds4beginners/discord) för stöd
1. Kolla [Installationsguiden](INSTALLATION.md) för att sätta upp din miljö
2. Gå igenom [Användarguiden](USAGE.md) för att lära dig arbeta med kursplanen
3. Börja med Lektion 1 och fortsätt i ordning
4. Gå med i vår [Discord-gemenskap](https://aka.ms/ds4beginners/discord) för stöd
## 👩🏫 För lärare
> **Lärare**: vi har [inkluderat några förslag](for-teachers.md) på hur man använder detta läroplan. Vi tar gärna emot din feedback [i vårt diskussionsforum](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
> **Lärare**: vi har [inkluderat några förslag](for-teachers.md) på hur du kan använda detta läroplan. Vi vill gärna ha din feedback [i vårt diskussionsforum](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
## Möt teamet
@ -101,40 +101,40 @@ Kom igång med följande resurser:
> 🎥 Klicka på bilden ovan för en video om projektet och personerna som skapade det!
> 🎥 Klicka på bilden ovan för en video om projektet och människorna som skapade det!
## Pedagogik
Vi har valt två pedagogiska principer när vi byggde denna läroplan: att säkerställa att den är projektbaserad och att den innehåller frekventa quiz. I slutet av denna serie kommer eleverna ha lärt sig grundläggande principer inom data science, inklusive etiska koncept, datapreparering, olika sätt att arbeta med data, datavisualisering, dataanalys, verkliga användningsfall av data science och mer.
Vi har valt två pedagogiska principer när vi byggde denna läroplan: att säkerställa att den är projektbaserad och att den innehåller frekventa quiz. I slutet av denna serie kommer eleverna ha lärt sig grundläggande principer för datavetenskap, inklusive etiska koncept, datarensning, olika sätt att arbeta med data, datavisualisering, dataanalys, verkliga användningsfall av datavetenskap och mer.
Dessutom sätter ett lågintensivt quiz före en lektion elevens fokus mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna läroplan är utformad för att vara flexibel och rolig och kan genomföras helt eller delvis. Projekten börjar små och blir mer komplexa mot slutet av 10-veckorscykeln.
Dessutom sätter ett lågintensivt quiz före lektionen elevens intention mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna läroplan är utformad för att vara flexibel och rolig och kan genomföras i sin helhet eller delvis. Projekten börjar små och blir successivt mer komplexa under den 10 veckors cykeln.
> Hitta våra [uppförandekoder](CODE_OF_CONDUCT.md), [bidragsriktlinjer](CONTRIBUTING.md), [översättningsriktlinjer](TRANSLATIONS.md). Vi välkomnar din konstruktiva feedback!
> Hitta våra [uppförandekoder](CODE_OF_CONDUCT.md), [bidragsregler](CONTRIBUTING.md), [översättningsriktlinjer](TRANSLATIONS.md). Vi välkomnar din konstruktiva feedback!
## Varje lektion inkluderar:
- Valfri sketchnote
- Valfri kompletterande video
- Frivillig sketchnote
- Frivillig kompletterande video
- Uppvärmningsquiz före lektionen
- Skriftlig lektion
- För projektbaserade lektioner, steg-för-steg-guider om hur du bygger projektet
- För projektbaserade lektioner, steg-för-steg guider för hur man bygger projektet
- Kunskapskontroller
- En utmaning
- Kompletterande läsning
- Uppgift
- [Quiz efter lektionen](https://ff-quizzes.netlify.app/en/)
> **En not om quiz:** Alla quiz finns i Quiz-App-mappen, totalt 40 quiz med tre frågor vardera. De är länkade från lektionerna, men quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionerna i `quiz-app`-mappen. De är successivt på väg att lokaliseras.
> **En anmärkning om quiz**: Alla quiz finns i Quiz-App mappen, totalt 40 quiz med tre frågor vardera. De länkas från lektionerna, men quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionerna i `quiz-app` mappen. De håller på att lokaliseras successivt.
## 🎓 Nybörjarvänliga exempel
## 🎓 Börjarvänliga exempel
**Ny inom Data Science?** Vi har skapat en särskild [exempelkatalog](examples/README.md) med enkel, välkommenterad kod för att hjälpa dig att komma igång:
**Ny till datavetenskap?** Vi har skapat en speciell [exempelmapp](examples/README.md) med enkel, välkommenterad kod för att hjälpa dig komma igång:
- 🌟 **Hello World** - Ditt första data science-program
| 01 | Definiera Data Science | [Introduktion](1-Introduction/README.md) | Lär dig grundläggande koncept inom data science och hur det relaterar till artificiell intelligens, maskininlärning och big data. | [lektionen](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 02 | Data Science Etik | [Introduktion](1-Introduction/README.md) | Etiska koncept inom data, utmaningar och ramverk. | [lektionen](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
| 03 | Definiera Data | [Introduktion](1-Introduction/README.md) | Hur data klassificeras och dess vanliga källor. | [lektionen](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | Introduktion till statistik & sannolikhet | [Introduktion](1-Introduction/README.md) | Matematiska tekniker för sannolikhet och statistik för att förstå data. | [lektionen](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | Arbeta med relationell data | [Arbeta med data](2-Working-With-Data/README.md) | Introduktion till relationell data och grunderna för att utforska och analysera relationell data med Structured Query Language, även känt som SQL (uttalas "see-quell"). | [lektionen](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | Arbeta med NoSQL-data | [Arbeta med data](2-Working-With-Data/README.md) | Introduktion till icke-relationell data, dess olika typer och grunderna för att utforska och analysera dokumentdatabaser. | [lektionen](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | Arbeta med Python | [Arbeta med data](2-Working-With-Data/README.md) | Grunderna i att använda Python för datautforskning med bibliotek som Pandas. Grundläggande förståelse för Python-programmering rekommenderas. | [lektionen](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | Datapreparering | [Arbeta med data](2-Working-With-Data/README.md) | Ämnen kring datatekniker för att rensa och transformera data för att hantera utmaningar med saknad, felaktig eller ofullständig data. | [lektionen](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 09 | Visualisera mängder | [Datavisualisering](3-Data-Visualization/README.md) | Lär dig använda Matplotlib för att visualisera fågeldatan 🦆 | [lektionen](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
| 10 | Visualisera datadistribution | [Datavisualisering](3-Data-Visualization/README.md) | Visualisera observationer och trender inom ett intervall. | [lektionen](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 12 | Visualisera relationer | [Datavisualisering](3-Data-Visualization/README.md) | Visualisera kopplingar och korrelationer mellan datasystem och deras variabler. | [lektionen](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | Meningsfulla visualiseringar | [Datavisualisering](3-Data-Visualization/README.md) | Tekniker och vägledning för att göra dina visualiseringar värdefulla för effektiv problemlösning och insikter. | [lektionen](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | Introduktion till data science-livscykeln | [Livscykel](4-Data-Science-Lifecycle/README.md) | Introduktion till data science-livscykeln och dess första steg att förvärva och extrahera data. | [lektionen](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 15 | Analysera | [Livscykel](4-Data-Science-Lifecycle/README.md) | Denna fas i data science-livscykeln fokuserar på tekniker för att analysera data. | [lektionen](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
| 16 | Kommunikation | [Livscykel](4-Data-Science-Lifecycle/README.md) | Denna fas i data science-livscykeln fokuserar på att presentera insikter från data på ett sätt som gör det enklare för beslutsfattare att förstå. | [lektionen](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | Data Science i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Denna serie lektioner introducerar data science i molnet och dess fördelar. | [lektionen](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 18 | Data Science i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Träna modeller med Low Code-verktyg. |[lektionen](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 19 | Data Science i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Distribuera modeller med Azure Machine Learning Studio. | [lektionen](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 20 | Data Science "in the Wild" | [I det vilda](6-Data-Science-In-Wild/README.md) | Data science-drivna projekt i verkliga världen. | [lektionen](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
| 01 | Definiera datavetenskap | [Introduktion](1-Introduction/README.md) | Lär dig grundläggande koncept bakom datavetenskap och hur det relaterar till artificiell intelligens, maskininlärning och big data. | [lektion](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 02 | Datavetenskapsetik | [Introduktion](1-Introduction/README.md) | Koncept, utmaningar och ramverk inom dataetik. | [lektion](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
| 03 | Definiera data | [Introduktion](1-Introduction/README.md) | Hur data klassificeras och dess vanliga källor. | [lektion](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | Introduktion till statistik och sannolikhet | [Introduktion](1-Introduction/README.md) | Matematiska tekniker inom sannolikhet och statistik för att förstå data. | [lektion](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | Arbeta med relationsdata | [Arbeta med data](2-Working-With-Data/README.md) | Introduktion till relationsdata och grunderna för att utforska och analysera relationsdata med Structured Query Language, även känt som SQL (uttalas “see-quell”). | [lektion](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | Arbeta med NoSQL-data | [Arbeta med data](2-Working-With-Data/README.md) | Introduktion till icke-relationsdata, dess olika typer och grunderna i att utforska och analysera dokumentdatabaser. | [lektion](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | Arbeta med Python | [Arbeta med data](2-Working-With-Data/README.md) | Grunder för att använda Python för datautforskning med bibliotek som Pandas. En grundläggande förståelse av Python-programmering rekommenderas. | [lektion](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | Datapreparation | [Arbeta med data](2-Working-With-Data/README.md) | Ämnen om datatekniker för att rengöra och transformera data för att hantera utmaningar med saknad, inexakt eller ofullständig data. | [lektion](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 09 | Visualisera kvantiteter | [Datavisualisering](3-Data-Visualization/README.md) | Lär dig använda Matplotlib för att visualisera fågeldatan 🦆 | [lektion](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
| 10 | Visualisera fördelningar av data | [Datavisualisering](3-Data-Visualization/README.md) | Visualisering av observationer och trender inom ett intervall. | [lektion](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 12 | Visualisera relationer | [Datavisualisering](3-Data-Visualization/README.md) | Visualisera kopplingar och korrelationer mellan dataset och deras variabler. | [lektion](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | Meningsfulla visualiseringar | [Datavisualisering](3-Data-Visualization/README.md) | Tekniker och vägledning för att göra dina visualiseringar värdefulla för effektiv problemlösning och insikter. | [lektion](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | Introduktion till datavetenskapslivscykeln | [Livscykel](4-Data-Science-Lifecycle/README.md) | Introduktion till datavetenskapslivscykeln och dess första steg med att förvärva och extrahera data. | [lektion](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 15 | Analysering | [Livscykel](4-Data-Science-Lifecycle/README.md) | Den här fasen i datavetenskapslivscykeln fokuserar på tekniker för dataanalys. | [lektion](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
| 16 | Kommunikation | [Livscykel](4-Data-Science-Lifecycle/README.md) | Den här fasen i datavetenskapslivscykeln fokuserar på att presentera insikter från data på ett sätt som gör det enklare för beslutsfattare att förstå. | [lektion](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | Datavetenskap i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Denna serie lektioner introducerar datavetenskap i molnet och dess fördelar. | [lektion](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 18 | Datavetenskap i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Träning av modeller med Low Code-verktyg. |[lektion](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 19 | Datavetenskap i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Distribuera modeller med Azure Machine Learning Studio. | [lektion](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 20 | Datavetenskap ute i verkligheten | [I verkligheten](6-Data-Science-In-Wild/README.md) | Datavetenskapsdrivna projekt i verkliga världen. | [lektion](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
## GitHub Codespaces
Följ dessa steg för att öppna detta exempel i en Codespace:
1. Klicka på Code-rullgardinsmenyn och välj alternativet Öppna med Codespaces.
2. Välj + Ny codespace längst ned i panelen.
För mer info, se [GitHub-dokumentationen](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
1. Klicka på menyn Code och välj alternativet Open with Codespaces.
2. Välj + New codespace längst ned i fönstret.
För mer information, se [GitHub-dokumentationen](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
## VSCode Remote - Containers
Följ dessa steg för att öppna detta repo i en container med din lokala maskin och VSCode med hjälp av VS Code Remote - Containers-tillägget:
Följ dessa steg för att öppna detta repo i en container med din lokala dator och VSCode med hjälp av VS Code Remote - Containers tillägget:
1. Om detta är första gången du använder en utvecklingscontainer, se till att ditt system uppfyller förutsättningarna (dvs. ha Docker installerat) i [kom igång-dokumentationen](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
1. Om det är första gången du använder en utvecklingscontainer, kontrollera att din dator uppfyller förkraven (t.ex. att Docker är installerat) i [kom igång-dokumentationen](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
För att använda detta repo kan du antingen öppna repot i en isolerad Docker-volym:
För att använda detta repository kan du antingen öppna repositoryt i en isolerad Docker-volym:
**Observera**: Under huven kommer detta att använda Remote-Containers: **Clone Repository in Container Volume...**-kommandot för att klona källkoden i en Docker-volym istället för i det lokala filsystemet. [Volymer](https://docs.docker.com/storage/volumes/) är den föredragna metoden för att bevara container-data.
**Observera**: Under huven används kommandot Remote-Containers: **Clone Repository in Container Volume...** för att klona källkoden i en Docker-volym istället för lokal filsystem. [Volymer](https://docs.docker.com/storage/volumes/) är den föredragna mekanismen för att spara containerdata.
Eller öppna en lokalt klonad eller nedladdad version av repot:
Eller öppna en lokalt klonad eller nedladdad version av repositoryt:
- Klona detta repo till ditt lokala filsystem.
- Tryck F1 och välj kommandot **Remote-Containers: Open Folder in Container...**.
- Klona detta repository till din lokala filsystem.
- Tryck på F1 och välj kommandot **Remote-Containers: Open Folder in Container...**.
- Välj den klonade kopian av denna mapp, vänta på att containern startar, och testa.
## Offlineåtkomst
## Offline-åtkomst
Du kan köra denna dokumentation offline genom att använda [Docsify](https://docsify.js.org/#/). Forka detta repo, [installera Docsify](https://docsify.js.org/#/quickstart) på din lokala maskin, och sedan i rotmappen av detta repo, skriv `docsify serve`. Webbplatsen kommer att serveras på port 3000 på din localhost: `localhost:3000`.
Du kan köra denna dokumentation offline med hjälp av [Docsify](https://docsify.js.org/#/). Forka detta repo, [installera Docsify](https://docsify.js.org/#/quickstart) på din lokala dator, skriv sedan `docsify serve` i rotmappen för detta repo. Webbplatsen serveras på port 3000 på din localhost: `localhost:3000`.
> Observera, notebooks renderas inte via Docsify, så när du behöver köra en notebook, gör det separat i VS Code med en Python-kärna.
> Observera, notebooks återges inte via Docsify, så när du behöver köra en notebook, gör det separat i VS Code med en Python-kärna.
## Andra läroplaner
@ -205,7 +205,7 @@ Vårt team producerar andra läroplaner! Kolla in:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
@ -218,7 +218,7 @@ Vårt team producerar andra läroplaner! Kolla in:
---
### Series med generativ AI
### Generativ AI-serie
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -245,13 +245,13 @@ Vårt team producerar andra läroplaner! Kolla in:
## Få hjälp
**Stöter du på problem?** Kolla in vår [Felsökningsguide](TROUBLESHOOTING.md) för lösningar på vanliga problem.
**Stöter du på problem?** Kolla vår [Felsökningsguide](TROUBLESHOOTING.md) för lösningar på vanliga problem.
Om du kör fast eller har frågor om att bygga AI-appar. Gå med i samtal med andra lärande och erfarna utvecklare om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt.
Om du fastnar eller har frågor om att bygga AI-appar. Gå med i diskussioner om MCP med andra lärande och erfarna utvecklare. Det är en stödjande community där frågor är välkomna och kunskap delas fritt.
@ -259,5 +259,5 @@ Om du har produktfeedback eller hittar fel under utveckling, besök:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfriskrivning**:
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet är det viktigt att vara medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess originalspråk ska betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår vid användning av denna översättning.
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, bör du vara medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För viktig information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår från användningen av denna översättning.
[](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
localizeflow[bot]
6 days ago