Lee Stott
2 weeks ago
committed by
GitHub
parent
0e10837eef
commit
59021f5346
@ -0,0 +1,91 @@
|
||||
name: Co-op Translator
|
||||
|
||||
on:
|
||||
push:
|
||||
branches:
|
||||
- main
|
||||
|
||||
jobs:
|
||||
co-op-translator:
|
||||
runs-on: ubuntu-latest
|
||||
|
||||
permissions:
|
||||
contents: write
|
||||
pull-requests: write
|
||||
|
||||
steps:
|
||||
- name: Checkout repository
|
||||
uses: actions/checkout@v4
|
||||
with:
|
||||
fetch-depth: 0
|
||||
|
||||
- name: Set up Python
|
||||
uses: actions/setup-python@v4
|
||||
with:
|
||||
python-version: '3.10'
|
||||
|
||||
- name: Install Co-op Translator
|
||||
run: |
|
||||
python -m pip install --upgrade pip
|
||||
pip install co-op-translator
|
||||
|
||||
- name: Run Co-op Translator
|
||||
env:
|
||||
PYTHONIOENCODING: utf-8
|
||||
# Azure AI Service Credentials
|
||||
AZURE_AI_SERVICE_API_KEY: ${{ secrets.AZURE_AI_SERVICE_API_KEY }}
|
||||
AZURE_AI_SERVICE_ENDPOINT: ${{ secrets.AZURE_AI_SERVICE_ENDPOINT }}
|
||||
|
||||
# Azure OpenAI Credentials
|
||||
AZURE_OPENAI_API_KEY: ${{ secrets.AZURE_OPENAI_API_KEY }}
|
||||
AZURE_OPENAI_ENDPOINT: ${{ secrets.AZURE_OPENAI_ENDPOINT }}
|
||||
AZURE_OPENAI_MODEL_NAME: ${{ secrets.AZURE_OPENAI_MODEL_NAME }}
|
||||
AZURE_OPENAI_CHAT_DEPLOYMENT_NAME: ${{ secrets.AZURE_OPENAI_CHAT_DEPLOYMENT_NAME }}
|
||||
AZURE_OPENAI_API_VERSION: ${{ secrets.AZURE_OPENAI_API_VERSION }}
|
||||
|
||||
# OpenAI Credentials
|
||||
OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
|
||||
OPENAI_ORG_ID: ${{ secrets.OPENAI_ORG_ID }}
|
||||
OPENAI_CHAT_MODEL_ID: ${{ secrets.OPENAI_CHAT_MODEL_ID }}
|
||||
OPENAI_BASE_URL: ${{ secrets.OPENAI_BASE_URL }}
|
||||
run: |
|
||||
# =====================================================================
|
||||
# IMPORTANT: Set your target languages here (REQUIRED CONFIGURATION)
|
||||
# =====================================================================
|
||||
# Example: Translate to Spanish, French, German. Add -y to auto-confirm.
|
||||
# translate -l "all" -y # <--- MODIFY THIS LINE with your desired languages
|
||||
# translate -l "pt es de fa pl hi" -y
|
||||
# translate -l "nl ne ru zh" -y
|
||||
|
||||
|
||||
- name: Authenticate GitHub App
|
||||
id: generate_token
|
||||
uses: tibdex/github-app-token@v1
|
||||
with:
|
||||
app_id: ${{ secrets.GH_APP_ID }}
|
||||
private_key: ${{ secrets.GH_APP_PRIVATE_KEY }}
|
||||
|
||||
- name: Create Pull Request with translations
|
||||
uses: peter-evans/create-pull-request@v5
|
||||
with:
|
||||
token: ${{ steps.generate_token.outputs.token }}
|
||||
commit-message: "🌐 Update translations via Co-op Translator"
|
||||
title: "🌐 Update translations via Co-op Translator"
|
||||
body: |
|
||||
This PR updates translations for recent changes merged into the `main` branch.
|
||||
|
||||
### 📋 Summary of Changes
|
||||
- Translated markdown content has been added under the `translations/` directory
|
||||
- Translated images (if applicable) have been generated in the `translated_images/` directory
|
||||
|
||||
🔁 Co-op Translator ensures that changes in links, structure, or inline elements in the original content are automatically reflected in all translated files.
|
||||
|
||||
---
|
||||
🌐 This pull request was automatically generated by [Co-op Translator](https://github.com/Azure/co-op-translator), powered by Azure AI.
|
||||
|
||||
branch: update-translations
|
||||
base: main
|
||||
delete-branch: true
|
||||
add-paths: |
|
||||
translations/
|
||||
translated_images/
|
||||
@ -1,19 +0,0 @@
|
||||
# Introducción a la Ciencia de Datos
|
||||
|
||||
|
||||
> Fotografía de <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> en <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
En estas lecciones descubrirás cómo se define la Ciencia de Datos y aprenderás acerca de
|
||||
las cosideraciones éticas que deben ser tomadas por un científico de datos. También aprenderás
|
||||
cómo se definen los datos y un poco de probabilidad y estadística, el núcleo académico de la Ciencia de Datos.
|
||||
|
||||
### Temas
|
||||
|
||||
1. [Definiendo la Ciencia de Datos](../01-defining-data-science/README.md)
|
||||
2. [Ética de la Ciencia de Datos](../02-ethics/README.md)
|
||||
3. [Definición de Datos](../03-defining-data/translations/README.es.md)
|
||||
4. [Introducción a la probabilidad y estadística](../04-stats-and-probability/README.md)
|
||||
|
||||
### Créditos
|
||||
|
||||
Éstas lecciones fueron escritas con ❤️ por [Nitya Narasimhan](https://twitter.com/nitya) y [Dmitry Soshnikov](https://twitter.com/shwars).
|
||||
@ -1,17 +0,0 @@
|
||||
# Introduction à la science des données
|
||||
|
||||
|
||||
> Photo par <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> sur <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
Dans ces leçons, vous découvrirez comment la science des données est définie et apprendrez les considérations éthiques qui doivent être prises en compte par un scientifique des données. Vous apprendrez également comment les données sont définies et vous vous familiariserez avec les statistiques et les probabilités, qui sont les principaux domaines académiques de la science des données.
|
||||
|
||||
### Thèmes
|
||||
|
||||
1. [Définition de la science des données](01-defining-data-science/README.md)
|
||||
2. [Éthique de la science des données](02-ethics/README.md)
|
||||
3. [Définir les données](03-defining-data/README.md)
|
||||
4. [Introduction aux statistiques et aux probabilités](04-stats-and-probability/README.md)
|
||||
|
||||
### Crédits
|
||||
|
||||
Ces leçons ont été rédigées avec ❤️ par [Nitya Narasimhan](https://twitter.com/nitya) et [Dmitry Soshnikov](https://twitter.com/shwars).
|
||||
@ -1,16 +0,0 @@
|
||||
# डेटा विज्ञान का परिचय
|
||||
|
||||
|
||||
>Photo by <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> on <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
इन पाठों में, आप जानेंगे कि डेटा विज्ञान को कैसे परिभाषित किया जाता है और उन नैतिक विचारों के बारे में जानेंगे जिन पर एक डेटा वैज्ञानिक को विचार करना चाहिए। आप यह भी जानेंगे कि डेटा को कैसे परिभाषित किया जाता है तथा आप डेटा की सांख्यिकी और संभाव्यता के बारे में भी थोरा सीखेगे जोकी एक डेटा विज्ञान के मुख्य शैक्षणिक डोमेन है ।
|
||||
### विषय
|
||||
|
||||
1. [डेटा साइंस को परिभाषित करना](01-defining-data-science/README.md)
|
||||
2. [डेटा साइंस एथिक्स](02-ethics/README.md)
|
||||
3. [डेटा को परिभाषित करना](03-defining-data/README.md)
|
||||
4. [सांख्यिकी और संभाव्यता का परिचय](04-stats-and-probability/README.md)
|
||||
|
||||
### क्रेडिट
|
||||
|
||||
ये पाठ [Nitya Narasimhan](https://twitter.com/nitya) और [Dmitry Soshnikov](https://twitter.com/shwars) द्वारा ❤️ के साथ लिखे गए थे।
|
||||
@ -1,17 +0,0 @@
|
||||
# Introduzione alla Data Science
|
||||
|
||||
|
||||
> Fotografia di <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> su <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
In queste lezioni, scoprirai come la Data Science è definita e apprenderai le considerazioni etiche che devono essere considerate da un data scientist. Imparerai anche come i dati sono definiti e ti verrà introdotta un po' di statistica e probabilità, i principali temi accademici della Data Science.
|
||||
|
||||
### Topics
|
||||
|
||||
1. [Definizione di Data Science](01-defining-data-science/README.md) <!-- directory to be changed into italian one -->
|
||||
2. [L'etica della Data Science](02-ethics/README.md)<!-- directory to be changed into italian one -->
|
||||
3. [Definizione di Dati](03-defining-data/README.md)<!-- directory to be changed into italian one -->
|
||||
4. [Introduzione alla Statistica e alla Probabilità](04-stats-and-probability/README.md)<!-- directory to be changed into italian one -->
|
||||
|
||||
### Credits
|
||||
|
||||
Queste lezioni sono state scritte con ❤️ da [Nitya Narasimhan](https://twitter.com/nitya) e [Dmitry Soshnikov](https://twitter.com/shwars).
|
||||
@ -1,17 +0,0 @@
|
||||
# 데이터 과학(Data Science) 소개
|
||||
|
||||
|
||||
> 촬영 작가: <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> on <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
이 수업에서는 데이터 과학이 어떻게 정의되는지 알아보고 데이터 과학자가 고려해야 하는 윤리적인 사항들에 대해 배웁니다. 또한 데이터가 어떻게 정의되는지 배우고 데이터 과학의 핵심 학문 영역인 확률과 통계에 대해서 간단히 배우게 됩니다.
|
||||
|
||||
### 주제
|
||||
|
||||
1. [데이터 과학 정의](../01-defining-data-science/translations/README.ko.md)
|
||||
2. [데이터 과학 윤리](../02-ethics/translations/README.ko.md)
|
||||
3. [데이터 정의](../03-defining-data/translations/README.ko.md)
|
||||
4. [확률과 통계 소개](../04-stats-and-probability/translations/README.ko.md)
|
||||
|
||||
### 크레딧
|
||||
|
||||
강의를 제작한 분: [Nitya Narasimhan](https://twitter.com/nitya) 과 [Dmitry Soshnikov](https://twitter.com/shwars)
|
||||
@ -1,16 +0,0 @@
|
||||
# डाटा विज्ञान को परिचय
|
||||
|
||||
|
||||
> फोटो <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> on <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash द्वारा</a>
|
||||
|
||||
यी पाठहरूमा, तपाईंले डाटा विज्ञानलाई कसरी परिभाषित गरिएको छ भनेर थाहा पाउनुहुनेछ र डेटा वैज्ञानिकले विचार गर्नुपर्ने नैतिक विचारहरूको बारेमा सिक्नुहुनेछ। तपाइँ यो पाठमा कसरी डाटा परिभाषित गरिएको छ र डाटा विज्ञान को मुख्य शैक्षिक डोमेन, statistics र probability पनि केहि मात्रामा जान्नुहुनेछ ।
|
||||
|
||||
### विषयहरु
|
||||
|
||||
१. [डाटा विज्ञान को परिभाषा](01-defining-data-science/README.md)
|
||||
२. [डाटा विज्ञान नैतिकता](02-ethics/README.md)
|
||||
३. [डाटा परिभाषा ](03-defining-data/README.md)
|
||||
४. [Statistics र Probability को परिभाषा](04-stats-and-probability/README.md)
|
||||
|
||||
### विशेष धन्यवाद
|
||||
यी पाठहरु N [नित्य नरसिम्हन](https://twitter.com/nitya) र [दिमित्री सोश्निकोभ](https://twitter.com/shwars) द्वारा ❤️ का साथ लेखिएको हो।
|
||||
@ -1,17 +0,0 @@
|
||||
# Inleiding tot datawetenschap
|
||||
|
||||
|
||||
> Beeld door <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> op <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
In deze lessen ontdek je hoe Data Science wordt gedefinieerd en leer je over ethische overwegingen waarmee een datawetenschapper rekening moet houden. Je leert ook hoe gegevens worden gedefinieerd en leert over statistiek en waarschijnlijkheid, de academische kerndomeinen van Data Science.
|
||||
|
||||
### Onderwerpen
|
||||
|
||||
1. [Data Science definiëren](01-defining-data-science/README.md)
|
||||
2. [Ethiek in Data Science](02-ethics/README.md)
|
||||
3. [Data definiëren](03-defining-data/README.md)
|
||||
4. [Inleiding tot statistiek en kansrekening](04-stats-and-probability/README.md)
|
||||
|
||||
### Credits
|
||||
|
||||
Dit lesmateriaal is met liefde ❤️ geschreven door [Nitya Narasimhan](https://twitter.com/nitya) en [Dmitry Soshnikov](https://twitter.com/shwars).
|
||||
@ -1,17 +0,0 @@
|
||||
# Introdução a Ciência de Dados
|
||||
|
||||
|
||||
> Foto por <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> em <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
Nessas aulas, você irá descobrir como Ciência de Dados é definida e aprender sobre considerações éticas que devem ser consideradas por um cientista de dado. Você também irá aprender como dados são definidos e um pouco sobre estatística e probabilidade, os principais domínios acadêmicos da Ciência de Dados.
|
||||
|
||||
### Tópicos
|
||||
|
||||
1. [Definindo Ciência de Dados](01-defining-data-science/README.md)
|
||||
2. [Ética da Ciência de Dados](02-ethics/README.md)
|
||||
3. [Definindo Dados](03-defining-data/README.md)
|
||||
4. [Introdução a Estatística e Probabilidade](04-stats-and-probability/README.md)
|
||||
|
||||
### Cŕeditos
|
||||
|
||||
Essas aulas foram escritas com ❤️ por [Nitya Narasimhan](https://twitter.com/nitya) e [Dmitry Soshnikov](https://twitter.com/shwars).
|
||||
@ -1,17 +0,0 @@
|
||||
# 数据科学简介
|
||||
|
||||
|
||||
> Photo by <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> on <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
在这些课程中，你将了解到数据科学是如何定义的，以及数据科学家必须考虑的伦理问题。你还将学习数据是如何定义的，还有一些关于统计学和概率的知识，这是数据科学的核心学术领域。
|
||||
|
||||
### 主题
|
||||
|
||||
1. [数据科学的定义](../01-defining-data-science/README.md)
|
||||
2. [数据科学伦理](../02-ethics/README.md)
|
||||
3. [数据的定义](../03-defining-data/README.md)
|
||||
4. [统计与概率概论](../04-stats-and-probability/README.md)
|
||||
|
||||
### 致谢
|
||||
|
||||
这些课程由 [Nitya Narasimhan](https://twitter.com/nitya) 和 [Dmitry Soshnikov](https://twitter.com/shwars) 用 ❤️ 编写。
|
||||
@ -1,18 +0,0 @@
|
||||
# Trabajando con datos
|
||||
|
||||
|
||||
> Fotografía de <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> en <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
|
||||
En estas lecciones, aprenderás algunas de las formas para manejar datos, también aprenderás a manipularlos y usarlos en aplicaciones. Aprendera sobre bases de datos relacionales y no relacionales así como también almacenar datos en estas. Veremos los fundamentos de Python para poder administrar datos y extraerlos.
|
||||
|
||||
### Temas
|
||||
|
||||
1. [Bases de datos relacionales](../05-relational-databases/translations/README.es.md)
|
||||
2. [Bases de datos no relacionales](../06-non-relational/README.md)
|
||||
3. [Trabajando con Python](../07-python/README.md)
|
||||
4. [Preparando datos](../08-data-preparation/README.md)
|
||||
|
||||
### Créditos
|
||||
|
||||
Estas lecciones fueron escritas con ❤️ por [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) y [Jasmine Greenaway](https://twitter.com/paladique)
|
||||
@ -1,17 +0,0 @@
|
||||
# Travailler avec les données
|
||||
|
||||
|
||||
> Photo par <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> sur <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
Dans ces leçons, vous découvrirez quelques-unes des façons dont les données peuvent être gérées, manipulées et utilisées dans les applications. Vous découvrirez les bases de données relationnelles et non relationnelles et la manière dont les données peuvent y être stockées. Vous apprendrez les principes fondamentaux de l'utilisation de Python pour gérer les données et vous découvrirez quelques-unes des nombreuses façons de travailler avec Python pour gérer et exploiter les données.
|
||||
|
||||
### Thèmes
|
||||
|
||||
1. [Bases de données relationnelles](05-relational-databases/README.md)
|
||||
2. [Bases de données non relationnelles](06-non-relational/README.md)
|
||||
3. [Travailler avec Python](07-python/README.md)
|
||||
4. [Préparation des données](08-data-preparation/README.md)
|
||||
|
||||
### Crédits
|
||||
|
||||
Ces leçons ont été rédigées avec ❤️ par [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) et [Jasmine Greenaway](https://twitter.com/paladique)
|
||||
@ -1,18 +0,0 @@
|
||||
# डेटा के साथ काम करना
|
||||
|
||||
|
||||
> तस्वीर <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> द्वारा <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
पर
|
||||
|
||||
|
||||
इन पाठों में, आप कुछ ऐसे तरीके सीखेंगे जिनसे डेटा को प्रबंधित, हेरफेर और अनुप्रयोगों में उपयोग किया जा सकता है। आप रिलेशनल और नॉन-रिलेशनल डेटाबेस के बारे में जानेंगे और उनमें डेटा कैसे स्टोर किया जा सकता है। आप डेटा को प्रबंधित करने के लिए पायथन के साथ काम करने के मूल सिद्धांतों को सीखेंगे, और आप कुछ ऐसे तरीकों की खोज करेंगे जिनसे आप डेटा को प्रबंधित करने और माइन करने के लिए पायथन के साथ काम कर सकते हैं।
|
||||
### विषय
|
||||
|
||||
1. [संबंधपरक डेटाबेस](../05-relational-databases/README.md)
|
||||
2. [[गैर-संबंधपरक डेटाबेस](../06-non-relational/README.md)
|
||||
3. [पायथन के साथ काम करना](../07-python/README.md)
|
||||
4. [डेटा तैयार करना](../08-data-preparation/README.md)
|
||||
|
||||
### क्रेडिट
|
||||
|
||||
ये पाठ [क्रिस्टोफर हैरिसन](https://twitter.com/geektrainer), [दिमित्री सोशनिकोव](https://twitter.com/shwars) और [जैस्मीन ग्रीनवे](https://twitter.com/shwars) द्वारा ❤️ से लिखे गए थे।
|
||||
@ -1,17 +0,0 @@
|
||||
# 데이터작업
|
||||
|
||||
|
||||
> 촬영작가: <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> on <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
이 수업에서는 응용 프로그램에서 데이터를 관리, 조작 및 사용할 수 있는 여러 방법에 대해 배웁니다. 또한 관계형 및 비관계형 데이터베이스에 대해 배우고 데이터가 이러한 데이터베이스에 어떻게 저장되는지 배웁니다. 파이썬으로 데이터를 다루는 기본 원리를 배우며, 이를 통해 데이터를 관리하고 마이닝(data mining) 할 수 있는 다양한 방법을 발견할 수 있을 것입니다.
|
||||
|
||||
### 주제
|
||||
|
||||
1. [관계형 데이터베이스](../05-relational-databases/translations/README.ko.md)
|
||||
2. [비관계형 데이터베이스](../06-non-relational/translations/README.ko.md)
|
||||
3. [Python 활용하기](../07-python/translations/README.ko.md)
|
||||
4. [데이터 준비](../08-data-preparation/translations/README.ko.md)
|
||||
|
||||
### 크레딧
|
||||
|
||||
강의를 제작한 분: [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) 와 [Jasmine Greenaway](https://twitter.com/paladique)
|
||||
@ -1,15 +0,0 @@
|
||||
# डाटासँग सहकार्य
|
||||
|
||||
|
||||
> फोटो <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn द्वारा</a> <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash बाट </a>
|
||||
|
||||
यी पाठहरुमा, तपाइँ केहि तरिकाहरु डाटा को प्रबंधन, हेरफेर, र अनुप्रयोगहरुमा प्रयोग गर्न सकिन्छ को बारे मा जान्न सक्नुहुन्छ। तपाइँ रिलेशनल र नन-रिलेशनल डाटाबेस को बारे मा र कसरी डाटा उनीहरुमा भण्डारण गर्न सकिन्छ जान्नुहुनेछ। तपाइँ डेटा को प्रबन्ध गर्न को लागी Python संग काम गर्ने आधारभूत कुराहरु सिक्नुहुनेछ, र तपाइँ Python द्वारा डाटा माइन साथै म्यानेज गर्ने धेरै मध्य केहि तरिकाहरु पत्ता लगाउन सक्नुहुनेछ ।
|
||||
### बिषयहरु
|
||||
|
||||
१. [रेलशनल डाटाबेस](05-relational-databases/README.md)
|
||||
२. [नन रेलशनल डाटाबेस](06-non-relational/README.md)
|
||||
३. [Python सँग सहकार्य](07-python/README.md)
|
||||
४. [डाटा को तयारी](08-data-preparation/README.md)
|
||||
|
||||
### बिषेष धन्यवाद
|
||||
यी पाठहरू ❤️ का साथ [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) र [Jasmine Greenaway](https://twitter.com/paladique) द्वारा लेखिएको हो ।
|
||||
@ -1,16 +0,0 @@
|
||||
# Werken met gegevens
|
||||
|
||||
|
||||
> Beeld door <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> op <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
Leer over de manieren waarop gegevens kunnen worden beheerd, gemanipuleerd en gebruikt in applicaties. Leer meer over relationele en niet-relationele databases en hoe gegevens daarin kunnen worden opgeslagen. Lees over de basisprincipes van het werken met Python om gegevens te beheren, en ontdek enkele van de vele manieren waarop je met Python kunt werken om gegevens te beheren en te ontginnen.
|
||||
### Onderwerpen
|
||||
|
||||
1. [Relationele databases](05-relational-databases/README.md)
|
||||
2. [Niet-relationale databases](06-non-relational/README.md)
|
||||
3. [Aan de slag met Python](07-python/README.md)
|
||||
4. [Data voorbereiden](08-data-preparation/README.md)
|
||||
|
||||
### Credits
|
||||
|
||||
Dit materiaal is met ❤️ geschreven door [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) en [Jasmine Greenaway](https://twitter.com/paladique)
|
||||
@ -1,33 +0,0 @@
|
||||
# विज़ुअलाइज़ेशन
|
||||
|
||||
|
||||
> <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">
|
||||
जेना ली</a> द्वारा फोटो <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash
|
||||
पर </a>
|
||||
|
||||
|
||||
डेटा को विज़ुअलाइज़ करना डेटा साइंटिस्ट के सबसे महत्वपूर्ण कार्यों में से एक है। छवियां 1000 शब्दों के लायक हैं, और एक विज़ुअलाइज़ेशन आपको अपने डेटा के सभी प्रकार के दिलचस्प हिस्सों जैसे कि स्पाइक्स, आउटलेयर, ग्रुपिंग, प्रवृत्ति, और बहुत कुछ की पहचान करने में मदद कर सकता है, जो आपको उस कहानी को समझने में मदद कर सकता है जिसे आपका डेटा बताने की कोशिश कर रहा है।
|
||||
|
||||
इन पांच पाठों में, आप प्रकृति से प्राप्त डेटा का पता लगाएंगे और विभिन्न तकनीकों का उपयोग करके दिलचस्प और सुंदर विज़ुअलाइज़ेशन बनाएंगे।
|
||||
### Topics
|
||||
|
||||
1. [विज़ुअलाइज़िंग मात्रा](09-visualization-quantities/translations/README.hi.mdREADME.hi.md)
|
||||
1. [विज़ुअलाइज़िंग वितरण](10-visualization-distributions/translations/README.hi.md)
|
||||
1. [विज़ुअलाइज़िंग अनुपात](11-visualization-proportions/translations/README.hi.md)
|
||||
1. [रिश्तों की कल्पना](12-visualization-relationships/translations/README.hi.md)
|
||||
1. [सार्थक विज़ुअलाइज़ेशन बनाना](13-meaningful-visualizations/translations/README.hi.md)
|
||||
|
||||
### Credits
|
||||
|
||||
ये विज़ुअलाइज़ेशन पाठ 🌸 [Jen Looper](https://twitter.com/jenlooper) के साथ लिखे गए थे
|
||||
|
||||
🍯 यूएस हनी प्रोडक्शन के लिए डेटा [कागल](https://www.kaggle.com/jessicali9530/honey-production) पर जेसिका ली के प्रोजेक्ट से लिया गया है। [डेटा](https://usda.library.cornell.edu/concern/publications/rn301137d) [यूनाइटेड स्टेट्स डिपार्टमेंट ऑफ़ एग्रीकल्चर](https://www.nass.usda.gov/About_NASS/index.php) से लिया गया है।
|
||||
|
||||
🍄 मशरूम के लिए डेटा भी हैटरस डनटन द्वारा संशोधित [कागल](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) से प्राप्त किया जाता है। इस डेटासेट में एगारिकस और लेपियोटा परिवार में ग्रील्ड मशरूम की 23 प्रजातियों के अनुरूप काल्पनिक नमूनों का विवरण शामिल है। द ऑडबोन सोसाइटी फील्ड गाइड टू नॉर्थ अमेरिकन मशरूम (1981) से लिया गया मशरूम। यह डेटासेट 1987 में UCI ML 27 को दान किया गया था।
|
||||
|
||||
🦆 मिनेसोटा बर्ड्स के लिए डेटा [कागल](https://www.kaggle.com/hannahcollins/minnesota-birds) से है, जिसे हन्ना कॉलिन्स द्वारा [विकिपीडिया](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) से स्क्रैप किया गया है।
|
||||
|
||||
ये सभी डेटासेट [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/) के रूप में लाइसेंसीकृत हैं।
|
||||
|
||||
|
||||
|
||||
@ -1,32 +0,0 @@
|
||||
# 시각화
|
||||
|
||||
|
||||
> Photo by <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> on <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
|
||||
데이터 시각화는 데이터 과학자의 가장 중요한 작업 중 하나입니다. 이미지는 1000 단어의 가치가 있으며 시각화는 급증, 이상값, 그룹화, 경향 등과 같은 데이터의 모든 흥미로운 부분을 식별하는 데 도움이 되어 데이터가 전달하려는 이야기를 이해하는 데 도움이 됩니다.
|
||||
|
||||
이 다섯 개의 수업에서는 자연에서 얻은 데이터를 탐색하고, 다양한 기술을 사용하여 흥미롭고 아름다운 시각화를 만들어봅시다.
|
||||
### 주제
|
||||
|
||||
1. [수량 시각화](../09-visualization-quantities/README.md)
|
||||
2. [분포 시각화](../10-visualization-distributions/README.md)
|
||||
3. [비율 시각화](../11-visualization-proportions/README.md)
|
||||
4. [관계 시각화](../12-visualization-relationships/README.md)
|
||||
5. [의미있는 시각화 만들기](../13-meaningful-visualizations/README.md)
|
||||
|
||||
### 크레딧
|
||||
|
||||
강의를 만드신 분: [Jen Looper](https://twitter.com/jenlooper)
|
||||
|
||||
🍯 미국 꿀 생산에 대한 데이터는 [Kaggle](https://www.kaggle.com/jessicali9530/honey-production)의 Jessica Li의 프로젝트에서 제공되는 것입니다. 이 [데이터](https://usda.library.cornell.edu/concern/publications/rn301137d)는 [미국 농무부](https://www.nass.usda.gov/About_NASS/index.php)에서 만들어졌습니다.
|
||||
|
||||
🍄 버섯에 대한 데이터 역시 [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset)에서 제공되었고, Hatteras Dunton이 수정했습니다. 이 데이터 셋에는 Agaricus 및 Lepiota 과에 속하는 23종의 주름 버섯목에 해당하는 가상 샘플에 대한 설명이 포함되어 있습니다. 버섯에 대한 정보는 'The Audubon Society Field Guide to North American Mushrooms(1981)'에서 발췌했습니다. 이 데이터 셋은 1987년 UCI ML 27에 기증되었습니다.
|
||||
|
||||
🦆 Minnesota 새에 대한 데이터는 Hannah Collins가 [위키피디아](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota)에서 스크랩한 [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) 데이터 입니다.
|
||||
|
||||
모든 데이터 셋에는 [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/) 라이선스가 부여됩니다.
|
||||
|
||||
|
||||
|
||||
|
||||
@ -1,26 +0,0 @@
|
||||
# भिजुअलाइजेसन
|
||||
|
||||
|
||||
> फोटो <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> द्वारा <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash बाट </a>
|
||||
|
||||
डाटा भिजुअलाइज गर्नु डाटा वैज्ञानिकको सबैभन्दा महत्त्वपूर्ण कार्यहरू मध्ये एक हो। छविहरू 1000 शब्दहरूको लायक छन्, र एक दृश्यले तपाईंलाई तपाईंको डेटाका सबै प्रकारका रोचक भागहरू जस्तै स्पाइकहरू, आउटलियरहरू, समूहहरू, प्रवृत्तिहरू, र थप, जसले तपाईंलाई तपाईंको डेटाले बताउन खोजेको कथा बुझ्न मद्दत गर्न सक्छ।
|
||||
|
||||
यी पाँच पाठहरूमा, तपाईंले प्रकृतिबाट प्राप्त डाटा अन्वेषण गर्नुहुनेछ र विभिन्न प्रविधिहरू प्रयोग गरेर रोचक र सुन्दर दृश्यहरू सिर्जना गर्नुहुनेछ।
|
||||
|
||||
१. [परिमाणहरू भिजुअलाईजिङ](09-visualization-quantities/README.md)
|
||||
२. [वितरण भिजुअलाईजिङ](10-visualization-distributions/README.md)
|
||||
३. [अनुपात भिजुअलाईजिङ](11-visualization-proportions/README.md)
|
||||
४. [सम्बन्धहरु भिजुअलाईजिङ](12-visualization-relationships/README.md)
|
||||
५. [भिजुअलाइजेसन अर्थपूर्ण बनाउने](13-meaningful-visualizations/README.md)
|
||||
|
||||
### बिषेष धन्यवाद
|
||||
|
||||
यी भिजुअलाइजेसन पाठहरू [Jen Looper](https://twitter.com/jenlooper) द्वारा 🌸 सँग लेखिएको हो ।
|
||||
|
||||
🍯 अमेरिकी मह उत्पादन को लागी डाटा, जेसिका लीको [Kaggle](https://www.kaggle.com/jessicali9530/honey-production) प्रोजेक्ट बाट लिइएको हो । [डाटा](https://usda.library.cornell.edu/concern/publications/rn301137d) [United States Department of Agriculture](https://www.nass.usda.gov/About_NASS/index.php) बाट लिइएको हो ।
|
||||
|
||||
🍄 च्याउको लागि डाटा पनि [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) बाट लिइएको Hatteras Dunton द्वारा संशोधित हो । यो डाटासेट Agaricus र Lepiota परिवार मा gilled मशरूम को २३ प्रजातिहरु संग सम्बन्धित काल्पनिक नमूनाहरु को विवरण शामिल छ। द अडुबोन सोसाइटी फिल्ड गाइड बाट नर्थ अमेरिकन मशरूम (१९८१) को च्याउ कोरिएको। यो डाटासेट UCI ML २ to मा १ 7 मा दान गरिएको थियो।
|
||||
|
||||
🦆 मिनेसोटा पक्षीहरूको लागि डाटा [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) बाट हो जुन [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) हन्ना कोलिन्स द्वारा, बाट स्क्र्याप गरिएको हो ।
|
||||
|
||||
यी सबै डाटासेट [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/) को रूप मा लाइसेन्स प्राप्त छ ।
|
||||
@ -1,27 +0,0 @@
|
||||
# Visualisaties
|
||||
|
||||
|
||||
> Beeld door <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> op <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
Het visualiseren van data is een van de belangrijkste taken van een data scientist. Afbeeldingen zeggen meer dan 1000 woorden, en een visualisatie kan helpen allerlei interessante delen van uw gegevens te identificeren, zoals pieken, uitbijters, groeperingen, tendensen en meer, die kunnen helpen het verhaal te begrijpen dat de data probeert te vertellen.
|
||||
|
||||
In deze vijf lessen verkennen we gegevens uit de natuur en maken we interessante en mooie visualisaties met behulp van verschillende technieken.
|
||||
### Onderwerpen
|
||||
|
||||
1. [Hoeveelheden visualiseren](09-visualization-quantities/README.md)
|
||||
1. [Distributie visualiseren](10-visualization-distributions/README.md)
|
||||
1. [Proporties visualiseren](11-visualization-proportions/README.md)
|
||||
1. [Relaties visualiseren](12-visualization-relationships/README.md)
|
||||
1. [Betekenisvolle visualisaties maken](13-meaningful-visualizations/README.md)
|
||||
|
||||
### Credits
|
||||
|
||||
🌸 Deze lessen in visualisatie zijn geschreven door [Jen Looper](https://twitter.com/jenlooper)
|
||||
|
||||
🍯 De US Honey Production data is gebruikt uit Jessica Li's project op [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). De [data](https://usda.library.cornell.edu/concern/publications/rn301137d) is afgeleid van de [United States Department of Agriculture](https://www.nass.usda.gov/About_NASS/index.php).
|
||||
|
||||
🍄 De gegevens voor paddenstoelen zijn ook afkomstig van [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), herzien door Hatteras Dunton. Deze dataset bevat beschrijvingen van hypothetische monsters die overeenkomen met 23 soorten kieuwen van paddenstoelen in de Agaricus- en Lepiota-familie. Paddestoel getekend uit The Audubon Society Field Guide to North American Mushrooms (1981). Deze dataset werd in 1987 geschonken aan UCI ML 27.
|
||||
|
||||
🦆 Gegevens voor Minnesota Birds komen eveneens van [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) gescraped van [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) door Hannah Collins.
|
||||
|
||||
Al deze datasets zijn gelicentieerd als [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/).
|
||||
@ -1,31 +0,0 @@
|
||||
# Visualizações
|
||||
|
||||
|
||||
> Foto por <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> em <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
Visualizar dados é uma das tarefas mais importantes para um cientista de dados. Uma imagem vale mais que 1000 palavras, e uma visualização pode te ajudar a identificar todo tipo de coisa interessante nos seus dados, como picos, outliers, agrupamentos, tendências, e mais, que podem te ajudar a entender a história que seus dados estão tentando contar.
|
||||
|
||||
Nessas cinco aulas, você irá explorar dados vindos da natureza e criar visualizações bonitas e interessantes usando várias técnicas.
|
||||
|
||||
### Tópicos
|
||||
|
||||
1. [Visualizando quantidades](../09-visualization-quantities/translations/README.pt-br.md)
|
||||
1. [Visualizando distribuições](../10-visualization-distributions/translations/README.pt-br.md)
|
||||
1. [Visualizando proporções](../11-visualization-proportions/README.md) (ainda não traduzido)
|
||||
1. [Visualizando relações](../12-visualization-relationships/README.md) (ainda não traduzido)
|
||||
1. [Criando visualizações relevantes](../13-meaningful-visualizations/README.md) (ainda não traduzido)
|
||||
|
||||
### Créditos
|
||||
|
||||
Essas aulas foram escritas com 🌸 por [Jen Looper](https://twitter.com/jenlooper)
|
||||
|
||||
🍯 Os dados de produção de mel nos EUA são provenientes do projeto de Jessica Li no [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). Eles são derivados dos [dados](https://usda.library.cornell.edu/concern/publications/rn301137d) disponibilizados pelo [Departamento de Agricultura dos Estados Unidos](https://www.nass.usda.gov/About_NASS/index.php).
|
||||
|
||||
🍄 Os dados dos cogumelos também são provenientes do [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), e foram revisados por Hatteras Dunton. Esse dataset inclui descrições de amostras hipotéticas que correspondem a 23 espécies de cogumelos lamelados das famílias Agaricus e Lepiota. Os cogumelos foram retirados do livro The Audubon Society Field Guide to North American Mushrooms (1981). Esse dataset foi doado para a UCI ML 27 em 1987.
|
||||
|
||||
🦆 Os dados de aves de Minnesota também são provenientes do [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), e foram raspados (scraped) da [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) por Hannah Collins.
|
||||
|
||||
Todos esses datasets estão licenciados sob [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/).
|
||||
|
||||
|
||||
|
||||
@ -1,28 +0,0 @@
|
||||
# 可视化
|
||||
|
||||
|
||||
> 拍摄者 <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> 上传于 <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
数据可视化是数据科学家最重要的任务之一。在有的时候，一图可以胜千言。除此之外，可视化还可以帮助你指出你的数据中包含的各种有趣的特征，例如峰值、异常值、分组、趋势等等，这可以帮助你更好的了解你的数据。
|
||||
|
||||
在这五节课当中，你将接触到来源于大自然的数据，并使用各种不同的技术来完成有趣且漂亮的可视化。
|
||||
|
||||
### 主题
|
||||
|
||||
1. [可视化数据](../09-visualization-quantities/README.md)
|
||||
1. [可视化数据分布](../10-visualization-distributions/README.md)
|
||||
1. [可视化数据占比](../11-visualization-proportions/README.md)
|
||||
1. [可视化数据间的关系](../12-visualization-relationships/README.md)
|
||||
1. [做有意义的可视化](../13-meaningful-visualizations/README.md)
|
||||
|
||||
### 致谢
|
||||
|
||||
这些可视化课程是由 [Jen Looper](https://twitter.com/jenlooper) 用 🌸 编写的
|
||||
|
||||
🍯 US Honey Production 所使用的数据来自 Jessica Li 在 [Kaggle](https://www.kaggle.com/jessicali9530/honey-production) 上的项目。事实上，该 [数据集](https://usda.library.cornell.edu/concern/publications/rn301137d) 来自 [美国农业部](https://www.nass.usda.gov/About_NASS/index.php)。
|
||||
|
||||
🍄 mushrooms 所使用的数据集也是来自于 [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset)，该数据集经历过 Hatteras Dunton 的一些小修订. 该数据集包括对与姬松茸和环柄菇属中 23 种金针菇相对应的假设样本的描述。蘑菇取自于奥杜邦协会北美蘑菇野外指南 (1981)。该数据集于 1987 年捐赠给了 UCI ML 27 （机器学习数据集仓库）
|
||||
|
||||
🦆 Minnesota Birds 的数据也来自于 [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds)，是由 Hannah Collins 从 [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) 中获取的。
|
||||
|
||||
以上这些数据集都遵循 [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/) 条款。
|
||||
@ -1,13 +0,0 @@
|
||||
# डेटा विज्ञान के जीवनचक्र
|
||||
|
||||
>तस्वीर <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> द्वारा <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> पर
|
||||
|
||||
इन पाठों में, आप डेटा विज्ञान जीवनचक्र के कुछ पहलुओं का पता लगाएंगे, जिसमें डेटा के आसपास विश्लेषण और संचार शामिल है।
|
||||
|
||||
### विषय
|
||||
1. [परिचय](../14-Introduction/README.md)
|
||||
2. [विश्लेषण](../15-analyzing/README.md)
|
||||
3. [संचार](../16-communication/README.md)
|
||||
|
||||
### क्रेडिट
|
||||
ये पाठ [जालेन मैक्गी](https://twitter.com/JalenMCG) और [जैस्मीन ग्रीनवे](https://twitter.com/paladique) द्वारा ❤️ से लिखे गए हैं।
|
||||
@ -1,15 +0,0 @@
|
||||
# डाटा विज्ञान जीवनचक्र
|
||||
|
||||
|
||||
|
||||
> फोटो <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> मा <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash द्वारा</a>
|
||||
|
||||
यी पाठहरुमा, तपाइँ डाटा विज्ञान जीवन चक्र को केहि पहलुहरु को अन्वेषण गर्नुहुनेछ, विश्लेषण र डाटा को आसपास संचार सहित।
|
||||
|
||||
### बिषयहरु
|
||||
|
||||
१. [परिचय](14-Introduction/README.md)
|
||||
२. [विश्लेषण](15-Analyzing/README.md)
|
||||
३. [संचार](16-communication/README.md)
|
||||
|
||||
यी पाठहरु ❤️ का साथ [Jalen McGee](https://twitter.com/JalenMCG) र [Jasmine Greenaway](https://twitter.com/paladique) द्वारा लेखिएको हो ।
|
||||
@ -1,16 +0,0 @@
|
||||
# O ciclo de vida da Ciência de Dados
|
||||
|
||||
|
||||
> Foto por <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> em <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
Nessas lições, você explorará alguns dos aspectos do ciclo de vida da ciência de dados, incluindo análise e comunicação em torno de dados.
|
||||
|
||||
### Tópicos
|
||||
|
||||
1. [Introdução](14-Introduction/README.md)
|
||||
2. [Analisando](15-Analyzing/README.md)
|
||||
3. [Comunicação](16-communication/README.md)
|
||||
|
||||
### Créditos
|
||||
|
||||
Estas lições foram escritas com ❤️ por [Jalen McGee](https://twitter.com/JalenMCG) e [Jasmine Greenaway](https://twitter.com/paladique)
|
||||
@ -1,16 +0,0 @@
|
||||
# 数据科学的生命周期
|
||||
|
||||
|
||||
> 拍摄者 <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> 上传于 <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
||||
|
||||
在这些课程中，你将探索到数据科学生命周期的一些方面，包括围绕数据展开的分析和数据之间的沟通。
|
||||
|
||||
### 主题
|
||||
|
||||
1. [简介](../14-Introduction/README.md)
|
||||
2. [数据分析](../15-Analyzing/README.md)
|
||||
3. [数据沟通](../16-communication/README.md)
|
||||
|
||||
### 致谢
|
||||
|
||||
这些课程由 [Jalen McGee](https://twitter.com/JalenMCG) 和 [Jasmine Greenaway](https://twitter.com/paladique) 用 ❤️ 编写
|
||||
@ -1,338 +0,0 @@
|
||||
# 클라우드의 데이터 과학: "로우 코드(Low code)/노 코드(No code)" 방식
|
||||
|
||||
| ](../../../sketchnotes/18-DataScience-Cloud.png)|
|
||||
|:---:|
|
||||
| 클라우드의 데이터 과학: 로우 코드 - _[@nitya](https://twitter.com/nitya)_ 의 스케치노트 |
|
||||
|
||||
목차:
|
||||
|
||||
- [클라우드의 데이터 과학: "로우 코드/노 코드" 방식](#data-science-in-the-cloud-the-low-codeno-code-way)
|
||||
- [강의 전 퀴즈](#pre-lecture-quiz)
|
||||
- [1. 서론](#1-introduction)
|
||||
- [1.1 Azure Machine Learning이란?](#11-azure-machine-learning이란?)
|
||||
- [1.2 심부전 예측 프로젝트:](#12-the-the-the-heart-failure-prediction-project)
|
||||
- [1.3 심부전 데이터 셋:](#13-the-heart-failure-dataset)
|
||||
- [2. Azure ML Studio에서 모델의 로우 코드/노 코드 교육](#2-low-codeno-code-training-of-a-model-in-azure-ml-studio)
|
||||
- [2.1 Azure ML 워크스페이스 만들기](#21-create-an-azure-ml-workspace)
|
||||
- [2.2 컴퓨팅 리소스](#22-compute-resources)
|
||||
- [2.2.1 컴퓨팅 리소스에 적합한 옵션 선택](#221-choosing-the-right-options-for-your-compute-resources)
|
||||
- [2.2.2 컴퓨팅 클러스터 생성](#222-creating-a-compute-cluster)
|
||||
- [2.3 데이터 셋 불러오기](#23-loading-the-dataset)
|
||||
- [2.4 AutoML을 사용한 로우 코드/노 코드 교육](#24-low-codeno-code-training-with-automl)
|
||||
- [삼. 로우 코드/노 코드 모델 배포 및 엔드포인트 소비](#3-low-codeno-code-model-deployment-and-endpoint-consumption)
|
||||
- [3.1 모델 배포](#31-model-deployment)
|
||||
- [3.2 엔드포인트 소비](#32-endpoint-consumption)
|
||||
- [🚀챌린지](#-챌린지)
|
||||
- [강의후퀴즈](#강의후퀴즈)
|
||||
- [리뷰&자습](#리뷰--자습)
|
||||
- [과제](#과제)
|
||||
|
||||
## [강의전 퀴즈](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
|
||||
## 1. 소개
|
||||
### 1.1 Azure 기계 학습(Machine Learning)이란 무엇입니까?
|
||||
|
||||
Azure 클라우드 플랫폼은 새로운 솔루션에 생명을 불어넣는 데 도움이 되도록 설계된 200개 이상의 제품 및 클라우드 서비스입니다.
|
||||
데이터 사이언티스트는 데이터를 탐색하고 전처리하며 다양한 유형의 모델 학습 알고리즘을 시도하여 정확한 모델을 생성하는 데 많은 노력을 기울입니다. 이러한 작업은 시간이 많이 걸리고 종종 값비싼 컴퓨팅 하드웨어를 비효율적으로 사용합니다.
|
||||
|
||||
[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)은 클라우드 기반 Azure에서 기계 학습 솔루션을 구축하고 운영하기 위한 플랫폼입니다. 여기에는 데이터 사이언티스트가 데이터를 준비하고, 모델을 훈련하고, 예측 서비스를 게시하고, 사용량을 모니터링하는 데 도움이 되는 다양한 기능이 포함되어 있습니다. 가장 중요한 것은 훈련 모델과 관련된 많은 시간 소모적인 작업을 자동화하여 효율성을 높이는 데 도움이 된다는 것입니다. 또한 효과적으로 확장되는 클라우드 기반 컴퓨팅 리소스를 사용하여 실제로 사용할 때만 비용을 발생시키면서 대량의 데이터를 처리할 수 있습니다.
|
||||
|
||||
Azure ML은 개발자와 데이터 사이언티스트가 기계 학습 워크플로에 필요한 모든 도구를 제공합니다. 여기에는 다음이 포함됩니다.
|
||||
|
||||
- **Azure Machine Learning Studio**: 모델 학습(training), 배포, 자동화, 추적 및 자산 관리를 위한 로우 코드 및 노 코드 옵션을 위한 Azure Machine Learning의 웹 포털입니다. 스튜디오는 원활한 경험을 위해 Azure Machine Learning SDK와 통합됩니다.
|
||||
- **Jupyter Notebooks**: ML 모델을 빠르게 프로토타이핑하고 테스트합니다.
|
||||
- **Azure Machine Learning Designer**: 모듈을 끌어다 놓아 실험을 빌드한 다음 로우 코드 환경에서 파이프라인을 배포할 수 있습니다.
|
||||
- **AutoML(자동 머신 러닝 UI)** : 머신 러닝 모델 개발의 반복 작업을 자동화하여 모델 품질을 유지하면서 높은 확장성, 효율성 및 생산성을 갖춘 ML 모델을 구축할 수 있습니다.
|
||||
- **Data Labelling**: 데이터에 자동으로 레이블을 지정하는 보조 ML 도구입니다.
|
||||
- **Visual Studio Code용 기계 학습 확장**: ML 프로젝트 빌드 및 관리를 위한 모든 기능을 갖춘 개발 환경을 제공합니다.
|
||||
- **기계 학습 CLI**: CLI 환경에서 Azure ML 리소스를 관리하기 위한 명령을 제공합니다.
|
||||
- **PyTorch, TensorFlow, Scikit-learn 등과 같은 오픈 소스 프레임워크와의 통합**은 종단 간 기계 학습 프로세스를 교육, 배포 및 관리하기 위한 것입니다.
|
||||
- **MLflow**: 기계 학습 실험의 수명 주기를 관리하기 위한 오픈 소스 라이브러리입니다. **MLFlow 추적**은 실험 환경에 관계없이 학습 실행 지표 및 모델 아티팩트를 기록하고 추적하는 MLflow의 구성 요소입니다.
|
||||
|
||||
### 1.2 심부전 예측 프로젝트:
|
||||
|
||||
프로젝트를 만들고 구축하는 것이 당신의 기술과 지식을 시험하는 가장 좋은 방법이라는 데는 의심의 여지가 없습니다. 이 단원에서는 Azure ML Studio에서 다음 스키마에 표시된 것처럼 로우 코드/노 코드 및 Azure ML SDK를 통해 심부전 발작을 예측하기 위한 데이터 과학 프로젝트를 빌드하는 두 가지 다른 방법을 탐색할 것입니다.
|
||||
|
||||
|
||||
|
||||
각 방법에는 장단점이 있습니다. 로우 코드/노 코드 방식은 코드에 대한 사전 지식 없이 GUI(그래픽 사용자 인터페이스)와 상호 작용하기 때문에 시작하기가 더 쉽습니다. 이 방법을 사용하면 프로젝트의 실행 가능성을 빠르게 테스트하고 POC(개념 증명)를 생성할 수 있습니다. 그러나 프로젝트가 성장하고 프로덕션 준비가 되어야 하기 때문에 GUI를 통해 리소스를 생성하는 것은 불가능합니다. 리소스 생성에서 모델 배포에 이르기까지 모든 것을 프로그래밍 방식으로 자동화해야 합니다. 이때 Azure ML SDK를 사용하는 방법을 아는 것이 중요합니다.
|
||||
|
||||
| | Low code/No code | Azure ML SDK |
|
||||
|-------------------|------------------|---------------------------|
|
||||
| 코드 전문성 | 필요하지 않음 | 필요함 |
|
||||
| 개발 시간 | 빠르고 쉽다 | 코드 전문성에 따라 다름 |
|
||||
| 생산 준비 완료 | No | Yes |
|
||||
|
||||
### 1.3 심부전 데이터셋:
|
||||
|
||||
심혈관 질환(CVD)은 전 세계 사망 원인 1위이며 전 세계 사망의 31%를 차지합니다. 흡연, 건강에 해로운 식단 및 비만, 신체 활동 부족 및 유해한 알코올 사용과 같은 환경 및 행동 위험 요인을 추정 모델의 특성으로 사용할 수 있습니다. CVD 발병 확률을 추정할 수 있다는 것은 고위험군에 대한 공격을 예방하는 데 매우 유용할 수 있습니다.
|
||||
|
||||
Kaggle은 이 프로젝트에 사용할 [Heart Failure dataset](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data)를 공개했습니다. 지금 데이터셋를 다운로드할 수 있습니다. 이것은 13개의 열(12개의 기능과 1개의 대상 변수)과 299개의 행이 있는 테이블 형식 데이터 셋입니다.
|
||||
|
||||
| | 변수 이름 | 타입 | 설명 | 예시 |
|
||||
|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
|
||||
| 1 | 나이 | numerical | 환자의 나이 | 25 |
|
||||
| 2 | 빈혈증 | boolean | 적혈구 또는 헤모글로빈 감소 | 0 or 1 |
|
||||
| 3 | 크레아티닌_포스포키나제(creatinine_phosphokinase) | numerical | 혈액 내 CPK 효소 수치 | 542 |
|
||||
| 4 | 당뇨병 | boolean | 환자에게 당뇨병이 있는 경우 | 0 or 1 |
|
||||
| 5 | 사출_분수(ejection_fraction) | numerical | 수축할 때마다 심장에서 나가는 혈액의 비율 | 45 |
|
||||
| 6 | 고혈압 | boolean | 환자에게 고혈압이 있는 경우 | 0 or 1 |
|
||||
| 7 | 혈소판 | numerical | 혈액 내 혈소판 | 149000 |
|
||||
| 8 | 혈청 크레아티닌 | numerical | 혈액 내 혈청 크레아티닌 수치 | 0.5 |
|
||||
| 9 | 혈청 나트륨 | numerical | 혈액 내 혈청 나트륨 수치 | jun |
|
||||
| 10 | 성별 | boolean | 여자 또는 남자 | 0 or 1 |
|
||||
| 11 | 흡연 | boolean | 환자의 흡연 여부 | 0 or 1 |
|
||||
| 12 | 시간 | numerical | 추적 기간 (days) | 4 |
|
||||
|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
|
||||
| 21 | DEATH_EVENT [Target] | boolean | 추적관찰 기간 동안 환자가 사망한 경우 | 0 or 1 |
|
||||
|
||||
데이터 셋이 있으면 Azure에서 프로젝트를 시작할 수 있습니다.
|
||||
|
||||
## 2. Azure ML Studio에서 모델의 로우 코드/노 코드 학습(Training)
|
||||
### 2.1 Azure ML 워크스페이스 만들기
|
||||
Azure ML에서 모델을 학습시키려면 먼저 Azure ML 워크스페이스를 만들어야 합니다. 워크스페이스는 Azure Machine Learning의 최상위 리소스로, Azure Machine Learning을 사용할 때 만드는 모든 아티팩트를 작업할 수 있는 중앙 집중식 장소를 제공합니다. 작업 공간은 로그, 메트릭, 출력 및 스크립트의 스냅샷을 포함하여 모든 훈련 실행의 기록을 유지합니다. 이 정보를 사용하여 최상의 모델을 생성하는 훈련 실행을 결정합니다. [자세히 알아보기](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
|
||||
|
||||
운영 체제와 호환되는 최신 브라우저를 사용하는 것이 좋습니다. 다음 브라우저가 지원됩니다.
|
||||
|
||||
- Microsoft Edge(새로운 Microsoft Edge, 최신 버전. Microsoft Edge 레거시 아님)
|
||||
- Safari(최신 버전, Mac 전용)
|
||||
- 크롬(최신 버전)
|
||||
- 파이어폭스(최신 버전)
|
||||
|
||||
Azure Machine Learning을 사용하려면 Azure 구독에서 워크스페이스을 만듭니다. 그런 다음 이 작업 공간을 사용하여 머신 러닝 워크로드와 관련된 데이터, 컴퓨팅 리소스, 코드, 모델 및 기타 아티팩트를 관리할 수 있습니다.
|
||||
|
||||
> **_참고:_** 구독에 Azure Machine Learning 워크스페이스가 있는 한 Azure 구독에 데이터 저장에 대해 소액의 요금이 청구되므로 더 이상 사용하지 않을 때는 Azure Machine Learning 워크스페이스을 삭제하는 것이 좋습니다.
|
||||
|
||||
1. Azure 구독과 연결된 Microsoft 자격 증명을 사용하여 [Azure Portal](https://ms.portal.azure.com/)에 로그인합니다.
|
||||
2. **＋리소스 생성**을 선택합니다.
|
||||
|
||||
|
||||
|
||||
Machine Learning을 검색하고 Machine Learning 타일을 선택합니다.
|
||||
|
||||
|
||||
|
||||
만들기 버튼을 클릭하세요
|
||||
|
||||
|
||||
|
||||
다음과 같이 설정을 입력합니다.
|
||||
- 구독: Azure 구독
|
||||
- 리소스 그룹: 리소스 그룹 생성 또는 선택
|
||||
- 작업 공간 이름: 작업 공간의 고유한 이름을 입력합니다.
|
||||
- 지역: 가장 가까운 지리적 지역을 선택합니다.
|
||||
- 스토리지 계정: 워크스페이스에 대해 생성될 기본 새 스토리지 계정을 기록해 둡니다.
|
||||
- Key Vault: 워크스페이스에 대해 생성될 기본 새 Key Vault를 확인합니다.
|
||||
- 애플리케이션 인사이트: 작업 공간에 대해 생성될 기본 새 애플리케이션 인사이트 리소스를 확인합니다.
|
||||
- 컨테이너 레지스트리: 없음(컨테이너에 모델을 처음 배포할 때 자동으로 생성됨)
|
||||
|
||||
|
||||
|
||||
- 만들기 + 리뷰 클릭 후 만들기 버튼 클릭
|
||||
3. 작업 공간이 생성될 때까지 기다립니다(몇 분 정도 소요될 수 있음). 그런 다음 포털로 이동하십시오. Machine Learning Azure 서비스를 통해 찾을 수 있습니다.
|
||||
4. 워크스페이스에 대한 개요 페이지에서 Azure Machine Learning Studio를 시작하고(또는 새 브라우저 탭을 열고 https://ml.azure.com으로 이동) Microsoft 계정을 사용하여 Azure Machine Learning Studio에 로그인합니다. 메시지가 표시되면 Azure 디렉터리 및 구독과 Azure Machine Learning 워크스페이스을 선택합니다.
|
||||
|
||||
|
||||
|
||||
5. Azure Machine Learning Studio에서 왼쪽 상단의 ☰ 아이콘을 토글하여 인터페이스의 다양한 페이지를 봅니다. 이 페이지를 사용하여 워크스페이스의 리소스를 관리할 수 있습니다.
|
||||
|
||||
|
||||
|
||||
Azure Portal을 사용하여 워크스페이스을 관리할 수 있지만 데이터 사이언티스트 및 Machine Learning 운영 엔지니어를 위해 Azure Machine Learning Studio는 워크스페이스 리소스를 관리하기 위한 보다 집중적인 사용자 인터페이스를 제공합니다.
|
||||
|
||||
### 2.2 컴퓨팅 리소스
|
||||
|
||||
컴퓨팅 리소스는 모델 교육 및 데이터 탐색 프로세스를 실행할 수 있는 클라우드 기반 리소스입니다. 생성할 수 있는 컴퓨팅 리소스에는 4가지 종류가 있습니다.
|
||||
|
||||
- **컴퓨팅 인스턴스**: 데이터 사이언티스트가 데이터 및 모델 작업에 사용할 수 있는 개발 워크스테이션. 여기에는 가상 머신(VM) 생성 및 노트북 인스턴스 시작이 포함됩니다. 그런 다음 노트북에서 컴퓨터 클러스터를 호출하여 모델을 훈련할 수 있습니다.
|
||||
- **컴퓨팅 클러스터**: 실험 코드의 주문형 처리를 위한 확장 가능한 VM 클러스터. 모델을 훈련할 때 필요합니다. 컴퓨팅 클러스터는 특수 GPU 또는 CPU 리소스를 사용할 수도 있습니다.
|
||||
- **추론 클러스터**: 훈련된 모델을 사용하는 예측 서비스의 배포 대상입니다.
|
||||
- **연결된 컴퓨팅**: Virtual Machines 또는 Azure Databricks 클러스터와 같은 기존 Azure 컴퓨팅 리소스에 대한 링크입니다.
|
||||
|
||||
|
||||
#### 2.2.1 컴퓨팅 리소스에 적합한 옵션 선택
|
||||
|
||||
컴퓨팅 리소스를 생성할 때 몇 가지 주요 요소를 고려해야 하며 이러한 선택은 중요한 결정이 될 수 있습니다.
|
||||
|
||||
**CPU 또는 GPU가 필요합니까?**
|
||||
|
||||
CPU(중앙 처리 장치)는 컴퓨터 프로그램으로 구성된 명령을 실행하는 전자 회로입니다. GPU(Graphics Processing Unit)는 그래픽 관련 코드를 매우 빠른 속도로 실행할 수 있는 특수 전자 회로입니다.
|
||||
|
||||
CPU와 GPU 아키텍처의 주요 차이점은 CPU가 광범위한 작업을 빠르게 처리하도록 설계되었지만(CPU 클럭 속도로 측정) 실행할 수 있는 작업의 동시성이 제한된다는 점입니다. GPU는 병렬 컴퓨팅을 위해 설계되었으므로 딥 러닝 작업에서 훨씬 더 좋습니다.
|
||||
|
||||
| CPU | GPU |
|
||||
|-----------------------------------------|-----------------------------|
|
||||
| 적은 비용 | 비싼 비용 |
|
||||
| 낮은 레벨의 동시성 | 높은 레벨의 동시성 |
|
||||
| 딥 러닝 모델 학습 속도가 느림 | 딥러닝에 최적화됨 |
|
||||
|
||||
|
||||
**클러스터 크기**
|
||||
|
||||
클러스터가 클수록 비용이 더 많이 들지만 응답성이 향상됩니다. 따라서 시간은 있지만 자금이 충분하지 않다면 작은 클러스터부터 시작해야 합니다. 반대로 돈은 있지만 시간이 많지 않은 경우 더 큰 클러스터에서 시작해야 합니다.
|
||||
|
||||
**VM 크기**
|
||||
|
||||
시간과 예산 제약에 따라 RAM, 디스크, 코어 수 및 클럭 속도의 크기를 변경할 수 있습니다. 이러한 모든 매개변수를 늘리면 비용이 더 많이 들지만 결과적으로 더 나은 성능을 얻을 수 있습니다.
|
||||
|
||||
**전용 또는 낮은 우선 순위 인스턴스 ?**
|
||||
|
||||
낮은 우선 순위 인스턴스는 인터럽트 가능함을 의미합니다. 기본적으로 Microsoft Azure는 해당 리소스를 가져와 다른 작업에 할당하여 작업을 중단할 수 있습니다. 전용 인스턴스 또는 인터럽트 불가능은 사용자의 허가 없이 작업이 종료되지 않음을 의미합니다.
|
||||
인터럽트 가능한 인스턴스가 전용 인스턴스보다 저렴하기 때문에 이것은 시간 대 비용의 또 다른 고려 사항입니다.
|
||||
|
||||
#### 2.2.2 컴퓨팅 클러스터 생성
|
||||
|
||||
앞서 만든 [Azure ML 워크스페이스](https://ml.azure.com/)에서 컴퓨팅으로 이동하면 방금 논의한 다양한 컴퓨팅 리소스(예: 컴퓨팅 인스턴스, 컴퓨팅 클러스터, 추론 클러스터 및 연결된 컴퓨팅)를 볼 수 있습니다. 이 프로젝트의 경우 모델 학습을 위한 컴퓨팅 클러스터가 필요합니다. Studio에서 "Compute" 메뉴를 클릭한 다음 "Compute 클러스터" 탭을 클릭하고 "+ New" 버튼을 클릭하여 컴퓨팅 클러스터를 생성합니다.
|
||||
|
||||
|
||||
|
||||
1. 옵션을 선택합니다: 전용 vs 낮은 우선 순위, CPU 또는 GPU, VM 크기 및 코어 번호(이 프로젝트의 기본 설정을 유지할 수 있음).
|
||||
2. 다음 버튼을 클릭합니다.
|
||||
|
||||
|
||||
|
||||
3. 클러스터에 컴퓨팅 이름 지정
|
||||
4. 최소/최대 노드 수, 축소 전 유휴 시간(초), SSH 액세스 옵션을 선택합니다. 최소 노드 수가 0이면 클러스터가 유휴 상태일 때 비용을 절약할 수 있습니다. 최대 노드 수가 많을수록 훈련이 더 짧아집니다. 권장되는 최대 노드 수는 3입니다.
|
||||
5. "만들기" 버튼을 클릭합니다. 이 단계는 몇 분 정도 걸릴 수 있습니다.
|
||||
|
||||
|
||||
|
||||
정말 멋지네요! 이제 Compute 클러스터가 있으므로 Azure ML Studio에 데이터를 로드해야 합니다.
|
||||
|
||||
### 2.3 데이터 셋 로드
|
||||
|
||||
1. 앞서 생성한 [Azure ML 워크스페이스](https://ml.azure.com/)에서 왼쪽 메뉴의 "Datasets"를 클릭하고 "+ Create dataset" 버튼을 클릭하여 데이터셋을 생성합니다. "로컬 파일에서" 옵션을 선택하고 이전에 다운로드한 Kaggle 데이터셋을 선택합니다.
|
||||
|
||||
|
||||
|
||||
2. 데이터셋에 이름, 유형 및 설명을 지정합니다. 다음을 클릭합니다. 파일에서 데이터를 업로드합니다. 다음을 클릭합니다.
|
||||
|
||||
|
||||
|
||||
3. 스키마에서 빈혈, 당뇨병, 고혈압, 성별, 흡연 및 DEATH_EVENT 기능에 대해 데이터 유형을 bool로 변경합니다. 다음을 클릭하고 만들기를 클릭합니다.
|
||||
|
||||
|
||||
|
||||
정말 멋지네요! 이제 데이터 셋이 준비되고 컴퓨팅 클러스터가 생성되었으므로 모델 학습을 시작할 수 있습니다!
|
||||
|
||||
### 2.4 AutoML을 사용한 로우 코드/노 코드 학습
|
||||
|
||||
전통적인 기계 학습 모델 개발은 리소스 집약적이며 수십 개의 모델을 생성하고 비교하는 데 상당한 도메인 지식과 시간이 필요합니다.
|
||||
AutoML(자동화된 기계 학습)은 기계 학습 모델 개발의 시간 소모적이고 반복적인 작업을 자동화하는 프로세스입니다. 이를 통해 데이터 사이언티스트, 분석가 및 개발자는 모델 품질을 유지하면서 높은 확장성, 효율성 및 생산성을 갖춘 ML 모델을 구축할 수 있습니다. 프로덕션 준비 ML 모델을 매우 쉽고 효율적으로 얻는 데 걸리는 시간을 줄입니다. [자세히 알아보기](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
|
||||
|
||||
1. 앞서 생성한 [Azure ML 워크스페이스](https://ml.azure.com/)에서 왼쪽 메뉴의 "Automated ML"을 클릭하고 방금 업로드한 데이터 셋을 선택합니다. 다음을 클릭합니다.
|
||||
|
||||
|
||||
|
||||
2. 새 실험 이름, 대상 열(DEATH_EVENT) 및 생성한 컴퓨팅 클러스터를 입력합니다. 다음을 클릭합니다.
|
||||
|
||||
|
||||
|
||||
3. "분류"를 선택하고 마침을 클릭합니다. 이 단계는 컴퓨팅 클러스터 크기에 따라 30분에서 1시간 사이가 소요될 수 있습니다.
|
||||
|
||||
|
||||
|
||||
4. 실행이 완료되면 "Automated ML" 탭을 클릭하고 실행을 클릭한 다음 "Best model summary" 카드에서 알고리즘을 클릭합니다.
|
||||
|
||||
|
||||
|
||||
여기에서 AutoML이 생성한 최고의 모델에 대한 자세한 설명을 볼 수 있습니다. 모델 탭에서 생성된 다른 모드를 탐색할 수도 있습니다. 설명(미리보기 버튼)에서 모델을 탐색하는 데 몇 분 정도 걸립니다. 사용하려는 모델을 선택했다면(여기서는 autoML이 선택한 최상의 모델을 선택하겠습니다), 배포 방법을 살펴보겠습니다.
|
||||
|
||||
## 3. 로우코드/노코드 모델 배포 및 엔드포인트 소비
|
||||
### 3.1 모델 배포
|
||||
|
||||
자동화된 기계 학습 인터페이스를 사용하면 몇 단계만 거치면 최상의 모델을 웹 서비스로 배포할 수 있습니다. 배포는 새로운 데이터를 기반으로 예측하고 잠재적인 기회 영역을 식별할 수 있도록 모델을 통합하는 것입니다. 이 프로젝트의 경우 웹 서비스에 배포한다는 것은 의료 애플리케이션이 모델을 사용하여 환자가 심장마비에 걸릴 위험을 실시간으로 예측할 수 있음을 의미합니다.
|
||||
|
||||
베스트 모델 설명에서 "배포" 버튼을 클릭합니다.
|
||||
|
||||
|
||||
|
||||
15. 이름, 설명, 컴퓨팅 유형(Azure Container Instance)을 지정하고 인증을 활성화하고 배포를 클릭합니다. 이 단계를 완료하는 데 약 20분이 소요될 수 있습니다. 배포 프로세스에는 모델 등록, 리소스 생성 및 웹 서비스용 구성을 포함한 여러 단계가 포함됩니다. 배포 상태 아래에 상태 메시지가 나타납니다. 주기적으로 새로 고침을 선택하여 배포 상태를 확인합니다. 상태가 "정상"일 때 배포되고 실행됩니다.
|
||||
|
||||
|
||||
|
||||
16. 배포가 완료되면 endpoint 탭을 클릭하고 방금 배포한 endpoint를 클릭합니다. 여기에서 엔드포인트에 대해 알아야 할 모든 세부 정보를 찾을 수 있습니다.
|
||||
|
||||
|
||||
|
||||
정말 멋지네요! 이제 모델이 배포되었으므로 endpoint 사용을 시작할 수 있습니다.
|
||||
|
||||
### 3.2 엔드포인트 소비
|
||||
|
||||
"소비" 탭을 클릭하십시오. 여기에서 소비 옵션에서 REST 엔드포인트와 python 스크립트를 찾을 수 있습니다. 잠시 시간을 내어 파이썬 코드를 읽으십시오.
|
||||
|
||||
이 스크립트는 로컬 시스템에서 직접 실행할 수 있으며 endpoint를 사용합니다.
|
||||
|
||||
|
||||
|
||||
잠시 시간을 내어 다음 두 줄의 코드를 확인하세요.
|
||||
|
||||
```python
|
||||
url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
|
||||
api_key = '' # Replace this with the API key for the web service
|
||||
```
|
||||
'url' 변수는 소비 탭에 있는 REST endpoint이고 'api_key' 변수는 소비 탭에도 있는 기본 키입니다(인증을 활성화한 경우에만). 이것이 스크립트가 endpoint를 사용할 수 있는 방법입니다.
|
||||
|
||||
18. 스크립트를 실행하면 다음 출력이 표시되어야 합니다.
|
||||
```python
|
||||
b'"{\\"result\\": [true]}"'
|
||||
```
|
||||
이것은 주어진 데이터에 대한 심부전의 예측이 사실임을 의미합니다. 스크립트에서 자동으로 생성된 데이터를 더 자세히 살펴보면 모든 것이 기본적으로 0이고 false이기 때문에 이것은 의미가 있습니다. 다음 입력 샘플을 사용하여 데이터를 변경할 수 있습니다.
|
||||
|
||||
```python
|
||||
data = {
|
||||
"data":
|
||||
[
|
||||
{
|
||||
'age': "0",
|
||||
'anaemia': "false",
|
||||
'creatinine_phosphokinase': "0",
|
||||
'diabetes': "false",
|
||||
'ejection_fraction': "0",
|
||||
'high_blood_pressure': "false",
|
||||
'platelets': "0",
|
||||
'serum_creatinine': "0",
|
||||
'serum_sodium': "0",
|
||||
'sex': "false",
|
||||
'smoking': "false",
|
||||
'time': "0",
|
||||
},
|
||||
{
|
||||
'age': "60",
|
||||
'anaemia': "false",
|
||||
'creatinine_phosphokinase': "500",
|
||||
'diabetes': "false",
|
||||
'ejection_fraction': "38",
|
||||
'high_blood_pressure': "false",
|
||||
'platelets': "260000",
|
||||
'serum_creatinine': "1.40",
|
||||
'serum_sodium': "137",
|
||||
'sex': "false",
|
||||
'smoking': "false",
|
||||
'time': "130",
|
||||
},
|
||||
],
|
||||
}
|
||||
```
|
||||
스크립트는 다음을 반환해야 합니다.
|
||||
```python
|
||||
b'"{\\"result\\": [true, false]}"'
|
||||
```
|
||||
|
||||
축하합니다! 배포된 모델을 사용하고 Azure ML에서 학습시켰습니다!
|
||||
|
||||
> **_참고:_** 프로젝트가 끝나면 모든 리소스를 삭제하는 것을 잊지 마십시오.
|
||||
## 🚀 도전
|
||||
|
||||
AutoML이 상위 모델에 대해 생성한 모델 설명 및 세부정보를 자세히 살펴보세요. 최고의 모델이 다른 모델보다 나은 이유를 이해하려고 노력하십시오. 어떤 알고리즘이 비교되었습니까? 이들의 차이점은 무엇인가요? 이 경우 왜 최고 성능이 더 나은가요?
|
||||
|
||||
## [강의 후 퀴즈](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
|
||||
|
||||
## 복습 및 독학
|
||||
|
||||
이 강의에서는 클라우드에서 로우 코드/노 코드 방식으로 심부전 위험을 예측하기 위해 모델을 훈련, 배포 및 사용하는 방법을 배웠습니다. 아직 수행하지 않았다면 AutoML이 상위 모델에 대해 생성한 모델 설명을 더 자세히 살펴보고 최고의 모델이 다른 모델보다 더 나은 이유를 이해하려고 합니다.
|
||||
|
||||
로우 코드/노 코드 Auto ML 에 대해 더 알아보고 싶다면 이 [문서](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)를 읽어보세요.
|
||||
|
||||
## 과제
|
||||
|
||||
[Azure ML의 로우 코드/코드 없음 데이터 과학 프로젝트](./assignment.ko.md)
|
||||
@ -1 +0,0 @@
|
||||
<!--add translations to this folder-->
|
||||
@ -1,11 +0,0 @@
|
||||
# Azure ML의 로우 코드/노 코드 데이터 사이언스 프로젝트
|
||||
|
||||
## 지침
|
||||
|
||||
Azure ML 플랫폼을 사용하여 로우 코드/노 코드 방식으로 모델을 학습, 배포 및 사용하는 방법을 보았습니다. 이제 다른 모델을 훈련하고 배포하고 소비하는 데 사용할 수 있는 일부 데이터를 찾아보십시오. [Kaggle](https://kaggle.com) 및 [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)에서 데이터셋을 찾을 수 있습니다.
|
||||
|
||||
## 기준표
|
||||
|
||||
| 모범 | 충분 | 개선 필요 |
|
||||
|----------|----------|-------|
|
||||
|데이터를 업로드할 때 필요한 경우 피처(feature) 타입 변경을 처리했습니다. 필요한 경우 데이터도 정리했습니다. AutoML을 통해 데이터셋에 대한 교육을 실행하고 모델 설명을 확인했습니다. 최고의 모델을 배포했고 사용할 수 있었습니다. | 데이터를 업로드할 때 필요한 경우 피처(feature) 타입 변경을 처리했습니다. AutoML을 통해 데이터셋에 대한 교육을 실행하고 최상의 모델을 배포하여 사용할 수 있었습니다. | AutoML에서 훈련한 최고의 모델을 배포했으며 이를 사용할 수 있었습니다. |
|
||||
@ -1,11 +0,0 @@
|
||||
# Ciencia de Datos en la naturaleza
|
||||
|
||||
Aplicaciones del mundo real de la ciencia de datos en las industrias.
|
||||
|
||||
### Temas
|
||||
|
||||
1. [Ciencia de datos en el mundo real](../20-Real-World-Examples/translations/README.es.md)
|
||||
|
||||
### Créditos
|
||||
|
||||
Escrito con ❤️ por [Nitya Narasimhan](https://twitter.com/nitya)
|
||||
@ -1,11 +0,0 @@
|
||||
# जंगली प्रारूप में डेटा विज्ञान
|
||||
|
||||
उद्योगों में डेटा विज्ञान के वास्तविक दुनिया के अनुप्रयोग।
|
||||
|
||||
### विषय
|
||||
|
||||
1. [वास्तविक दुनिया में डेटा विज्ञान](../20-Real-World-Examples/README.md)
|
||||
|
||||
### क्रेडिट
|
||||
|
||||
[नित्या नरसिम्हन](https://twitter.com/nitya) द्वारा ❤️ के साथ लिखा गया
|
||||
@ -1,11 +0,0 @@
|
||||
# 실제 환경에서의 데이터 과학
|
||||
|
||||
산업 전반에 걸친 데이터 과학의 실제 적용.
|
||||
|
||||
### 토픽
|
||||
|
||||
1. [현실에서의 데이터 과학](../20-Real-World-Examples/README.md)
|
||||
|
||||
### 출처
|
||||
|
||||
[Nitya Narasimhan](https://twitter.com/nitya)에 의해 쓰여졌음 ❤️
|
||||
@ -1,11 +0,0 @@
|
||||
# जंगली प्रारूप मा डाटा विज्ञान
|
||||
|
||||
डाटा विज्ञानको वास्तविक दुनियामा प्रयोग।
|
||||
|
||||
### विषय
|
||||
|
||||
1. [वास्तविक दुनियामा डाटा विज्ञान](../20-Real-World-Examples/README.md)
|
||||
|
||||
### क्रेडिट
|
||||
|
||||
[नित्या नरसिम्हन](https://twitter.com/nitya) द्वारा ❤️ को साथ लेखिएको।
|
||||
@ -1,11 +0,0 @@
|
||||
# 现实中的数据科学
|
||||
|
||||
数据科学在各行业的实际应用。
|
||||
|
||||
### 主题
|
||||
|
||||
1. [现实世界中的数据科学](../20-Real-World-Examples/README.md)
|
||||
|
||||
### 致谢
|
||||
|
||||
本课程由 [Nitya Narasimhan](https://twitter.com/nitya) 用 ❤️ 编写。
|
||||
@ -1,35 +0,0 @@
|
||||
# Contribute by translating lessons
|
||||
|
||||
We welcome translations for the lessons in this curriculum!
|
||||
|
||||
> Note, please do not use Google Translate or other machine translation tools for translations, but rather use your own proficiency and manually translate the files.
|
||||
|
||||
## Guidelines
|
||||
|
||||
There are folders in each lesson folder and lesson introduction folder which contain the translated markdown files.
|
||||
|
||||
> Note, please do not translate any code in the code sample files; the only things to translate are README, assignments, and the quizzes. Thanks!
|
||||
|
||||
Translated files should follow this naming convention:
|
||||
|
||||
**README._[language]_.md**
|
||||
|
||||
where _[language]_ is a two letter language abbreviation following the ISO 639-1 standard (e.g. `README.es.md` for Spanish and `README.nl.md` for Dutch).
|
||||
|
||||
**assignment._[language]_.md**
|
||||
|
||||
Similar to Readme's, please translate the assignments as well.
|
||||
|
||||
**Quizzes**
|
||||
|
||||
1. Add your translation to the quiz-app by adding a file here: https://github.com/microsoft/Data-Science-For-Beginners/tree/main/quiz-app/src/assets/translations, with proper naming convention (en.json, fr.json). **Please don't localize the words 'true' or 'false' however. thanks!**
|
||||
|
||||
2. Add your language code to the dropdown in the quiz-app's App.vue file.
|
||||
|
||||
3. Edit the quiz-app's [translations index.js file](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/quiz-app/src/assets/translations/index.js) to add your language.
|
||||
|
||||
4. Finally, edit ALL the quiz links in your translated README.md files to point directly to your translated quiz: https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1 becomes https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1?loc=id
|
||||
|
||||
**THANK YOU**
|
||||
|
||||
We truly appreciate your efforts!
|
||||
@ -1,106 +0,0 @@
|
||||
# La Data Science pour les débutants - Curriculum
|
||||
|
||||
[](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/stargazers/)
|
||||
|
||||
L'équipe Azure Cloud Advocates de Microsoft a le plaisir de vous offrir un curriculum d'apprentissage de la Data Science, ou "science des données" en français, comprenant vingt cours à étudier sur une durée d'environ dix semaines. Chaque cours comprend un quiz préalable, un quiz à effectuer après le cours, ainsi que des instructions, un exercice et une solution. Notre pédagogie est basée vous permet d'apprendre tout en réalisant des projets, ce qui permet de bien intégrer les nouvelles compétences que vous allez acquérir.
|
||||
|
||||
**Un grand merci à nos auteurs :** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
|
||||
|
||||
**🙏 Nous remercions également particulièrement 🙏 les auteurs, correcteurs et contributeurs membres du programme Microsoft Learn Student Ambassadors**, notamment [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Rohit Yadav](https://www.linkedin.com/in/rty2423), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Sheena Narula](https://www.linkedin.com/in/sheena-narula-n/), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), Yogendrasingh Pawar, Max Blum, Samridhi Sharma, Tauqeer Ahmad, Aaryan Arora, ChhailBihari Dubey
|
||||
|
||||
| ](../sketchnotes/00-Title.png)|
|
||||
|:---:|
|
||||
| Data Science For Beginners - _Sketchnote réalisé par [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
|
||||
# Prise en main
|
||||
|
||||
> **Enseignants**, nous avons [inclus des suggestions](../for-teachers.md) concernant la manière dont vous pouvez utiliser ce curriculum. Nous aimerions beaucoup lire vos feedbacks [dans notre forum de discussion](https://github.com/microsoft/Data-Science-For-Beginners/discussions) !
|
||||
|
||||
> **Etudiants**, pour suivre ce curriculum, la première chose à faire est de forker ce repository en entier, vous pourrez ensuite réaliser les exercices de votre côté, en commençant un quiz préalable, en lisant le contenu des cours, et en complétant le reste des activités. Essayez de créer les projets en intégrant bien les cours, plutôt qu'en copiant les solutions. Vous verrez que chaque cours orientée projet contient un dossier dossier /solutions dans lequel vous trouverez la solution des exercices. Vous pouvez aussi former un groupe d'apprentissage avec des amis et vous former ensemble. Pour poursuivre votre apprentissage, nous recommandons d'aller consulter [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
|
||||
|
||||
<!--[]( "Promo video")
|
||||
|
||||
> 🎥 Cliquez sur l'image ci-dessus pour regarder la vidéo de présentation du projet réalisée par les auteurs du curriculum !-->
|
||||
|
||||
## Pédagogie
|
||||
|
||||
Nous avons choisi deux principes pédagogiques lors de la création de ce programme d'études : veiller à ce qu'il soit basé sur des projets et à ce qu'il comprenne des quiz fréquents. À la fin de cette série, les élèves auront appris les principes de base de la data science, notamment les concepts éthiques, la préparation des données, les différentes façons de travailler avec les données, la visualisation des données, l'analyse des données, des cas d'utilisation réels de data science, etc.
|
||||
|
||||
De plus, un quiz à faible enjeu à réaliser avant chaque cours permet de préparer l'étudiant à l'apprentissage du sujet, et un second quiz après le cours permet de fixer encore davantage le contenu dans l'esprit des apprenants. Ce curriculum se veut flexible et ammusant et il peut être suivi dans son intégralité ou en partie. Les premiers projets sont modestes et deviennent de plus en plus ardus.
|
||||
|
||||
> Qeulques liens utiles : [Code de conduite](../CODE_OF_CONDUCT.md), [Comment contribuer](../CONTRIBUTING.md), [Traductions](../TRANSLATIONS.md). Tout feedback constructif sera le bienvenu !
|
||||
|
||||
## Chaque cours comprend :
|
||||
|
||||
- Un sketchnote optionnel
|
||||
- Une vidéo complémentaire optionnelle
|
||||
- Un quiz préalable
|
||||
- Un cours écrit
|
||||
- Pour les cours basés sur des projets à réaliser : un guide de création du projet
|
||||
- Des vérifications de connaissances
|
||||
- Un challenge
|
||||
- De la lecture complémentaire
|
||||
- Un exercice
|
||||
- Un quiz de fin
|
||||
|
||||
> **Concernant les quiz** : Vous pourrez retrouver tous les quiz [dans cette application](https://purple-hill-04aebfb03.1.azurestaticapps.net/). Il y a 40 quiz, avec trois questions chacun. Vous les retrouverez dans chaque cours correspondant, mais vous pouvez aussi utiliser l'application de quiz en local en suivant les instruction disponibles dans le dossier `quiz-app`. Les quiz sont en cours de localisation.
|
||||
|
||||
## Cours
|
||||
|
||||
|
||||
| ](../sketchnotes/00-Roadmap.png)|
|
||||
|:---:|
|
||||
| Data Science For Beginners: Roadmap - _Sketchnote réalisé par [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
|
||||
| Numéro du cours | Topic | Chapitre | Objectifs d'apprentissage | Liens vers les cours | Auteurs |
|
||||
| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
|
||||
| 01 | Qu'est-ce que la Data Science ? | [Introduction](../1-Introduction/README.md) | Apprenez les concepts de base de la data science et le lien entre la data science, l'intelligence artificielle, le machine learning et la big data. | [cours](../1-Introduction/01-defining-data-science/README.md) [vidéo](https://youtu.be/pqqsm5reGvs) | [Dmitry](http://soshnikov.com) |
|
||||
| 02 | Data Science et éthique | [Introduction](../1-Introduction/README.md) | Les concepts d'éthique dans le domaine des données, les challenges et les principes d'encadrement. | [cours](../1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
| 03 | Définition de la data | [Introduction](../1-Introduction/README.md) | Comment classifier les données et d'où viennent-elles principalement ? | [cours](../1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 04 | Introduction aux statistiques et aux probabilités | [Introduction](../1-Introduction/README.md) | Techniques mathématiques de probabilités et de statistiques au service de la data. | [cours](../1-Introduction/04-stats-and-probability/README.md) [vidéo](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
|
||||
| 05 | Utilisation de données relationnelles | [Exploiter des données](../2-Working-With-Data/README.md) | Introduction aux données relationnelles et aux bases d'exploration et d'analyse des données relationnelles avec le Structured Query Language, alias SQL (pronouncé “sicouel”). | [cours](../2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
|
||||
| 06 | Utilisation de données NoSQL | [Exploiter des données](../2-Working-With-Data/README.md) | Présentation des données non relationelles, les types de données et les fondamentaux de l'exploration et de l'analyse de bases de données documentaires. | [cours](../2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
|
||||
| 07 | Utilisation de Python | [Exploiter des données](../2-Working-With-Data/README.md) | Les principes de base de Python pour l'exploration de données, et les librairies courantes telles que Pandas. Des connaissances de base de la programmation Python sont recommandées pour ce cours.| [cours](../2-Working-With-Data/07-python/README.md) [vidéo](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
|
||||
| 08 | Préparation des données | [Working With Data](../2-Working-With-Data/README.md) | Techniques de nettoyage et de transformation des données pour gérer des données manquantes, inexactesou incomplètes. | [cours](../2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 09 | Visualisation des quantités | [Data Visualization](../3-Data-Visualization/README.md) | Apprendre à utiliser Matplotlib pour visualiser des données sur les oiseaux 🦆 | [cours](../3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 10 | Visualisation de la distribution des données | [Data Visualization](../3-Data-Visualization/README.md) | Visualisation d'observations et de tendances dans un intervalle. | [cours](../3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 11 | Visualiser des proportions | [Data Visualization](../3-Data-Visualization/README.md) | Visualisation de pourcentages discrets et groupés. | [cours](../3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 12 | Visualisation de relations | [Data Visualization](../3-Data-Visualization/README.md) | Visualisation de connections et de corrélations entre différents sets de données et leurs variables. | [cours](../3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 13 | Visualisations significatives | [Data Visualization](../3-Data-Visualization/README.md) | Techniques et conseils pour donner de la valeur à vos visualisations, les rendre utiles à la compréhension et à la résolution de problèmes. | [cours](../3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 14 | Introduction au cycle de vie de la Data Science | [Cycle de vie](../4-Data-Science-Lifecycle/README.md) | Présentation du cycle de la data science et des premières étapes d'acquisition et d'extraction des données. | [cours](../4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
|
||||
| 15 | Analyse | [Cycle de vie](../4-Data-Science-Lifecycle/README.md) | Cette étape du cycle de vie de la data science se concentre sur les techniques d'analysation des données. | [cours](../4-Data-Science-Lifecycle/15-Analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
|
||||
| 16 | Communication | [Cycle de vie](../4-Data-Science-Lifecycle/README.md) | Cette étape du cycle de vie de la data science se concentre sur la présentation des informations tirées des données de manière à faciliter la compréhension d'une situation par des décisionnaires. | [cours](../4-Data-Science-Lifecycle/16-Communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
|
||||
| 17 | La Data Science dans le Cloud | [Cloud Data](../5-Data-Science-In-Cloud/README.md) | Ce cours présente le Cloud et l'intérêt du Cloud pour la Data Science. | [cours](../5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) et [Maud](https://twitter.com/maudstweets) |
|
||||
| 18 | La Data Science dans le Cloud | [Cloud Data](../5-Data-Science-In-Cloud/README.md) | Entraîner un modèle avec des outils de low code. |[cours](../5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) et [Maud](https://twitter.com/maudstweets) |
|
||||
| 19 | La Data Science dans le Cloud | [Cloud Data](../5-Data-Science-In-Cloud/README.md) | Déployer des modèles avec Azure Machine Learning Studio. | [cours](../5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) et [Maud](https://twitter.com/maudstweets) |
|
||||
| 20 | La Data Science dans la nature | [In the Wild](../6-Data-Science-In-Wild/README.md) | Des projets concrets de data science sur le terrain. | [cours](../6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
## Accès hors ligne
|
||||
|
||||
Vous pouvez retrouver cette documentation hors ligne à l'aide de [Docsify](https://docsify.js.org/#/). Forkez ce repository, [installez Docsify](https://docsify.js.org/#/quickstart) sur votre machine locale, et tapez `docsify serve` dans le dossier racine de ce repository. Vous retrouverez le site web sur le port 3000 de votre localhost : `localhost:3000`.
|
||||
|
||||
> Remarque : vous ne pourrez pas utiliser de notebook avec Docsify. Si vous vouhaitez utilisr un notebook, vous pouvez le faire séparémmnt à l'aide d'un kernel Python dans VS Code.
|
||||
## PDF
|
||||
|
||||
Vous trouverez un PDF contenant tous les cours du curriculum [ici](https://microsoft.github.io/Data-Science-For-Beginners/pdf/readme.pdf).
|
||||
|
||||
## Appel à contribution
|
||||
|
||||
Si vous souhaitez traduire le curriculum entier ou en partie, veuillez suivre notre guide de [traduction](../TRANSLATIONS.md).
|
||||
|
||||
## Autres Curricula
|
||||
|
||||
Notre équipe a créé d'autres cours ! Ne manquez pas :
|
||||
|
||||
- [Le Machine Learning pour les débutants](https://aka.ms/ml-beginners)
|
||||
- [L'IoT pour les débutants](https://aka.ms/iot-beginners)
|
||||
- [Le développement Web pour les débutants](https://aka.ms/webdev-beginners)
|
||||
@ -1,101 +0,0 @@
|
||||
# सुरुआतिका लागी Data Science - पाठ्यक्रम
|
||||
|
||||
Microsoft मा Azure Cloud अधिवक्ताहरु एक १०-हप्ता, २०-पाठ पाठ्यक्रम सबै Data Science को बारे मा प्रस्ताव गर्न पाउँदा खुसी छन्। प्रत्येक पाठ पूर्व पाठ र पछि पाठ क्विज, पाठ, एक समाधान, र एक काम पूरा गर्न को लागी लिखित निर्देश शामिल छ। हाम्रो परियोजना आधारित शिक्षाशास्त्रले तपाइँलाई निर्माण गर्न को लागी जान्न को लागी अनुमति दिन्छ साथै नयाँ कौशल को लागी 'stick' हुने तरीका सिकाउदछ ।
|
||||
|
||||
**हाम्रा लेखकहरुलाई हार्दिक धन्यवाद:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
|
||||
|
||||
**🙏विशेष धन्यवाद 🙏 हाम्रा Microsoft Learn Student Ambassadorका लेखक, समीक्षक र सामग्री योगदानकर्ता,** विशेष गरी [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Rohit Yadav](https://www.linkedin.com/in/rty2423), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Sheena Narula](https://www.linkedin.com/in/sheena-narula-n/), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), Yogendrasingh Pawar, Max Blum, Samridhi Sharma, Tauqeer Ahmad, Aaryan Arora, ChhailBihari Dubey
|
||||
|
||||
| ](../sketchnotes/00-Title.png)|
|
||||
|:---:|
|
||||
|सुरुआतिका लागी Data Science - _स्केचनोट [@nitya](https://twitter.com/nitya) द्वारा_ |
|
||||
|
||||
|
||||
# सुरु गर्नका लागी
|
||||
|
||||
> **शिक्षकहरु**, हामीले कसरी यो पाठ्यक्रम को उपयोग गर्न [केहि सुझावहरु ](for-teachers.md) मा समावेस गरेका छौ । हामी तपाइँको प्रतिक्रिया [हाम्रो Discussion Forum](https://github.com/microsoft/Data-Science-For-Beginners/discussions) मा सुन्न आतुर छौ !
|
||||
|
||||
> **विद्यार्थी**, यो पाठ्यक्रम आफ्नै शैलिमा प्रयोग गर्नका लागी यो Repo लाई fork गर्नुहोस् र एक पूर्व व्याख्यान प्रश्नोत्तरी संग शुरू गरी त्यसपछि गतिविधिहरु को बाकी पूरा लेक्चर पढी अभ्यास पूरा गर्नुहोस् । समाधान कोड प्रतिलिपि गर्नुको सट्टा पाठ बुझेर परियोजनाहरु बनाउन को लागी प्रयास गर्नुहोस्; जे होस् कि कोड प्रत्येक परियोजना उन्मुख पाठ मा /solution फोल्डरहरु मा उपलब्ध छ। अर्को विचार साथीहरु संग एक साथ सामग्री को माध्यम बाट जाने संग एक अध्ययन समूह गठन गर्न को लागी हुनेछ। थप अध्ययन को लागी, हामी [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum)सिफारिश गर्दछौं ।
|
||||
|
||||
### टोलीलाई भेट्नुहोस्
|
||||
|
||||
[]( "Promo video")
|
||||
|
||||
> 🎥 यो Project मा काम गर्नुहुने माहानुभाभरुको भिडियो हेर्ने माथी को image क्लिक गर्नुहोस्
|
||||
|
||||
## शिक्षाशास्त्र
|
||||
|
||||
यो पाठ्यक्रम निर्माण गर्दा हामीले दुई शैक्षिक सिद्धान्त छनौट गरेका छौं: यो Project आधारित छ र यीमा बारम्बार क्विजहरु सामेल छन्। यस श्रृंखला को अन्त सम्म, विद्यार्थीहरु नैतिक अवधारणाहरु, डाटा तयारी, डाटा संग काम गर्ने बिभिन्न तरीकाहरु, डाटा दृश्य, डाटा विश्लेषण, डाटा विज्ञान को वास्तविक दुनिया को उपयोग को मामलाहरु, र अधिक सहित डेटा विज्ञान को आधारभूत सिद्धान्तहरु सिक्ने छन ।
|
||||
|
||||
यसबाहेक, एक कम दांव क्विज एक कक्षा भन्दा पहिले गर्नाले एक विषय सिक्न को लागी विद्यार्थी को इरादा सेट गर्दछ, जबकि कक्षा पछि एक दोस्रो प्रश्नोत्तरी थप अवधारण सुनिश्चित गर्दछ। यो पाठ्यक्रम लचिलो र रमाईलो हुन को लागी डिजाइन गरीएको छ र सम्पूर्ण वा आंशिक रूपमा लिन सकिन्छ। Project सुरु हुँदै १० हप्ता को अन्त्य सम्म जटिलता बढ्दै जादछ ।
|
||||
|
||||
> हाम्रो [आचार संहिता](CODE_OF_CONDUCT.md), [योगदान](CONTRIBUTING.md), [अनुवाद](TRANSLATIONS.md) दिशानिर्देश पाउनुहोस्। हामी तपाइँको रचनात्मक प्रतिक्रिया स्वागत गर्दछौं!
|
||||
|
||||
## प्रत्येक पाठ समावेश छ:
|
||||
|
||||
- वैकल्पिक स्केचनोट
|
||||
- वैकल्पिक पूरक भिडियो
|
||||
- पूर्व पाठ वार्मअप प्रश्नोत्तरी
|
||||
- लिखित पाठ
|
||||
-परियोजना आधारित पाठ को लागी, कसरी परियोजना निर्माण गर्न को लागी चरण-दर-चरण गाइड
|
||||
- ज्ञान जाँच
|
||||
- चुनौती
|
||||
- पूरक पठन
|
||||
- असाइनमेन्ट
|
||||
- पोस्ट पाठ प्रश्नोत्तरी
|
||||
|
||||
> ** क्विजहरु को बारे मा एक नोट **: सबै क्विज [यो एप मा](https://red-water-0103e7a0f.azurestaticapps.net/) निहित छन्, प्रत्येक तीन प्रश्नहरु को ४० कुल क्विज को लागी। तिनीहरू पाठ भित्र बाट जोडिएका छन् तर प्रश्नोत्तरी अनुप्रयोग स्थानीय स्तर मा चलाउन सकिन्छ; 'क्विज- app' फोल्डर मा निर्देशन पालना गर्नुहोस्। उनीहरु बिस्तारै स्थानीयकृत हुँदैछन्।
|
||||
|
||||
|
||||
## पाठ
|
||||
|
||||
|
||||
| ](./sketchnotes/00-Roadmap.png)|
|
||||
|:---:|
|
||||
| शुरुआती को लागी डाटा विज्ञान: गाइड - _स्केचनोट [@nitya](https://twitter.com/nitya)_ द्वारा|
|
||||
|
||||
|
||||
| पाठ नम्बर | विषय | पाठ समूह | सिक्ने उद्देश्यहरू | लिन्कड पाठ | लेखक |
|
||||
| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
|
||||
| 0१ | डाटा विज्ञान को परिभाषा | [परिचय](1-Introduction/README.md) | डाटा विज्ञान को पछाडि आधारभूत अवधारणाहरु जान्नुहोस् र यो कसरी Artificial Intelligence, Machine Learning, र Big Data संग सम्बन्धित छ। | [पाठ](1-Introduction/01-defining-data-science/README.md) [भिडियो](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
|
||||
| 0२ | डाटा विज्ञान नैतिकता | [परिचय](1-Introduction/README.md) | डाटा नैतिक अवधारणाहरु, चुनौतिहरु र फ्रेमवर्क | [पाठ](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
| 0३ | डाटा परिभाषा | [परिचय](1-Introduction/README.md) | कसरी डाटा वर्गीकृत र यसको सामान्य स्रोत हो। | [पाठ](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 0४ | Probability र Statistics को परिचय | [परिचय](1-Introduction/README.md) |Probability र Statistics को गणितीय प्रविधि डाटा बुझ्न को लागी।| [पाठ](1-Introduction/04-stats-and-probability/README.md) [भिडिय](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
|
||||
| 0५ | Relational Data मा काम | [डाटासंग काम](2-Working-With-Data/README.md) | रिलेशनल डाटा को परिचय र स्ट्रक्चर्ड क्वेरी भाषा संग रिलेशनल डाटा को अन्वेषण र विश्लेषण को मूल कुराहरु, जसलाई SQL को रूप मा पनि जानिन्छ (उच्चारण "see-quell") | [पाठ](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
|
||||
| 0६ | NoSQL Data मा काम | [डाटासंग काम](2-Working-With-Data/README.md) | नन रिलेशनल डाटा को परिचय, यसको विभिन्न प्रकार र अन्वेषण र कागजात डाटाबेस को विश्लेषण को आधारभूत। | [पाठ](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
|
||||
| 0७ | Python मा काम | [डाटासंग काम](2-Working-With-Data/README.md) | Pandas जस्तै libraries संग डाटा अन्वेषण को लागी अजगर को उपयोग को आधारभूत। पाइथन प्रोग्रामिंग को आधारभूत समझ सिफारिश गरीएको छ। | [पाठ](2-Working-With-Data/07-python/README.md) [भिडियो](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
|
||||
| 0८ | डाटा तयारी | [डाटासंग काम](2-Working-With-Data/README.md) | सफा गर्न र हराइरहेको, गलत, वा अपूर्ण डाटा को चुनौतिहरु लाई सम्हाल्न को लागी डाटा रूपान्तरण को लागी डाटा प्रविधि मा विषय। | [पाठ](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 0९ | मात्रा को दृश्य | [डाटा दृश्यता](3-Data-Visualization/README.md) | जान्नुहोस् कसरी Matplotlibमा चरा डाटा चित्रण गर्ने 🦆 | [पाठ](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| १० | डाटा को वितरण दृश्य | [डाटा दृश्यता](3-Data-Visualization/README.md) | एक अन्तराल भित्र अवलोकन र प्रवृत्ति दृश्य। | [पाठ](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 11 | अनुपात दृश्य | [डाटा दृश्यता](3-Data-Visualization/README.md) | अलग र समूहीकृत प्रतिशत दृश्य। | [पाठ](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 12 | सम्बन्ध को दृश्य | [डाटा दृश्यता](3-Data-Visualization/README.md) | भिजुअलाइजिंग कनेक्शन र डाटा को सेट र उनीहरुको variables को बीच सम्बन्ध। | [पाठ](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 13 | सार्थक दृश्य | [डाटा दृश्यत](3-Data-Visualization/README.md) | प्रभावकारी समस्या को समाधान र अंतर्दृष्टि को लागी तपाइँको दृश्य बहुमूल्य बनाउन को लागी प्रविधि र मार्गदर्शन। | [पाठ](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 14 | डाटा विज्ञान जीवनचक्र को परिचय | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डाटा विज्ञान जीवनचक्र को परिचय र डाटा प्राप्त गर्ने र निकाल्ने यसको पहिलो चरण। | [पाठ](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
|
||||
| 15 | विश्लेषण | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डाटा विज्ञान जीवनचक्र को यो चरण डाटा को विश्लेषण गर्न को लागी टेक्नीक मा केन्द्रित छ। | [पाठ](4-Data-Science-Lifecycle/15-Analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
|
||||
| 16 | सञ्चार | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डाटा विज्ञान जीवनचक्रको यो चरण डेटा बाट अन्तरदृष्टि प्रस्तुत गर्ने तरीका मा ध्यान केन्द्रित गर्दछ कि यो निर्णय निर्माताहरु लाई बुझ्न को लागी सजिलो बनाउँछ। | [पाठ](4-Data-Science-Lifecycle/16-Communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
|
||||
| 17 | क्लाउड मा डाटा विज्ञान | [क्लाउड डाटा ](5-Data-Science-In-Cloud/README.md) | पाठ को यो श्रृंखला क्लाउड र यसको लाभ मा डाटा विज्ञान को परिचय। | [पाठ](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) र [Maud](https://twitter.com/maudstweets) |
|
||||
| 18 | क्लाउड मा डाटा विज्ञान | [क्लाउड डाटा](5-Data-Science-In-Cloud/README.md) | कम कोड उपकरण को उपयोग गरी प्रशिक्षण मोडेल। |[पाठ](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
|
||||
| 19 | क्लाउड मा डाटा विज्ञान | [क्लाउड डाटा](5-Data-Science-In-Cloud/README.md) | Azure Machine Learning Studio संग मोडेल परिनियोजन। | [पाठ](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
|
||||
| 20 | जंगलमा डाटा विज्ञान| [जंगलम](6-Data-Science-In-Wild/README.md) | वास्तविक दुनिया मा डाटा विज्ञान संचालित परियोजनाहरु। | [पाठ](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
|
||||
## अफलाइन पहुँच
|
||||
|
||||
तपाइँ यो कागजात अफलाइन चलाउन सक्नुहुन्छ [Docsify] (https://docsify.js.org/#/) को उपयोग गरेर। यो Repo Fork गर्नुहोस्, [तपाइँको Docsify स्थापना गर्नुहोस् (https://docsify.js.org/#/quickstart) तपाइँको स्थानीय मेसिन मा, तब यो रेपो को मूल फोल्डर मा, `docsify serve` टाइप गर्नुहोस्। वेबसाइट तपाइँको स्थानीय होस्ट मा पोर्ट 3000 मा सेवा दिइनेछ: `localhost: 3000`।
|
||||
|
||||
> नोट, नोटबुक Docsify को माध्यम बाट रेन्डर गरिनेछैन, त्यसैले जब तपाइँ एक नोटबुक चलाउन को लागी आवश्यक छ, VS Code मा एक अजगर कर्नेल चलिरहेको छुट्टै गर्नुहोस्।
|
||||
|
||||
##PDF
|
||||
|
||||
सबै पाठ को एक पीडीएफ [यहाँ पाउन सकिन्छ](https://microsoft.github.io/Data-Science-For-Beginners/pdf/readme.pdf)
|
||||
|
||||
## सहयोग चाहियो!
|
||||
|
||||
यदि तपाइँ पाठ्यक्रम को सबै वा अंश अनुवाद गर्न चाहानुहुन्छ, कृपया हाम्रो [अनुवाद](TRANSLATIONS.md) गाइड को पालन गर्नुहोस्।
|
||||
|
||||
## अन्य पाठ्यक्रम
|
||||
|
||||
हाम्रो टोली अन्य पाठ्यक्रम उत्पादन! यहाँ हेर्नुहोस :
|
||||
|
||||
- [शुरुआतीहरुको लागी Machine Learning](https://aka.ms/ml-beginners)
|
||||
- [शुरुआती को लागी IoT](https://aka.ms/iot-beginners)
|
||||
- [शुरुआतीहरुको लागि Web Dev](https://aka.ms/webdev-beginners)
|
||||
@ -1,101 +0,0 @@
|
||||
# सुरुआतिका लागी Data Science - पाठ्यक्रम
|
||||
|
||||
Microsoft मा Azure Cloud अधिवक्ताहरु एक १०-हप्ता, २०-पाठ पाठ्यक्रम सबै Data Science को बारे मा प्रस्ताव गर्न पाउँदा खुसी छन्। प्रत्येक पाठ पूर्व पाठ र पछि पाठ क्विज, पाठ, एक समाधान, र एक काम पूरा गर्न को लागी लिखित निर्देश शामिल छ। हाम्रो परियोजना आधारित शिक्षाशास्त्रले तपाइँलाई निर्माण गर्न को लागी जान्न को लागी अनुमति दिन्छ साथै नयाँ कौशल को लागी 'stick' हुने तरीका सिकाउदछ ।
|
||||
|
||||
**हाम्रा लेखकहरुलाई हार्दिक धन्यवाद:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
|
||||
|
||||
**🙏विशेष धन्यवाद 🙏 हाम्रा Microsoft Learn Student Ambassadorका लेखक, समीक्षक र सामग्री योगदानकर्ता,** विशेष गरी [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Rohit Yadav](https://www.linkedin.com/in/rty2423), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Sheena Narula](https://www.linkedin.com/in/sheena-narula-n/), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), Yogendrasingh Pawar, Max Blum, Samridhi Sharma, Tauqeer Ahmad, Aaryan Arora, ChhailBihari Dubey
|
||||
|
||||
| ](../sketchnotes/00-Title.png)|
|
||||
|:---:|
|
||||
|सुरुआतिका लागी Data Science - _स्केचनोट [@nitya](https://twitter.com/nitya) द्वारा_ |
|
||||
|
||||
|
||||
# सुरु गर्नका लागी
|
||||
|
||||
> **शिक्षकहरु**, हामीले कसरी यो पाठ्यक्रम को उपयोग गर्न [केहि सुझावहरु ](for-teachers.md) मा समावेस गरेका छौ । हामी तपाइँको प्रतिक्रिया [हाम्रो Discussion Forum](https://github.com/microsoft/Data-Science-For-Beginners/discussions) मा सुन्न आतुर छौ !
|
||||
|
||||
> **विद्यार्थी**, यो पाठ्यक्रम आफ्नै शैलिमा प्रयोग गर्नका लागी यो Repo लाई fork गर्नुहोस् र एक पूर्व व्याख्यान प्रश्नोत्तरी संग शुरू गरी त्यसपछि गतिविधिहरु को बाकी पूरा लेक्चर पढी अभ्यास पूरा गर्नुहोस् । समाधान कोड प्रतिलिपि गर्नुको सट्टा पाठ बुझेर परियोजनाहरु बनाउन को लागी प्रयास गर्नुहोस्; जे होस् कि कोड प्रत्येक परियोजना उन्मुख पाठ मा /solution फोल्डरहरु मा उपलब्ध छ। अर्को विचार साथीहरु संग एक साथ सामग्री को माध्यम बाट जाने संग एक अध्ययन समूह गठन गर्न को लागी हुनेछ। थप अध्ययन को लागी, हामी [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum)सिफारिश गर्दछौं ।
|
||||
|
||||
### टोलीलाई भेट्नुहोस्
|
||||
|
||||
[]( "Promo video")
|
||||
|
||||
> 🎥 यो Project मा काम गर्नुहुने माहानुभाभरुको भिडियो हेर्ने माथी को image क्लिक गर्नुहोस्
|
||||
|
||||
## शिक्षाशास्त्र
|
||||
|
||||
यो पाठ्यक्रम निर्माण गर्दा हामीले दुई शैक्षिक सिद्धान्त छनौट गरेका छौं: यो Project आधारित छ र यीमा बारम्बार क्विजहरु सामेल छन्। यस श्रृंखला को अन्त सम्म, विद्यार्थीहरु नैतिक अवधारणाहरु, डाटा तयारी, डाटा संग काम गर्ने बिभिन्न तरीकाहरु, डाटा दृश्य, डाटा विश्लेषण, डाटा विज्ञान को वास्तविक दुनिया को उपयोग को मामलाहरु, र अधिक सहित डेटा विज्ञान को आधारभूत सिद्धान्तहरु सिक्ने छन ।
|
||||
|
||||
यसबाहेक, एक कम दांव क्विज एक कक्षा भन्दा पहिले गर्नाले एक विषय सिक्न को लागी विद्यार्थी को इरादा सेट गर्दछ, जबकि कक्षा पछि एक दोस्रो प्रश्नोत्तरी थप अवधारण सुनिश्चित गर्दछ। यो पाठ्यक्रम लचिलो र रमाईलो हुन को लागी डिजाइन गरीएको छ र सम्पूर्ण वा आंशिक रूपमा लिन सकिन्छ। Project सुरु हुँदै १० हप्ता को अन्त्य सम्म जटिलता बढ्दै जादछ ।
|
||||
|
||||
> हाम्रो [आचार संहिता](CODE_OF_CONDUCT.md), [योगदान](CONTRIBUTING.md), [अनुवाद](TRANSLATIONS.md) दिशानिर्देश पाउनुहोस्। हामी तपाइँको रचनात्मक प्रतिक्रिया स्वागत गर्दछौं!
|
||||
|
||||
## प्रत्येक पाठ समावेश छ:
|
||||
|
||||
- वैकल्पिक स्केचनोट
|
||||
- वैकल्पिक पूरक भिडियो
|
||||
- पूर्व पाठ वार्मअप प्रश्नोत्तरी
|
||||
- लिखित पाठ
|
||||
-परियोजना आधारित पाठ को लागी, कसरी परियोजना निर्माण गर्न को लागी चरण-दर-चरण गाइड
|
||||
- ज्ञान जाँच
|
||||
- चुनौती
|
||||
- पूरक पठन
|
||||
- असाइनमेन्ट
|
||||
- पोस्ट पाठ प्रश्नोत्तरी
|
||||
|
||||
> ** क्विजहरु को बारे मा एक नोट **: सबै क्विज [यो एप मा](https://purple-hill-04aebfb03.1.azurestaticapps.net/) निहित छन्, प्रत्येक तीन प्रश्नहरु को ४० कुल क्विज को लागी। तिनीहरू पाठ भित्र बाट जोडिएका छन् तर प्रश्नोत्तरी अनुप्रयोग स्थानीय स्तर मा चलाउन सकिन्छ; 'क्विज- app' फोल्डर मा निर्देशन पालना गर्नुहोस्। उनीहरु बिस्तारै स्थानीयकृत हुँदैछन्।
|
||||
|
||||
|
||||
## पाठ
|
||||
|
||||
|
||||
| ](./sketchnotes/00-Roadmap.png)|
|
||||
|:---:|
|
||||
| शुरुआती को लागी डाटा विज्ञान: गाइड - _स्केचनोट [@nitya](https://twitter.com/nitya)_ द्वारा|
|
||||
|
||||
|
||||
| पाठ नम्बर | विषय | पाठ समूह | सिक्ने उद्देश्यहरू | लिन्कड पाठ | लेखक |
|
||||
| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
|
||||
| 0१ | डाटा विज्ञान को परिभाषा | [परिचय](1-Introduction/README.md) | डाटा विज्ञान को पछाडि आधारभूत अवधारणाहरु जान्नुहोस् र यो कसरी Artificial Intelligence, Machine Learning, र Big Data संग सम्बन्धित छ। | [पाठ](1-Introduction/01-defining-data-science/README.md) [भिडियो](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
|
||||
| 0२ | डाटा विज्ञान नैतिकता | [परिचय](1-Introduction/README.md) | डाटा नैतिक अवधारणाहरु, चुनौतिहरु र फ्रेमवर्क | [पाठ](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
| 0३ | डाटा परिभाषा | [परिचय](1-Introduction/README.md) | कसरी डाटा वर्गीकृत र यसको सामान्य स्रोत हो। | [पाठ](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 0४ | Probability र Statistics को परिचय | [परिचय](1-Introduction/README.md) |Probability र Statistics को गणितीय प्रविधि डाटा बुझ्न को लागी।| [पाठ](1-Introduction/04-stats-and-probability/README.md) [भिडिय](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
|
||||
| 0५ | Relational Data मा काम | [डाटासंग काम](2-Working-With-Data/README.md) | रिलेशनल डाटा को परिचय र स्ट्रक्चर्ड क्वेरी भाषा संग रिलेशनल डाटा को अन्वेषण र विश्लेषण को मूल कुराहरु, जसलाई SQL को रूप मा पनि जानिन्छ (उच्चारण "see-quell") | [पाठ](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
|
||||
| 0६ | NoSQL Data मा काम | [डाटासंग काम](2-Working-With-Data/README.md) | नन रिलेशनल डाटा को परिचय, यसको विभिन्न प्रकार र अन्वेषण र कागजात डाटाबेस को विश्लेषण को आधारभूत। | [पाठ](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
|
||||
| 0७ | Python मा काम | [डाटासंग काम](2-Working-With-Data/README.md) | Pandas जस्तै libraries संग डाटा अन्वेषण को लागी अजगर को उपयोग को आधारभूत। पाइथन प्रोग्रामिंग को आधारभूत समझ सिफारिश गरीएको छ। | [पाठ](2-Working-With-Data/07-python/README.md) [भिडियो](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
|
||||
| 0८ | डाटा तयारी | [डाटासंग काम](2-Working-With-Data/README.md) | सफा गर्न र हराइरहेको, गलत, वा अपूर्ण डाटा को चुनौतिहरु लाई सम्हाल्न को लागी डाटा रूपान्तरण को लागी डाटा प्रविधि मा विषय। | [पाठ](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 0९ | मात्रा को दृश्य | [डाटा दृश्यता](3-Data-Visualization/README.md) | जान्नुहोस् कसरी Matplotlibमा चरा डाटा चित्रण गर्ने 🦆 | [पाठ](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| १० | डाटा को वितरण दृश्य | [डाटा दृश्यता](3-Data-Visualization/README.md) | एक अन्तराल भित्र अवलोकन र प्रवृत्ति दृश्य। | [पाठ](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 11 | अनुपात दृश्य | [डाटा दृश्यता](3-Data-Visualization/README.md) | अलग र समूहीकृत प्रतिशत दृश्य। | [पाठ](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 12 | सम्बन्ध को दृश्य | [डाटा दृश्यता](3-Data-Visualization/README.md) | भिजुअलाइजिंग कनेक्शन र डाटा को सेट र उनीहरुको variables को बीच सम्बन्ध। | [पाठ](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 13 | सार्थक दृश्य | [डाटा दृश्यत](3-Data-Visualization/README.md) | प्रभावकारी समस्या को समाधान र अंतर्दृष्टि को लागी तपाइँको दृश्य बहुमूल्य बनाउन को लागी प्रविधि र मार्गदर्शन। | [पाठ](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 14 | डाटा विज्ञान जीवनचक्र को परिचय | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डाटा विज्ञान जीवनचक्र को परिचय र डाटा प्राप्त गर्ने र निकाल्ने यसको पहिलो चरण। | [पाठ](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
|
||||
| 15 | विश्लेषण | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डाटा विज्ञान जीवनचक्र को यो चरण डाटा को विश्लेषण गर्न को लागी टेक्नीक मा केन्द्रित छ। | [पाठ](4-Data-Science-Lifecycle/15-Analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
|
||||
| 16 | सञ्चार | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डाटा विज्ञान जीवनचक्रको यो चरण डेटा बाट अन्तरदृष्टि प्रस्तुत गर्ने तरीका मा ध्यान केन्द्रित गर्दछ कि यो निर्णय निर्माताहरु लाई बुझ्न को लागी सजिलो बनाउँछ। | [पाठ](4-Data-Science-Lifecycle/16-Communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
|
||||
| 17 | क्लाउड मा डाटा विज्ञान | [क्लाउड डाटा ](5-Data-Science-In-Cloud/README.md) | पाठ को यो श्रृंखला क्लाउड र यसको लाभ मा डाटा विज्ञान को परिचय। | [पाठ](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) र [Maud](https://twitter.com/maudstweets) |
|
||||
| 18 | क्लाउड मा डाटा विज्ञान | [क्लाउड डाटा](5-Data-Science-In-Cloud/README.md) | कम कोड उपकरण को उपयोग गरी प्रशिक्षण मोडेल। |[पाठ](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
|
||||
| 19 | क्लाउड मा डाटा विज्ञान | [क्लाउड डाटा](5-Data-Science-In-Cloud/README.md) | Azure Machine Learning Studio संग मोडेल परिनियोजन। | [पाठ](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
|
||||
| 20 | जंगलमा डाटा विज्ञान| [जंगलम](6-Data-Science-In-Wild/README.md) | वास्तविक दुनिया मा डाटा विज्ञान संचालित परियोजनाहरु। | [पाठ](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
|
||||
## अफलाइन पहुँच
|
||||
|
||||
तपाइँ यो कागजात अफलाइन चलाउन सक्नुहुन्छ [Docsify] (https://docsify.js.org/#/) को उपयोग गरेर। यो Repo Fork गर्नुहोस्, [तपाइँको Docsify स्थापना गर्नुहोस् (https://docsify.js.org/#/quickstart) तपाइँको स्थानीय मेसिन मा, तब यो रेपो को मूल फोल्डर मा, `docsify serve` टाइप गर्नुहोस्। वेबसाइट तपाइँको स्थानीय होस्ट मा पोर्ट 3000 मा सेवा दिइनेछ: `localhost: 3000`।
|
||||
|
||||
> नोट, नोटबुक Docsify को माध्यम बाट रेन्डर गरिनेछैन, त्यसैले जब तपाइँ एक नोटबुक चलाउन को लागी आवश्यक छ, VS Code मा एक अजगर कर्नेल चलिरहेको छुट्टै गर्नुहोस्।
|
||||
|
||||
##PDF
|
||||
|
||||
सबै पाठ को एक पीडीएफ [यहाँ पाउन सकिन्छ](https://microsoft.github.io/Data-Science-For-Beginners/pdf/readme.pdf)
|
||||
|
||||
## सहयोग चाहियो!
|
||||
|
||||
यदि तपाइँ पाठ्यक्रम को सबै वा अंश अनुवाद गर्न चाहानुहुन्छ, कृपया हाम्रो [अनुवाद](TRANSLATIONS.md) गाइड को पालन गर्नुहोस्।
|
||||
|
||||
## अन्य पाठ्यक्रम
|
||||
|
||||
हाम्रो टोली अन्य पाठ्यक्रम उत्पादन! यहाँ हेर्नुहोस :
|
||||
|
||||
- [शुरुआतीहरुको लागी Machine Learning](https://aka.ms/ml-beginners)
|
||||
- [शुरुआती को लागी IoT](https://aka.ms/iot-beginners)
|
||||
- [शुरुआतीहरुको लागि Web Dev](https://aka.ms/webdev-beginners)
|
||||
@ -1,112 +0,0 @@
|
||||
# Ciência de Dados para Iniciantes - Um Currículo
|
||||
|
||||
[](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/stargazers/)
|
||||
|
||||
Consultores da Azure Cloud na Microsoft estão felizes em oferecer um currículo de 10 semanas com 20 aulas sobre Ciência de Dados. Cada aula inclui quizzes pré e pós aula, instruções sobre como completar cada aula, uma solução, e uma tarefa. Nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma maneira comprovada para novas habilidades "grudarem".
|
||||
|
||||
**Muito obrigado aos nossos autores:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
|
||||
|
||||
**🙏 Agradecimentos especiais 🙏 para nossos autores, revisores e contribuidores de conteúdo Estudantes Embaixadores da Microsoft,** notavelmente [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Rohit Yadav](https://www.linkedin.com/in/rty2423), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Sheena Narula](https://www.linkedin.com/in/sheena-narula-n/), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), Yogendrasingh Pawar, Max Blum, Samridhi Sharma, Tauqeer Ahmad, Aaryan Arora, ChhailBihari Dubey
|
||||
|
||||
| ](../sketchnotes/00-Title.png)|
|
||||
|:---:|
|
||||
| Ciência de Dados para Iniciantes - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
# Você é um aluno?
|
||||
|
||||
Comece com os seguintes recursos:
|
||||
|
||||
- [Página do Hub de Alunos](https://docs.microsoft.com/pt-br/learn/student-hub/?WT.mc_id=academic-77958-bethanycheum) Nessa página, você irá encontrar recursos de iniciantes, pacotes estudantis e até mesmo modos de conseguir certificados de graça. Essa é uma página que você vai querer favoritar e checar de tempos em tempos pois nós mudamos o conteúdo pelo menos mensalmente.
|
||||
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com/pt-BR) Junte-se a uma comunidade global de embaixadores estudantis, esse pode ser o seu caminho à Microsoft.
|
||||
|
||||
# Primeiros Passos
|
||||
|
||||
> **Professores**, nós [incluímos algumas sugestões](for-teachers.md) em como usar esse currículo. Nós adoraríamos ouvir o seu feedback [no nosso fórum de discussão](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
|
||||
|
||||
> **Estudantes**, para usar esse currículo por conta própria, dê fork nesse repositório, complete os exercícios por sua conta, começando com um quiz pré aula, então leia a aula completando o resto das atividades. Tente criar os projetos compreendendo as aulas ao invés de copiar o código da solução; no entanto o código está disponível na pasta /solutions em cada aula baseada em projeto. Outra ideia seria formar um grupo de estudo com seus amigos e ler o conteúdo juntos. Para mais estudos, nós recomendamos [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
|
||||
|
||||
<!--[]( "Promod video")
|
||||
|
||||
> 🎥 Click the image above for a video about the project the folks who created it!-->
|
||||
|
||||
## Pedagogia
|
||||
|
||||
Nós escolhemos dois princípios pedagógicos enquanto construíamos esse currículo: garantir que seja baseado em projeto e que possua quizzes frequentes. Ao final dessa séries, estudandes terão aprendido o básico dos princípios de ciência de dados, incluindo conceitos éticos, preparação dos dados, maneiras diferentes de trabalhar com os dados, visualização de dados, análise de dados, casos de uso de ciência de dados no mundo real, e mais.
|
||||
|
||||
Além do mais, um quiz com valor baixo antes da aula define a intenção do estudante em relação a aprendizagem de um tópico, enquanto um segundo quiz depois da aula garante uma retenção maior. Esse currículo foi desenhado para ser flexível e divertido e pode ser pego inteiro ou em partes. Os projetos começam pequeno e começam a ficar mais complexos no final do ciclo de 10 semanas.
|
||||
|
||||
> Encontre nossos guias de [Código de Conduta](CODE_OF_CONDUCT.md), [Contribuindo](CONTRIBUTING.md), [Tradução](TRANSLATIONS.md). Nós agradecemos seu feedback construtivo!
|
||||
|
||||
## Cada aula inclui:
|
||||
|
||||
- Nota de esboço opcional
|
||||
- Vídeo suplementar opcional
|
||||
- Quiz de aquecimento pré-aula
|
||||
- Aula escrita
|
||||
- Para aulas baseadas em projetos, guias passo-a-passo sobre como construir o projeto
|
||||
- Verificação de conhecimento
|
||||
- Um desafio
|
||||
- Leituras suplementares
|
||||
- Tarefa
|
||||
- Quiz pós-aula
|
||||
|
||||
> **Nota sobre os quizzes**: Todos os quizzes estão [aqui](https://purple-hill-04aebfb03.1.azurestaticapps.net/), para 40 quizzes de três questões cada. Os links deles estão dentro de cada aula mas o "quiz-app" pode ser executado localmente; siga as intruções na pasta `quiz-app`. Eles estão gradualmente localizados.
|
||||
|
||||
## Tarefas
|
||||
|
||||
|
||||
| ](../sketchnotes/00-Roadmap.png)|
|
||||
|:---:|
|
||||
| Ciência de Dados para Iniciantes: Roadmap - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
|
||||
| Número da Aula | Tópico | Agrupamento de Aulas | Objetivos de Apredizados | Link da Aula | Autor |
|
||||
| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
|
||||
| 01 | Definindo Ciência de Dados | [Introdução](1-Introduction/README.md) | Aprenda os conceitos básicos por trás de ciência de dados e como se relaciona com inteligência artificial, aprendizado de máquina, e big data. | [aula](1-Introduction/01-defining-data-science/README.md) [vídeo](https://youtu.be/pqqsm5reGvs) | [Dmitry](http://soshnikov.com) |
|
||||
| 02 | Ética de Ciência de Dados | [Introdução](1-Introduction/README.md) | Conceitos da Ética de Ciência de Dados, Desafios e Frameworks. | [aula](1-introdução/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
| 03 | Definindo Dados | [Introdução](1-Introduction/README.md) | Como dados são classificados e sua fontes de origem comuns. | [aula](1-introdução/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 04 | Introdução à Probabilidade e Estatística | [Introdução](1-introdução/README.md) | As técnicas matemáticas de probabilidade e estatísca para enteder dados. | [aula](1-introdução/04-stats-and-probability/README.md) [vídeo](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
|
||||
| 05 | Trabalhando com Dados Relacionais | [Trabalhando com Dados](2-Working-With-Data/README.md) | Introdução à dados relacionais e o básico de exploração e análise de dados relacionais com Linguagem de Consulta Estruturada (Structured Query Language), também conhecida como SQL (pronunciada “see-quell”). | [aula](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
|
||||
| 06 | Trabalhando com Dados NoSQL | [Trabalhando com Dados](2-Working-With-Data/README.md) | Introdução à dados não relacionais, seus variados tipos e o básico de exploração e análise de bancos de dados de documentos. | [aula](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
|
||||
| 07 | Trabalhando com Python | [Trabalhando com Dados](2-Working-With-Data/README.md) | Básico de Python para exploração de dados com bibliotecas como o Pandas. Compreensão fundamental de Python é recomendado. | [aula](2-Working-With-Data/07-python/README.md) [vídeo](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
|
||||
| 08 | Preparação dos Dados | [Trabalhando com Dados](2-Working-With-Data/README.md) | Tópicos sobre técnicas de dados para limpar e transformas os dados para lidar com desafios de dados ausentes, inacurados, ou incompletos. | [aula](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 09 | Visualizando Quantidades | [Visualização de Dados](3-Data-Visualization/README.md) | Aprenda a como usar o Matplotlib para visualizar dados sobre pássaros 🦆 | [aula](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 10 | Visualizando Distribuições de Dados | [Visualização de Dados](3-Data-Visualization/README.md) | Visualizando observações e tendências dentro de um itnervalo. | [aula](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 11 | Visualizando Proporções | [Visualização de Dados](3-Data-Visualization/README.md) | Visualizando porcentagens discretas e agrupadas. | [aula](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 12 | Visualizandos Relações | [Visualização de Dados](3-Data-Visualization/README.md) | Visualizando conexões e correlações entre sets de dados e suas variáveis. | [aula](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 13 | Visualizações Significativas | [Visualização de Dados](3-Data-Visualization/README.md) | Técnicas e orientação para fazer suas visualizações valiosas para resolver problemas efetivamente e intuições. | [aula](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 14 | Introdução ao ciclo de Ciência de Dados | [Ciclo de Vida](4-Data-Science-Lifecycle/README.md) | Introdução ao ciclo de vida de ciência de dados e seu primeiro passo de adquirir e extrair dados. | [aula](4-Data-Science-Lifecycle/14-introdução/README.md) | [Jasmine](https://twitter.com/paladique) |
|
||||
| 15 | Análise | [Ciclo de Vida](4-Data-Science-Lifecycle/README.md) | Essa fase do ciclo de vida de ciência de dados foca nas técnicas de análise dados. | [aula](4-Data-Science-Lifecycle/15-Analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
|
||||
| 16 | Comunicação | [Ciclo de Vida](4-Data-Science-Lifecycle/README.md) | Essa fase do ciclo de vida de ciência de dados foca em apresentar as intuições dos dados de uma forma que fique fácil para tomadores de decisão entenderem. | [aula](4-Data-Science-Lifecycle/16-Communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
|
||||
| 17 | Ciẽncia de Dados na Nuvem | [Dados na Nuvem](5-Data-Science-In-Cloud/README.md) | Esse compilado de aula introdiz ciência de dados na nuvem e seus benefícios. | [aula](5-Data-Science-In-Cloud/17-introdução/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) e [Maud](https://twitter.com/maudstweets) |
|
||||
| 18 | Ciẽncia de Dados na Nuvem | [Dados na Nuvem](5-Data-Science-In-Cloud/README.md) | Treinando modelos usando ferramentas de Low Code. |[aula](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) e [Maud](https://twitter.com/maudstweets) |
|
||||
| 19 | Ciẽncia de Dados na Nuvem | [Dados na Nuvem](5-Data-Science-In-Cloud/README.md) | Implantando modelos com Azure Machine Learning Studio. | [aula](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) e [Maud](https://twitter.com/maudstweets) |
|
||||
| 20 | Ciência de Dados na Selva | [Na Selva](6-Data-Science-In-Wild/README.md) | Projetos de Ciência de Dados no mundo real. | [aula](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
## Acesso offline
|
||||
|
||||
Você pode executar essa documentação offline usando [Docsify](https://docsify.js.org/#/). Dê fork nesse repositório, [instale Docsify](https://docsify.js.org/#/quickstart) na sua máquina local e depois, na pasta raíz desse repositório, digite `docsify serve`. O website vai usar a porta 3000 no seu localhost: `localhost:3000`.
|
||||
|
||||
> Note, notebooks não serão renderizados via Docsify, então quando precisar rodas um notebook, faça isso separadamente no VS Code rodando um kernel Python.
|
||||
## PDF
|
||||
|
||||
Um PDF com todas as aulas podem ser encontrados [aqui](https://microsoft.github.io/Data-Science-For-Beginners/pdf/readme.pdf)
|
||||
|
||||
## Procura-se Ajuda!
|
||||
|
||||
Se você quer traduzir tudo ou parte do currículo, por favor siga o nosso guia de [Tradução](TRANSLATIONS.md) guia.
|
||||
|
||||
## Outros Currículos
|
||||
|
||||
Nosso time produz outros currículos! Confira:
|
||||
|
||||
- [Aprendizado de Máquina para Iniciantes](https://aka.ms/ml-beginners)
|
||||
- [IoT para Iniciantes](https://aka.ms/iot-beginners)
|
||||
- [Desenvolvimento Web para Iniciantes](https://aka.ms/webdev-beginners)
|
||||
@ -1,112 +0,0 @@
|
||||
# Data Science para Inciantes - Um curso
|
||||
|
||||
[](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/Data-Science-For-Beginners/stargazers/)
|
||||
|
||||
Os promotores da Azure Cloud na Microsoft estam entusiasmados por oferecer 10 semanas, 20 lições todas sobre Data Science. Cada lição é composta por dois quizzes (um pré e outro pós aula), instruções escritas de como concluir a lição, uma solução, e ainda um trabalho de casa. A pedagogia à base de projectos, permite que aprendas enquanto crias algo, um metodo comprovado para "agarrar" as skills aprendidas.
|
||||
|
||||
|
||||
**Um agradecimento caloroso aos nossos autores:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
|
||||
|
||||
**🙏 E um agradecimento muito especial 🙏 aos nosso [Estudantes Embaixadores da Microsoft](https://studentambassadors.microsoft.com/) autores, revisores e contribuidores de conteudos,** notavelmente Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
|
||||
[Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), Tauqeer Ahmad, Yogendrasingh Pawar
|
||||
|
||||
| ](../sketchnotes/00-Title.png)|
|
||||
|:---:|
|
||||
| Data Science para Iniciantes - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
|
||||
# Primeiros Passos
|
||||
|
||||
> **Para Professores**: nós [incluímos algumas sugestões](for-teachers.md) em como usar este curso. Adorávamos ou vir a vossa opínião [no nosso paínel de discussões](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
|
||||
|
||||
> **Para Estudantes**: para utilizares este cursão por conta própria, faz fork deste repositório e completa cada um dos exercícios, começando sempre pelo quiz pré lição. De seguida lê as informações referente à lição e completa o resto das atívidades. Tenta criar os projectos com os conhecimentos adquiridos na lição em vez de copiares o código diretamente da solução. No final ou caso tenhas dúvidas podes sempre olhar para o código fornecido na pasta /solutions para as lições em que são apresentados os projectos. Outra ideia seria criares um grupo de estudo com os teus amigos, de forma a aprenderem todos juntos. Se estiveres interessado em mais conteúdo de aprendizagem, recomendamos[Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
|
||||
|
||||
|
||||
## Conhece a equipa
|
||||
|
||||
[](https://youtu.be/8mzavjQSMM4 "Video Promocional")
|
||||
|
||||
**Gif por** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
|
||||
|
||||
> 🎥 Clica na imagem acima para um video sobre o curso e o pessoal que o criou!
|
||||
|
||||
## Pedagogia
|
||||
|
||||
|
||||
Nós escolhemos adoptar dois caminhos pedagógicos ao criar este curso: garantir uma aprendizagem à base de projectos e a inclusão de quizzes frequentes. No final deste conjunto de lições, os estudantes teram aprendido os princípios básicos de Data Science, incluido conceitos éticos, preparação, manipulação, visualização e análise de dados, assim como cenários reais da utilização da Data Science e muito mais.
|
||||
|
||||
Um quiz de aquecimento antes da aula de forma a cativar a atenção do aluno para o tópico a aprender, e um segundo quiz no final da aula para assegurar a consolidação de conhecimentos. Este curso foi desenhado com felxibilidade e divertimento em mente, podendo ser feito de forma seguida ou às partes. Os desafios proposto começam de forma simples aumentando de complexidade ao longo das 10 semanas.
|
||||
|
||||
> Encontra as nossas diretrizes de [Conduta](CODE_OF_CONDUCT.md), [Contribuição](CONTRIBUTING.md) e [Tradução](TRANSLATIONS.md). Feedback construtivo é mais apreciado!
|
||||
|
||||
## Cada Lição incluí:
|
||||
|
||||
- Um sketchbook (Opcional)
|
||||
- Um vídeo suplementar (Opcional)
|
||||
- Um quiz de aquecimento (Pré-Lição)
|
||||
- A lição escrita
|
||||
- Para lições baseadas em projectos, um guía passo-a-passo sobre como contruir o projecto
|
||||
- Uma verificação de conhecimentos
|
||||
- Um desafio
|
||||
- Leituras Suplementares
|
||||
- Um trabalho de casa
|
||||
- Um quiz de consolidação (Pré-Lição)
|
||||
|
||||
> **Nota sobre os quizzes**: Os quizzes encontram-se [nesta aplicação](https://purple-hill-04aebfb03.1.azurestaticapps.net/), num total de 40 quizzes com 3 perguntas cada. O link de cada quiz encontrasse nos documentos de cada lição mas a plataforma de quizzes pode ser corrida localmente: basta seguir as instruções da pasta `quiz-app`. Cada quiz esta a ser gradualmente trduzido.
|
||||
|
||||
|
||||
## Lições
|
||||
|
||||
| ](../sketchnotes/00-Roadmap.png)|
|
||||
|:---:|
|
||||
| Data Science para Iniciantes: Roadmap - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
|
||||
| Número da Lição | Tópico | Categoria da Lição | Conceitos a Aprender | Link da Aula | Autor |
|
||||
| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
|
||||
| 01 | Definição de Data Science | [Introdução](../1-Introduction/README.md) | Aprender os conceitos base por detrás da Data Science e como estes se relacionam com a inteligência artificial, a machine learning e a big data. | [lições](../1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
|
||||
| 02 | Ética na Data Science | [Introdução](1-Introduction/README.md) | Conceitos da Ética de dados, Desafios e Frameworks. | [lições](../1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
| 03 | Definição de Dados | [Introdução](../1-Introduction/README.md) | Como são classificados os dados e quais a sua origem. | [lições](../1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 04 | Introdução a Probabilidades e Estatísticas | [Introdução](../1-Introduction/README.md) | As técnicas matemáticas de probabilidade e estatísca aplicadas aos dados. | [lições](../1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
|
||||
| 05 | Trabalhar com dados relacionais | [Trabalhar com Dados](../2-Working-With-Data/README.md) | Introdução a dados relacionais e aos básicos de de análise e exploração de dados relacionais através de Linguagem de Procura Estruturada, também conhecida como SQL (e pronunciado "see-quell"). | [lições](../2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
|
||||
| 06 | Trabalhar com dados NoSQL| [Trabalhar com Dados](../2-Working-With-Data/README.md) | Introdução a dados não relacionais, assim como aos vários tipos. Introdução aos básicos de análize de documentação de base de dados.| [lições](../2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
|
||||
| 07 | Trabalhar com Python | [Trabalhar com Dados](../2-Working-With-Data/README.md) | Basicos de Python para manípulação de dados através de bibliotecas como seja a bibliotéca Pandas. Conhecimento prévio dos fundamentos da linguagem de programação Python recomendado.| [lições](../2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
|
||||
| 08 | Preparação dos Dados | [Trabalhar com Dados](../2-Working-With-Data/README.md) |Técnicas de tratamentos de dados de forma a lidar com dados incompletos, em falta ou pouco precisos. | [lições](../2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
||||
| 09 | Visualizar Quantidades | [Visualização de Dados](../3-Data-Visualization/README.md) | Aprender a utilizar Matplotlib para visualizar dados de pássaros 🦆 | [lições](../3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 10 | Visualizar Distribuições de Dados | [Visualização de Dados](../3-Data-Visualization/README.md) | Observação de tendências de dados num intervalo de tempo | [lições](../3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 11 | Visualizar Proporções | [Visualização de Dados](../3-Data-Visualization/README.md) | Visualizar percentagens de grupos e de forma discreta | [lições](../3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 12 | Visualizar Relações | [Visualização de Dados](../3-Data-Visualization/README.md) | Visualizar ligações e correlações entre sets de dados e as suas propriedades.| [lições](../3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 13 | Visualização Eficiente | [Visualização de Dados](../3-Data-Visualization/README.md) | Técnicas e orientação de visualização de dados para melhor obtenção de resultados. | [lições](../3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
|
||||
| 14 | Introdução ao ciclo de vida de Data Science | [Cíclo de Vida](../4-Data-Science-Lifecycle/README.md) | Introdução ao ciclo de vida de Data Science e os primeiros passos de obtenção e extração de dados. | [lições](../4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
|
||||
| 15 | Análise | [Cíclo de Vida](../4-Data-Science-Lifecycle/README.md) |Esta fase da Data Science foca-se nas técnicas de análise de dados. | [lições](../4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
|
||||
| 16 | Comunicação | [Cíclo de Vida](../4-Data-Science-Lifecycle/README.md) |Esta fase foca-se em tratar e apresentar os dados, obtendo resultados de fácil compreenção para postriores decisões. | [lições](../4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
|
||||
| 17 | Data Science na Cloud | [Cloud Data](../5-Data-Science-In-Cloud/README.md) | Este conjunto de lições introduz o mundo da Data Science na Cloud.| [lições](../5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) e [Maud](https://twitter.com/maudstweets) |
|
||||
| 18 | Data Science na Cloud | [Cloud Data](../5-Data-Science-In-Cloud/README.md) |Treino de modelos através da utilização de Ferramentas de Código de Baixo Nível. |[lições](../5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) e [Maud](https://twitter.com/maudstweets) |
|
||||
| 19 | Data Science na Cloud | [Cloud Data](../5-Data-Science-In-Cloud/README.md) | Utilização de modelos treinados através da Azure Machine Learning Studio. | [lições](../5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) e [Maud](https://twitter.com/maudstweets) |
|
||||
| 20 | Data Science ao vivo | [In the Wild](../6-Data-Science-In-Wild/README.md) | Exemplos de projectos de casos reais com recurso a Data Science. | [lições](../6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
|
||||
## Acesso Offline
|
||||
Podes correr esta documentação offline através da utilização de [Docsify](https://docsify.js.org/#/). Faz fork deste repositório, [instala Docsify](https://docsify.js.org/#/quickstart) na tua máquina local, e depois na pasta principal des repositório, escreve `docsify serve`. Este website será então acesssível no localhost porta 3000: `localhost:3000`.
|
||||
>Nota, os notebooks nao seram renderizados via Docsify, por este motivo para correr um notebook, fá-lo no VS Code que esteja a correr o kernel do Python.
|
||||
|
||||
## PDF
|
||||
|
||||
Um PDF com todas as lições pode ser encontrado [aqui](https://microsoft.github.io/Data-Science-For-Beginners/pdf/readme.pdf)
|
||||
|
||||
## Toda a ajuda é bem vinda!
|
||||
Se gostavas de traduzir este curso, segue as intruções acessíveis em [Translations](../TRANSLATIONS.md)
|
||||
|
||||
## Outros Cursos
|
||||
|
||||
A nossa equipa tambem tem outros curso que possas estar interessado!
|
||||
|
||||
- [Machine Learning for Beginners](https://aka.ms/ml-beginners)
|
||||
- [IoT for Beginners](https://aka.ms/iot-beginners)
|
||||
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
|
||||
@ -1,23 +0,0 @@
|
||||
## शिक्षकों के लिए
|
||||
|
||||
क्या आप इस पाठ्यक्रम का उपयोग अपनी कक्षा में करना चाहेंगे? कृपया निःसंकोच करें!
|
||||
|
||||
वास्तव में, आप इसे GitHub क्लासरूम का उपयोग करके GitHub के भीतर ही उपयोग कर सकते हैं।
|
||||
|
||||
ऐसा करने के लिए, इस रेपो का प्रतिरूप करें। आपको प्रत्येक पाठ के लिए एक रेपो बनाने की आवश्यकता होगी, इसलिए आपको प्रत्येक फ़ोल्डर को एक अलग रेपो में निकालने की आवश्यकता होगी। इस तरह, [GitHub Classroom](https://classroom.github.com/classrooms) प्रत्येक पाठ को अलग से उठा सकता है।
|
||||
|
||||
ये [पूरे निर्देश](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) से आपको पता चल जाएगा कि आप अपनी कक्षा कैसे सेट अप करें।
|
||||
|
||||
## रेपो का इस प्रकार उपयोग करना
|
||||
|
||||
यदि आप इस रेपो का उपयोग करना चाहते हैं, जैसा कि यह वर्तमान में खड़ा है, बिना गिटहब क्लासरूम का उपयोग किए, यह भी किया जा सकता है। आपको अपने छात्रों के साथ संवाद करने की आवश्यकता होगी कि कौन सा पाठ एक साथ काम करना है।
|
||||
|
||||
एक ऑनलाइन प्रारूप (ज़ूम, टीम, या अन्य) में आप क्विज़ के लिए ब्रेकआउट रूम बना सकते हैं, और छात्रों को सीखने के लिए तैयार होने में मदद करने के लिए सलाह दे सकते हैं। फिर छात्रों को प्रश्नोत्तरी के लिए आमंत्रित करें और एक निश्चित समय पर अपने उत्तर 'मुद्दों' के रूप में जमा करें। आप असाइनमेंट के साथ भी ऐसा ही कर सकते हैं, यदि आप चाहते हैं कि छात्र खुले में मिलकर काम करें।
|
||||
|
||||
यदि आप अधिक निजी प्रारूप पसंद करते हैं, तो अपने छात्रों से पाठ्यक्रम, पाठ दर पाठ, निजी रिपो के रूप में अपने स्वयं के गिटहब रेपो में फोर्क करने के लिए कहें, और आपको पहुंच प्रदान करें। फिर वे क्विज़ और असाइनमेंट को निजी तौर पर पूरा कर सकते हैं और उन्हें आपके क्लासरूम रेपो पर मुद्दों के माध्यम से आपको सबमिट कर सकते हैं।
|
||||
|
||||
ऑनलाइन कक्षा प्रारूप में इस काम को करने के कई तरीके हैं। कृपया हमें बताएं कि आपके लिए सबसे अच्छा क्या काम करता है!
|
||||
|
||||
## कृपया हमें अपने विचार दें!
|
||||
|
||||
हम इस पाठ्यक्रम को आपके और आपके छात्रों के लिए कारगर बनाना चाहते हैं। कृपया हमें चर्चा बोर्डों में प्रतिक्रिया दें!
|
||||
Loading…
Reference in new issue