Merge pull request #683 from microsoft/update-translations
🌐 Update translations via Co-op Translator
pull/685/head
Lee Stott
4 months ago
committed by
GitHub
commit
5e7d2d161b
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T12:56:28+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ar"
|
||||
}
|
||||
-->
|
||||
# أمثلة سهلة للمبتدئين في علم البيانات
|
||||
|
||||
مرحبًا بك في دليل الأمثلة! تم تصميم هذه المجموعة من الأمثلة البسيطة والمشروحة بشكل جيد لمساعدتك على البدء في علم البيانات، حتى لو كنت مبتدئًا تمامًا.
|
||||
|
||||
## 📚 ما ستجده هنا
|
||||
|
||||
كل مثال مستقل بذاته ويشمل:
|
||||
- **تعليقات واضحة** تشرح كل خطوة
|
||||
- **كود بسيط وسهل القراءة** يوضح مفهومًا واحدًا في كل مرة
|
||||
- **سياق واقعي** لمساعدتك على فهم متى ولماذا تستخدم هذه التقنيات
|
||||
- **المخرجات المتوقعة** حتى تعرف ما يجب أن تبحث عنه
|
||||
|
||||
## 🚀 البدء
|
||||
|
||||
### المتطلبات الأساسية
|
||||
قبل تشغيل هذه الأمثلة، تأكد من أن لديك:
|
||||
- Python 3.7 أو إصدار أعلى مثبت
|
||||
- فهم أساسي لكيفية تشغيل سكربتات Python
|
||||
|
||||
### تثبيت المكتبات المطلوبة
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 نظرة عامة على الأمثلة
|
||||
|
||||
### 1. مرحبًا بالعالم - بأسلوب علم البيانات
|
||||
**الملف:** `01_hello_world_data_science.py`
|
||||
|
||||
برنامجك الأول في علم البيانات! تعلم كيفية:
|
||||
- تحميل مجموعة بيانات بسيطة
|
||||
- عرض معلومات أساسية عن بياناتك
|
||||
- طباعة أول مخرجات علم البيانات الخاصة بك
|
||||
|
||||
مثالي للمبتدئين تمامًا الذين يرغبون في رؤية أول برنامج لهم في علم البيانات قيد التنفيذ.
|
||||
|
||||
---
|
||||
|
||||
### 2. تحميل واستكشاف البيانات
|
||||
**الملف:** `02_loading_data.py`
|
||||
|
||||
تعلم أساسيات العمل مع البيانات:
|
||||
- قراءة البيانات من ملفات CSV
|
||||
- عرض الصفوف الأولى من مجموعة البيانات الخاصة بك
|
||||
- الحصول على إحصائيات أساسية عن بياناتك
|
||||
- فهم أنواع البيانات
|
||||
|
||||
هذه غالبًا ما تكون الخطوة الأولى في أي مشروع علم بيانات!
|
||||
|
||||
---
|
||||
|
||||
### 3. تحليل البيانات البسيط
|
||||
**الملف:** `03_simple_analysis.py`
|
||||
|
||||
قم بأول تحليل بيانات لك:
|
||||
- حساب الإحصائيات الأساسية (المتوسط، الوسيط، النمط)
|
||||
- العثور على القيم القصوى والدنيا
|
||||
- عد تكرار القيم
|
||||
- تصفية البيانات بناءً على شروط
|
||||
|
||||
شاهد كيف يمكنك الإجابة على أسئلة بسيطة حول بياناتك.
|
||||
|
||||
---
|
||||
|
||||
### 4. أساسيات تصور البيانات
|
||||
**الملف:** `04_basic_visualization.py`
|
||||
|
||||
قم بإنشاء أول تصوراتك:
|
||||
- إنشاء مخطط شريطي بسيط
|
||||
- إنشاء مخطط خطي
|
||||
- إنشاء مخطط دائري
|
||||
- حفظ التصورات كصور
|
||||
|
||||
تعلم كيفية التواصل مع نتائجك بصريًا!
|
||||
|
||||
---
|
||||
|
||||
### 5. العمل مع بيانات حقيقية
|
||||
**الملف:** `05_real_world_example.py`
|
||||
|
||||
اجمع كل شيء مع مثال كامل:
|
||||
- تحميل بيانات حقيقية من المستودع
|
||||
- تنظيف البيانات وتحضيرها
|
||||
- إجراء التحليل
|
||||
- إنشاء تصورات ذات معنى
|
||||
- استخلاص الاستنتاجات
|
||||
|
||||
هذا المثال يوضح لك سير العمل الكامل من البداية إلى النهاية.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 كيفية استخدام هذه الأمثلة
|
||||
|
||||
1. **ابدأ من البداية**: الأمثلة مرقمة حسب مستوى الصعوبة. ابدأ بـ `01_hello_world_data_science.py` وتقدم تدريجيًا.
|
||||
|
||||
2. **اقرأ التعليقات**: يحتوي كل ملف على تعليقات مفصلة تشرح ما يفعله الكود ولماذا. اقرأها بعناية!
|
||||
|
||||
3. **جرب التعديل**: حاول تعديل الكود. ماذا يحدث إذا قمت بتغيير قيمة؟ اكسر الأشياء وأصلحها - هذه هي الطريقة التي تتعلم بها!
|
||||
|
||||
4. **شغل الكود**: قم بتنفيذ كل مثال وراقب المخرجات. قارنها بما كنت تتوقعه.
|
||||
|
||||
5. **قم بالبناء عليه**: بمجرد فهمك للمثال، حاول توسيعه بأفكارك الخاصة.
|
||||
|
||||
## 💡 نصائح للمبتدئين
|
||||
|
||||
- **لا تتسرع**: خذ وقتك لفهم كل مثال قبل الانتقال إلى التالي
|
||||
- **اكتب الكود بنفسك**: لا تقم فقط بنسخ ولصق. الكتابة تساعدك على التعلم والتذكر
|
||||
- **ابحث عن المفاهيم غير المألوفة**: إذا رأيت شيئًا لا تفهمه، ابحث عنه عبر الإنترنت أو في الدروس الرئيسية
|
||||
- **اطرح الأسئلة**: انضم إلى [منتدى المناقشة](https://github.com/microsoft/Data-Science-For-Beginners/discussions) إذا كنت بحاجة إلى مساعدة
|
||||
- **مارس بانتظام**: حاول البرمجة قليلاً كل يوم بدلاً من جلسات طويلة مرة واحدة في الأسبوع
|
||||
|
||||
## 🔗 الخطوات التالية
|
||||
|
||||
بعد إكمال هذه الأمثلة، ستكون جاهزًا لـ:
|
||||
- العمل من خلال دروس المنهج الرئيسية
|
||||
- تجربة المهام في كل مجلد درس
|
||||
- استكشاف دفاتر Jupyter للحصول على تعلم أكثر عمقًا
|
||||
- إنشاء مشاريع علم البيانات الخاصة بك
|
||||
|
||||
## 📚 موارد إضافية
|
||||
|
||||
- [المنهج الرئيسي](../README.md) - دورة كاملة مكونة من 20 درسًا
|
||||
- [للمعلمين](../for-teachers.md) - استخدام هذا المنهج في الفصل الدراسي
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - موارد تعليمية مجانية عبر الإنترنت
|
||||
- [توثيق Python](https://docs.python.org/3/) - المرجع الرسمي لـ Python
|
||||
|
||||
## 🤝 المساهمة
|
||||
|
||||
هل وجدت خطأ أو لديك فكرة لمثال جديد؟ نحن نرحب بالمساهمات! يرجى الاطلاع على [دليل المساهمة](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**تعلم سعيد! 🎉**
|
||||
|
||||
تذكر: كل خبير كان يومًا ما مبتدئًا. خذها خطوة بخطوة، ولا تخف من ارتكاب الأخطاء - فهي جزء من عملية التعلم!
|
||||
|
||||
---
|
||||
|
||||
**إخلاء المسؤولية**:
|
||||
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالترجمة البشرية الاحترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:01:06+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "br"
|
||||
}
|
||||
-->
|
||||
# Exemplos de Ciência de Dados para Iniciantes
|
||||
|
||||
Bem-vindo ao diretório de exemplos! Esta coleção de exemplos simples e bem comentados foi criada para ajudar você a começar com ciência de dados, mesmo que seja um completo iniciante.
|
||||
|
||||
## 📚 O Que Você Vai Encontrar Aqui
|
||||
|
||||
Cada exemplo é independente e inclui:
|
||||
- **Comentários claros** explicando cada etapa
|
||||
- **Código simples e legível** que demonstra um conceito de cada vez
|
||||
- **Contexto do mundo real** para ajudar você a entender quando e por que usar essas técnicas
|
||||
- **Saída esperada** para que você saiba o que procurar
|
||||
|
||||
## 🚀 Começando
|
||||
|
||||
### Pré-requisitos
|
||||
Antes de executar esses exemplos, certifique-se de ter:
|
||||
- Python 3.7 ou superior instalado
|
||||
- Entendimento básico de como executar scripts Python
|
||||
|
||||
### Instalando Bibliotecas Necessárias
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Visão Geral dos Exemplos
|
||||
|
||||
### 1. Hello World - Estilo Ciência de Dados
|
||||
**Arquivo:** `01_hello_world_data_science.py`
|
||||
|
||||
Seu primeiro programa de ciência de dados! Aprenda a:
|
||||
- Carregar um conjunto de dados simples
|
||||
- Exibir informações básicas sobre seus dados
|
||||
- Imprimir sua primeira saída de ciência de dados
|
||||
|
||||
Perfeito para iniciantes absolutos que querem ver seu primeiro programa de ciência de dados em ação.
|
||||
|
||||
---
|
||||
|
||||
### 2. Carregando e Explorando Dados
|
||||
**Arquivo:** `02_loading_data.py`
|
||||
|
||||
Aprenda os fundamentos de trabalhar com dados:
|
||||
- Ler dados de arquivos CSV
|
||||
- Visualizar as primeiras linhas do seu conjunto de dados
|
||||
- Obter estatísticas básicas sobre seus dados
|
||||
- Entender os tipos de dados
|
||||
|
||||
Este é frequentemente o primeiro passo em qualquer projeto de ciência de dados!
|
||||
|
||||
---
|
||||
|
||||
### 3. Análise Simples de Dados
|
||||
**Arquivo:** `03_simple_analysis.py`
|
||||
|
||||
Realize sua primeira análise de dados:
|
||||
- Calcular estatísticas básicas (média, mediana, moda)
|
||||
- Encontrar valores máximos e mínimos
|
||||
- Contar ocorrências de valores
|
||||
- Filtrar dados com base em condições
|
||||
|
||||
Veja como responder a perguntas simples sobre seus dados.
|
||||
|
||||
---
|
||||
|
||||
### 4. Noções Básicas de Visualização de Dados
|
||||
**Arquivo:** `04_basic_visualization.py`
|
||||
|
||||
Crie suas primeiras visualizações:
|
||||
- Fazer um gráfico de barras simples
|
||||
- Criar um gráfico de linha
|
||||
- Gerar um gráfico de pizza
|
||||
- Salvar suas visualizações como imagens
|
||||
|
||||
Aprenda a comunicar suas descobertas visualmente!
|
||||
|
||||
---
|
||||
|
||||
### 5. Trabalhando com Dados Reais
|
||||
**Arquivo:** `05_real_world_example.py`
|
||||
|
||||
Coloque tudo em prática com um exemplo completo:
|
||||
- Carregar dados reais do repositório
|
||||
- Limpar e preparar os dados
|
||||
- Realizar análise
|
||||
- Criar visualizações significativas
|
||||
- Tirar conclusões
|
||||
|
||||
Este exemplo mostra um fluxo de trabalho completo do início ao fim.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Como Usar Esses Exemplos
|
||||
|
||||
1. **Comece do início**: Os exemplos estão numerados em ordem de dificuldade. Comece com `01_hello_world_data_science.py` e avance.
|
||||
|
||||
2. **Leia os comentários**: Cada arquivo tem comentários detalhados explicando o que o código faz e por quê. Leia-os com atenção!
|
||||
|
||||
3. **Experimente**: Tente modificar o código. O que acontece se você mudar um valor? Quebre as coisas e conserte - é assim que você aprende!
|
||||
|
||||
4. **Execute o código**: Execute cada exemplo e observe a saída. Compare com o que você esperava.
|
||||
|
||||
5. **Construa sobre isso**: Depois de entender um exemplo, tente expandi-lo com suas próprias ideias.
|
||||
|
||||
## 💡 Dicas para Iniciantes
|
||||
|
||||
- **Não tenha pressa**: Dedique tempo para entender cada exemplo antes de passar para o próximo
|
||||
- **Digite o código você mesmo**: Não apenas copie e cole. Digitar ajuda você a aprender e memorizar
|
||||
- **Pesquise conceitos desconhecidos**: Se você vir algo que não entende, procure online ou nas lições principais
|
||||
- **Faça perguntas**: Participe do [fórum de discussão](https://github.com/microsoft/Data-Science-For-Beginners/discussions) se precisar de ajuda
|
||||
- **Pratique regularmente**: Tente codificar um pouco todos os dias, em vez de sessões longas uma vez por semana
|
||||
|
||||
## 🔗 Próximos Passos
|
||||
|
||||
Depois de completar esses exemplos, você estará pronto para:
|
||||
- Trabalhar nas lições principais do currículo
|
||||
- Tentar os exercícios em cada pasta de lição
|
||||
- Explorar os notebooks Jupyter para um aprendizado mais aprofundado
|
||||
- Criar seus próprios projetos de ciência de dados
|
||||
|
||||
## 📚 Recursos Adicionais
|
||||
|
||||
- [Currículo Principal](../README.md) - O curso completo de 20 lições
|
||||
- [Para Professores](../for-teachers.md) - Usando este currículo em sala de aula
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Recursos de aprendizado online gratuitos
|
||||
- [Documentação do Python](https://docs.python.org/3/) - Referência oficial do Python
|
||||
|
||||
## 🤝 Contribuindo
|
||||
|
||||
Encontrou um erro ou tem uma ideia para um novo exemplo? Aceitamos contribuições! Consulte nosso [Guia de Contribuição](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Boa aprendizagem! 🎉**
|
||||
|
||||
Lembre-se: Todo especialista já foi iniciante. Dê um passo de cada vez e não tenha medo de cometer erros - eles fazem parte do processo de aprendizado!
|
||||
|
||||
---
|
||||
|
||||
**Aviso Legal**:
|
||||
Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:06:44+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Příklady pro začátečníky v datové vědě
|
||||
|
||||
Vítejte v adresáři příkladů! Tato sbírka jednoduchých, dobře okomentovaných příkladů je navržena tak, aby vám pomohla začít s datovou vědou, i když jste úplný začátečník.
|
||||
|
||||
## 📚 Co zde najdete
|
||||
|
||||
Každý příklad je samostatný a obsahuje:
|
||||
- **Jasné komentáře** vysvětlující každý krok
|
||||
- **Jednoduchý, čitelný kód**, který demonstruje jeden koncept najednou
|
||||
- **Reálný kontext**, který vám pomůže pochopit, kdy a proč tyto techniky použít
|
||||
- **Očekávaný výstup**, abyste věděli, co hledat
|
||||
|
||||
## 🚀 Jak začít
|
||||
|
||||
### Předpoklady
|
||||
Než spustíte tyto příklady, ujistěte se, že máte:
|
||||
- Nainstalovaný Python 3.7 nebo vyšší
|
||||
- Základní znalosti o tom, jak spouštět Python skripty
|
||||
|
||||
### Instalace potřebných knihoven
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Přehled příkladů
|
||||
|
||||
### 1. Hello World - styl datové vědy
|
||||
**Soubor:** `01_hello_world_data_science.py`
|
||||
|
||||
Váš první program v datové vědě! Naučíte se:
|
||||
- Načíst jednoduchý dataset
|
||||
- Zobrazit základní informace o vašich datech
|
||||
- Vytisknout váš první výstup z datové vědy
|
||||
|
||||
Ideální pro úplné začátečníky, kteří chtějí vidět svůj první program v datové vědě v akci.
|
||||
|
||||
---
|
||||
|
||||
### 2. Načítání a zkoumání dat
|
||||
**Soubor:** `02_loading_data.py`
|
||||
|
||||
Naučte se základy práce s daty:
|
||||
- Čtení dat z CSV souborů
|
||||
- Zobrazení prvních několika řádků vašeho datasetu
|
||||
- Získání základních statistik o vašich datech
|
||||
- Porozumění datovým typům
|
||||
|
||||
Toto je často první krok v jakémkoli projektu datové vědy!
|
||||
|
||||
---
|
||||
|
||||
### 3. Jednoduchá analýza dat
|
||||
**Soubor:** `03_simple_analysis.py`
|
||||
|
||||
Proveďte svou první analýzu dat:
|
||||
- Vypočítejte základní statistiky (průměr, medián, modus)
|
||||
- Najděte maximální a minimální hodnoty
|
||||
- Spočítejte výskyty hodnot
|
||||
- Filtrování dat na základě podmínek
|
||||
|
||||
Zjistěte, jak odpovědět na jednoduché otázky o vašich datech.
|
||||
|
||||
---
|
||||
|
||||
### 4. Základy vizualizace dat
|
||||
**Soubor:** `04_basic_visualization.py`
|
||||
|
||||
Vytvořte své první vizualizace:
|
||||
- Vytvořte jednoduchý sloupcový graf
|
||||
- Vytvořte čárový graf
|
||||
- Generujte koláčový graf
|
||||
- Uložte své vizualizace jako obrázky
|
||||
|
||||
Naučte se vizuálně komunikovat své poznatky!
|
||||
|
||||
---
|
||||
|
||||
### 5. Práce s reálnými daty
|
||||
**Soubor:** `05_real_world_example.py`
|
||||
|
||||
Spojte vše dohromady v kompletním příkladu:
|
||||
- Načtěte reálná data z repozitáře
|
||||
- Vyčistěte a připravte data
|
||||
- Proveďte analýzu
|
||||
- Vytvořte smysluplné vizualizace
|
||||
- Vyvoďte závěry
|
||||
|
||||
Tento příklad vám ukáže kompletní pracovní postup od začátku do konce.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Jak používat tyto příklady
|
||||
|
||||
1. **Začněte od začátku**: Příklady jsou očíslovány podle obtížnosti. Začněte s `01_hello_world_data_science.py` a postupujte dál.
|
||||
|
||||
2. **Čtěte komentáře**: Každý soubor obsahuje podrobné komentáře vysvětlující, co kód dělá a proč. Čtěte je pozorně!
|
||||
|
||||
3. **Experimentujte**: Zkuste upravit kód. Co se stane, když změníte hodnotu? Rozbijte věci a opravte je - tak se učíte!
|
||||
|
||||
4. **Spusťte kód**: Spusťte každý příklad a sledujte výstup. Porovnejte ho s tím, co jste očekávali.
|
||||
|
||||
5. **Rozšiřte ho**: Jakmile pochopíte příklad, zkuste ho rozšířit svými vlastními nápady.
|
||||
|
||||
## 💡 Tipy pro začátečníky
|
||||
|
||||
- **Nespěchejte**: Věnujte čas pochopení každého příkladu, než přejdete k dalšímu
|
||||
- **Pište kód sami**: Nekopírujte jen kód. Psání vám pomůže se učit a zapamatovat si
|
||||
- **Vyhledejte neznámé koncepty**: Pokud narazíte na něco, čemu nerozumíte, vyhledejte to online nebo v hlavních lekcích
|
||||
- **Ptejte se**: Připojte se k [diskusnímu fóru](https://github.com/microsoft/Data-Science-For-Beginners/discussions), pokud potřebujete pomoc
|
||||
- **Pravidelně cvičte**: Snažte se kódovat trochu každý den, místo dlouhých sezení jednou týdně
|
||||
|
||||
## 🔗 Další kroky
|
||||
|
||||
Po dokončení těchto příkladů jste připraveni:
|
||||
- Projít hlavní lekce kurikula
|
||||
- Vyzkoušet úkoly v každé složce lekce
|
||||
- Prozkoumat Jupyter notebooky pro hlubší učení
|
||||
- Vytvořit své vlastní projekty v datové vědě
|
||||
|
||||
## 📚 Další zdroje
|
||||
|
||||
- [Hlavní kurikulum](../README.md) - Kompletní kurz o 20 lekcích
|
||||
- [Pro učitele](../for-teachers.md) - Použití tohoto kurikula ve třídě
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Bezplatné online vzdělávací zdroje
|
||||
- [Dokumentace Pythonu](https://docs.python.org/3/) - Oficiální reference Pythonu
|
||||
|
||||
## 🤝 Přispívání
|
||||
|
||||
Našli jste chybu nebo máte nápad na nový příklad? Uvítáme příspěvky! Podívejte se na náš [Průvodce přispíváním](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Šťastné učení! 🎉**
|
||||
|
||||
Pamatujte: Každý expert byl kdysi začátečník. Postupujte krok za krokem a nebojte se dělat chyby - jsou součástí procesu učení!
|
||||
|
||||
---
|
||||
|
||||
**Prohlášení**:
|
||||
Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho rodném jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:03:28+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "da"
|
||||
}
|
||||
-->
|
||||
# Begynder-venlige Data Science Eksempler
|
||||
|
||||
Velkommen til eksempelmappen! Denne samling af enkle, velkommenterede eksempler er designet til at hjælpe dig i gang med data science, selv hvis du er helt nybegynder.
|
||||
|
||||
## 📚 Hvad Finder Du Her
|
||||
|
||||
Hvert eksempel er selvstændigt og inkluderer:
|
||||
- **Tydelige kommentarer**, der forklarer hvert trin
|
||||
- **Simpel, læsbar kode**, der demonstrerer ét koncept ad gangen
|
||||
- **Reel kontekst**, så du forstår, hvornår og hvorfor du skal bruge teknikkerne
|
||||
- **Forventet output**, så du ved, hvad du skal kigge efter
|
||||
|
||||
## 🚀 Kom i Gang
|
||||
|
||||
### Forudsætninger
|
||||
Før du kører disse eksempler, skal du sikre dig, at du har:
|
||||
- Python 3.7 eller nyere installeret
|
||||
- Grundlæggende forståelse af, hvordan man kører Python-scripts
|
||||
|
||||
### Installation af Nødvendige Biblioteker
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Oversigt over Eksempler
|
||||
|
||||
### 1. Hello World - Data Science Style
|
||||
**Fil:** `01_hello_world_data_science.py`
|
||||
|
||||
Dit første data science-program! Lær hvordan du:
|
||||
- Indlæser et simpelt datasæt
|
||||
- Viser grundlæggende information om dine data
|
||||
- Printer dit første data science-output
|
||||
|
||||
Perfekt til absolutte begyndere, der vil se deres første data science-program i aktion.
|
||||
|
||||
---
|
||||
|
||||
### 2. Indlæsning og Udforskning af Data
|
||||
**Fil:** `02_loading_data.py`
|
||||
|
||||
Lær det grundlæggende i at arbejde med data:
|
||||
- Læs data fra CSV-filer
|
||||
- Se de første par rækker af dit datasæt
|
||||
- Få grundlæggende statistik om dine data
|
||||
- Forstå datatyper
|
||||
|
||||
Dette er ofte det første skridt i ethvert data science-projekt!
|
||||
|
||||
---
|
||||
|
||||
### 3. Simpel Dataanalyse
|
||||
**Fil:** `03_simple_analysis.py`
|
||||
|
||||
Udfør din første dataanalyse:
|
||||
- Beregn grundlæggende statistik (gennemsnit, median, typetal)
|
||||
- Find maksimum- og minimumværdier
|
||||
- Tæl forekomster af værdier
|
||||
- Filtrér data baseret på betingelser
|
||||
|
||||
Se, hvordan du kan besvare simple spørgsmål om dine data.
|
||||
|
||||
---
|
||||
|
||||
### 4. Grundlæggende Datavisualisering
|
||||
**Fil:** `04_basic_visualization.py`
|
||||
|
||||
Lav dine første visualiseringer:
|
||||
- Lav et simpelt søjlediagram
|
||||
- Opret et linjediagram
|
||||
- Generér et cirkeldiagram
|
||||
- Gem dine visualiseringer som billeder
|
||||
|
||||
Lær at kommunikere dine fund visuelt!
|
||||
|
||||
---
|
||||
|
||||
### 5. Arbejde med Reelle Data
|
||||
**Fil:** `05_real_world_example.py`
|
||||
|
||||
Sæt det hele sammen med et komplet eksempel:
|
||||
- Indlæs reelle data fra repository
|
||||
- Rens og forbered dataene
|
||||
- Udfør analyse
|
||||
- Skab meningsfulde visualiseringer
|
||||
- Drag konklusioner
|
||||
|
||||
Dette eksempel viser dig en komplet arbejdsgang fra start til slut.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Sådan Bruger Du Disse Eksempler
|
||||
|
||||
1. **Start fra begyndelsen**: Eksemplerne er nummereret efter sværhedsgrad. Begynd med `01_hello_world_data_science.py` og arbejd dig igennem.
|
||||
|
||||
2. **Læs kommentarerne**: Hver fil har detaljerede kommentarer, der forklarer, hvad koden gør og hvorfor. Læs dem grundigt!
|
||||
|
||||
3. **Eksperimentér**: Prøv at ændre i koden. Hvad sker der, hvis du ændrer en værdi? Bryd tingene og reparér dem - det er sådan, du lærer!
|
||||
|
||||
4. **Kør koden**: Udfør hvert eksempel og observer outputtet. Sammenlign det med, hvad du forventede.
|
||||
|
||||
5. **Byg videre på det**: Når du forstår et eksempel, så prøv at udvide det med dine egne idéer.
|
||||
|
||||
## 💡 Tips til Begyndere
|
||||
|
||||
- **Tag det roligt**: Tag dig tid til at forstå hvert eksempel, før du går videre til det næste
|
||||
- **Skriv koden selv**: Kopiér ikke bare. At skrive koden hjælper dig med at lære og huske
|
||||
- **Slå ukendte begreber op**: Hvis du ser noget, du ikke forstår, så søg efter det online eller i hovedlektionerne
|
||||
- **Stil spørgsmål**: Deltag i [diskussionsforummet](https://github.com/microsoft/Data-Science-For-Beginners/discussions), hvis du har brug for hjælp
|
||||
- **Øv dig regelmæssigt**: Prøv at kode lidt hver dag i stedet for lange sessioner én gang om ugen
|
||||
|
||||
## 🔗 Næste Skridt
|
||||
|
||||
Efter at have gennemført disse eksempler er du klar til at:
|
||||
- Arbejde igennem hovedlektionerne
|
||||
- Prøve opgaverne i hver lektionsmappe
|
||||
- Udforske Jupyter-notebooks for mere dybdegående læring
|
||||
- Skabe dine egne data science-projekter
|
||||
|
||||
## 📚 Yderligere Ressourcer
|
||||
|
||||
- [Hovedforløb](../README.md) - Det komplette 20-lektionskursus
|
||||
- [For Lærere](../for-teachers.md) - Brug dette forløb i dit klasseværelse
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Gratis online læringsressourcer
|
||||
- [Python Dokumentation](https://docs.python.org/3/) - Officiel Python-reference
|
||||
|
||||
## 🤝 Bidrag
|
||||
|
||||
Har du fundet en fejl eller en idé til et nyt eksempel? Vi byder bidrag velkommen! Se venligst vores [Bidragsvejledning](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**God læring! 🎉**
|
||||
|
||||
Husk: Hver ekspert har engang været en nybegynder. Tag det ét skridt ad gangen, og vær ikke bange for at lave fejl - de er en del af læringsprocessen!
|
||||
|
||||
---
|
||||
|
||||
**Ansvarsfraskrivelse**:
|
||||
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal det bemærkes, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os ikke ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T12:54:59+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "en"
|
||||
}
|
||||
-->
|
||||
# Beginner-Friendly Data Science Examples
|
||||
|
||||
Welcome to the examples directory! This collection of simple, well-commented examples is designed to help you get started with data science, even if you're a complete beginner.
|
||||
|
||||
## 📚 What You'll Find Here
|
||||
|
||||
Each example is self-contained and includes:
|
||||
- **Clear comments** explaining every step
|
||||
- **Simple, readable code** that demonstrates one concept at a time
|
||||
- **Real-world context** to help you understand when and why to use these techniques
|
||||
- **Expected output** so you know what to look for
|
||||
|
||||
## 🚀 Getting Started
|
||||
|
||||
### Prerequisites
|
||||
Before running these examples, make sure you have:
|
||||
- Python 3.7 or higher installed
|
||||
- Basic understanding of how to run Python scripts
|
||||
|
||||
### Installing Required Libraries
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Examples Overview
|
||||
|
||||
### 1. Hello World - Data Science Style
|
||||
**File:** `01_hello_world_data_science.py`
|
||||
|
||||
Your first data science program! Learn how to:
|
||||
- Load a simple dataset
|
||||
- Display basic information about your data
|
||||
- Print your first data science output
|
||||
|
||||
Perfect for absolute beginners who want to see their first data science program in action.
|
||||
|
||||
---
|
||||
|
||||
### 2. Loading and Exploring Data
|
||||
**File:** `02_loading_data.py`
|
||||
|
||||
Learn the fundamentals of working with data:
|
||||
- Read data from CSV files
|
||||
- View the first few rows of your dataset
|
||||
- Get basic statistics about your data
|
||||
- Understand data types
|
||||
|
||||
This is often the first step in any data science project!
|
||||
|
||||
---
|
||||
|
||||
### 3. Simple Data Analysis
|
||||
**File:** `03_simple_analysis.py`
|
||||
|
||||
Perform your first data analysis:
|
||||
- Calculate basic statistics (mean, median, mode)
|
||||
- Find maximum and minimum values
|
||||
- Count occurrences of values
|
||||
- Filter data based on conditions
|
||||
|
||||
See how to answer simple questions about your data.
|
||||
|
||||
---
|
||||
|
||||
### 4. Data Visualization Basics
|
||||
**File:** `04_basic_visualization.py`
|
||||
|
||||
Create your first visualizations:
|
||||
- Make a simple bar chart
|
||||
- Create a line plot
|
||||
- Generate a pie chart
|
||||
- Save your visualizations as images
|
||||
|
||||
Learn to communicate your findings visually!
|
||||
|
||||
---
|
||||
|
||||
### 5. Working with Real Data
|
||||
**File:** `05_real_world_example.py`
|
||||
|
||||
Put it all together with a complete example:
|
||||
- Load real data from the repository
|
||||
- Clean and prepare the data
|
||||
- Perform analysis
|
||||
- Create meaningful visualizations
|
||||
- Draw conclusions
|
||||
|
||||
This example shows you a complete workflow from start to finish.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 How to Use These Examples
|
||||
|
||||
1. **Start from the beginning**: The examples are numbered in order of difficulty. Begin with `01_hello_world_data_science.py` and work your way through.
|
||||
|
||||
2. **Read the comments**: Each file has detailed comments explaining what the code does and why. Read them carefully!
|
||||
|
||||
3. **Experiment**: Try modifying the code. What happens if you change a value? Break things and fix them - that's how you learn!
|
||||
|
||||
4. **Run the code**: Execute each example and observe the output. Compare it with what you expected.
|
||||
|
||||
5. **Build on it**: Once you understand an example, try extending it with your own ideas.
|
||||
|
||||
## 💡 Tips for Beginners
|
||||
|
||||
- **Don't rush**: Take time to understand each example before moving to the next one
|
||||
- **Type the code yourself**: Don't just copy-paste. Typing helps you learn and remember
|
||||
- **Look up unfamiliar concepts**: If you see something you don't understand, search for it online or in the main lessons
|
||||
- **Ask questions**: Join the [discussion forum](https://github.com/microsoft/Data-Science-For-Beginners/discussions) if you need help
|
||||
- **Practice regularly**: Try to code a little bit every day rather than long sessions once a week
|
||||
|
||||
## 🔗 Next Steps
|
||||
|
||||
After completing these examples, you're ready to:
|
||||
- Work through the main curriculum lessons
|
||||
- Try the assignments in each lesson folder
|
||||
- Explore the Jupyter notebooks for more in-depth learning
|
||||
- Create your own data science projects
|
||||
|
||||
## 📚 Additional Resources
|
||||
|
||||
- [Main Curriculum](../README.md) - The complete 20-lesson course
|
||||
- [For Teachers](../for-teachers.md) - Using this curriculum in your classroom
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Free online learning resources
|
||||
- [Python Documentation](https://docs.python.org/3/) - Official Python reference
|
||||
|
||||
## 🤝 Contributing
|
||||
|
||||
Found a bug or have an idea for a new example? We welcome contributions! Please see our [Contributing Guide](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Happy Learning! 🎉**
|
||||
|
||||
Remember: Every expert was once a beginner. Take it one step at a time, and don't be afraid to make mistakes - they're part of the learning process!
|
||||
|
||||
---
|
||||
|
||||
**Disclaimer**:
|
||||
This document has been translated using the AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). While we aim for accuracy, please note that automated translations may contain errors or inaccuracies. The original document in its native language should be regarded as the authoritative source. For critical information, professional human translation is recommended. We are not responsible for any misunderstandings or misinterpretations resulting from the use of this translation.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T12:55:31+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "es"
|
||||
}
|
||||
-->
|
||||
# Ejemplos de Ciencia de Datos para Principiantes
|
||||
|
||||
¡Bienvenido al directorio de ejemplos! Esta colección de ejemplos simples y bien comentados está diseñada para ayudarte a comenzar con la ciencia de datos, incluso si eres un principiante total.
|
||||
|
||||
## 📚 Qué Encontrarás Aquí
|
||||
|
||||
Cada ejemplo es autónomo e incluye:
|
||||
- **Comentarios claros** que explican cada paso
|
||||
- **Código simple y legible** que demuestra un concepto a la vez
|
||||
- **Contexto del mundo real** para ayudarte a entender cuándo y por qué usar estas técnicas
|
||||
- **Salida esperada** para que sepas qué buscar
|
||||
|
||||
## 🚀 Comenzando
|
||||
|
||||
### Requisitos Previos
|
||||
Antes de ejecutar estos ejemplos, asegúrate de tener:
|
||||
- Python 3.7 o superior instalado
|
||||
- Comprensión básica de cómo ejecutar scripts en Python
|
||||
|
||||
### Instalación de Bibliotecas Requeridas
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Resumen de los Ejemplos
|
||||
|
||||
### 1. Hola Mundo - Estilo Ciencia de Datos
|
||||
**Archivo:** `01_hello_world_data_science.py`
|
||||
|
||||
¡Tu primer programa de ciencia de datos! Aprende a:
|
||||
- Cargar un conjunto de datos simple
|
||||
- Mostrar información básica sobre tus datos
|
||||
- Imprimir tu primera salida de ciencia de datos
|
||||
|
||||
Perfecto para principiantes absolutos que quieren ver su primer programa de ciencia de datos en acción.
|
||||
|
||||
---
|
||||
|
||||
### 2. Cargando y Explorando Datos
|
||||
**Archivo:** `02_loading_data.py`
|
||||
|
||||
Aprende los fundamentos de trabajar con datos:
|
||||
- Leer datos desde archivos CSV
|
||||
- Ver las primeras filas de tu conjunto de datos
|
||||
- Obtener estadísticas básicas sobre tus datos
|
||||
- Entender los tipos de datos
|
||||
|
||||
¡Este es a menudo el primer paso en cualquier proyecto de ciencia de datos!
|
||||
|
||||
---
|
||||
|
||||
### 3. Análisis de Datos Simple
|
||||
**Archivo:** `03_simple_analysis.py`
|
||||
|
||||
Realiza tu primer análisis de datos:
|
||||
- Calcular estadísticas básicas (media, mediana, moda)
|
||||
- Encontrar valores máximos y mínimos
|
||||
- Contar ocurrencias de valores
|
||||
- Filtrar datos basados en condiciones
|
||||
|
||||
Descubre cómo responder preguntas simples sobre tus datos.
|
||||
|
||||
---
|
||||
|
||||
### 4. Fundamentos de Visualización de Datos
|
||||
**Archivo:** `04_basic_visualization.py`
|
||||
|
||||
Crea tus primeras visualizaciones:
|
||||
- Hacer un gráfico de barras simple
|
||||
- Crear un gráfico de líneas
|
||||
- Generar un gráfico de pastel
|
||||
- Guardar tus visualizaciones como imágenes
|
||||
|
||||
¡Aprende a comunicar tus hallazgos de forma visual!
|
||||
|
||||
---
|
||||
|
||||
### 5. Trabajando con Datos Reales
|
||||
**Archivo:** `05_real_world_example.py`
|
||||
|
||||
Pon todo junto con un ejemplo completo:
|
||||
- Cargar datos reales desde el repositorio
|
||||
- Limpiar y preparar los datos
|
||||
- Realizar análisis
|
||||
- Crear visualizaciones significativas
|
||||
- Sacar conclusiones
|
||||
|
||||
Este ejemplo te muestra un flujo de trabajo completo de principio a fin.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Cómo Usar Estos Ejemplos
|
||||
|
||||
1. **Empieza desde el principio**: Los ejemplos están numerados en orden de dificultad. Comienza con `01_hello_world_data_science.py` y avanza en orden.
|
||||
|
||||
2. **Lee los comentarios**: Cada archivo tiene comentarios detallados que explican qué hace el código y por qué. ¡Léelos con atención!
|
||||
|
||||
3. **Experimenta**: Intenta modificar el código. ¿Qué pasa si cambias un valor? Rompe cosas y arréglalas: así es como se aprende.
|
||||
|
||||
4. **Ejecuta el código**: Ejecuta cada ejemplo y observa la salida. Compárala con lo que esperabas.
|
||||
|
||||
5. **Construye sobre ello**: Una vez que entiendas un ejemplo, intenta ampliarlo con tus propias ideas.
|
||||
|
||||
## 💡 Consejos para Principiantes
|
||||
|
||||
- **No te apresures**: Tómate tu tiempo para entender cada ejemplo antes de pasar al siguiente.
|
||||
- **Escribe el código tú mismo**: No solo copies y pegues. Escribir ayuda a aprender y recordar.
|
||||
- **Investiga conceptos desconocidos**: Si ves algo que no entiendes, búscalo en línea o en las lecciones principales.
|
||||
- **Haz preguntas**: Únete al [foro de discusión](https://github.com/microsoft/Data-Science-For-Beginners/discussions) si necesitas ayuda.
|
||||
- **Practica regularmente**: Intenta programar un poco cada día en lugar de sesiones largas una vez a la semana.
|
||||
|
||||
## 🔗 Próximos Pasos
|
||||
|
||||
Después de completar estos ejemplos, estarás listo para:
|
||||
- Trabajar en las lecciones principales del plan de estudios
|
||||
- Intentar las tareas en cada carpeta de lecciones
|
||||
- Explorar los cuadernos Jupyter para un aprendizaje más profundo
|
||||
- Crear tus propios proyectos de ciencia de datos
|
||||
|
||||
## 📚 Recursos Adicionales
|
||||
|
||||
- [Plan de Estudios Principal](../README.md) - El curso completo de 20 lecciones
|
||||
- [Para Profesores](../for-teachers.md) - Usar este plan de estudios en tu aula
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Recursos gratuitos de aprendizaje en línea
|
||||
- [Documentación de Python](https://docs.python.org/3/) - Referencia oficial de Python
|
||||
|
||||
## 🤝 Contribuir
|
||||
|
||||
¿Encontraste un error o tienes una idea para un nuevo ejemplo? ¡Aceptamos contribuciones! Por favor, consulta nuestra [Guía de Contribución](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**¡Feliz Aprendizaje! 🎉**
|
||||
|
||||
Recuerda: Todo experto fue alguna vez un principiante. Avanza paso a paso y no tengas miedo de cometer errores: ¡son parte del proceso de aprendizaje!
|
||||
|
||||
---
|
||||
|
||||
**Descargo de responsabilidad**:
|
||||
Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse como la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T12:56:42+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "fa"
|
||||
}
|
||||
-->
|
||||
# مثالهای مقدماتی علم داده
|
||||
|
||||
به دایرکتوری مثالها خوش آمدید! این مجموعه از مثالهای ساده و با توضیحات کامل طراحی شده است تا به شما کمک کند حتی اگر کاملاً مبتدی هستید، با علم داده شروع کنید.
|
||||
|
||||
## 📚 آنچه در اینجا پیدا خواهید کرد
|
||||
|
||||
هر مثال به صورت مستقل بوده و شامل موارد زیر است:
|
||||
- **توضیحات واضح** که هر مرحله را توضیح میدهد
|
||||
- **کد ساده و خوانا** که هر بار یک مفهوم را نشان میدهد
|
||||
- **زمینه واقعی** برای کمک به درک زمان و دلیل استفاده از این تکنیکها
|
||||
- **خروجی مورد انتظار** تا بدانید چه چیزی را باید مشاهده کنید
|
||||
|
||||
## 🚀 شروع به کار
|
||||
|
||||
### پیشنیازها
|
||||
قبل از اجرای این مثالها، مطمئن شوید که:
|
||||
- پایتون نسخه 3.7 یا بالاتر نصب شده باشد
|
||||
- درک پایهای از نحوه اجرای اسکریپتهای پایتون داشته باشید
|
||||
|
||||
### نصب کتابخانههای مورد نیاز
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 مرور مثالها
|
||||
|
||||
### 1. سلام دنیا - به سبک علم داده
|
||||
**فایل:** `01_hello_world_data_science.py`
|
||||
|
||||
اولین برنامه علم داده شما! یاد بگیرید چگونه:
|
||||
- یک مجموعه داده ساده بارگذاری کنید
|
||||
- اطلاعات اولیه درباره دادههای خود نمایش دهید
|
||||
- اولین خروجی علم داده خود را چاپ کنید
|
||||
|
||||
این مثال برای مبتدیانی که میخواهند اولین برنامه علم داده خود را ببینند عالی است.
|
||||
|
||||
---
|
||||
|
||||
### 2. بارگذاری و بررسی دادهها
|
||||
**فایل:** `02_loading_data.py`
|
||||
|
||||
اصول کار با دادهها را یاد بگیرید:
|
||||
- خواندن دادهها از فایلهای CSV
|
||||
- مشاهده چند ردیف اول مجموعه داده
|
||||
- دریافت آمار اولیه درباره دادهها
|
||||
- درک انواع دادهها
|
||||
|
||||
این معمولاً اولین قدم در هر پروژه علم داده است!
|
||||
|
||||
---
|
||||
|
||||
### 3. تحلیل ساده دادهها
|
||||
**فایل:** `03_simple_analysis.py`
|
||||
|
||||
اولین تحلیل دادههای خود را انجام دهید:
|
||||
- محاسبه آمار اولیه (میانگین، میانه، مد)
|
||||
- یافتن مقادیر حداکثر و حداقل
|
||||
- شمارش تعداد وقوع مقادیر
|
||||
- فیلتر کردن دادهها بر اساس شرایط
|
||||
|
||||
ببینید چگونه میتوان به سوالات ساده درباره دادهها پاسخ داد.
|
||||
|
||||
---
|
||||
|
||||
### 4. اصول بصریسازی دادهها
|
||||
**فایل:** `04_basic_visualization.py`
|
||||
|
||||
اولین بصریسازیهای خود را ایجاد کنید:
|
||||
- ساخت نمودار میلهای ساده
|
||||
- ایجاد نمودار خطی
|
||||
- تولید نمودار دایرهای
|
||||
- ذخیره بصریسازیها به عنوان تصاویر
|
||||
|
||||
یاد بگیرید چگونه یافتههای خود را به صورت بصری منتقل کنید!
|
||||
|
||||
---
|
||||
|
||||
### 5. کار با دادههای واقعی
|
||||
**فایل:** `05_real_world_example.py`
|
||||
|
||||
همه چیز را با یک مثال کامل ترکیب کنید:
|
||||
- بارگذاری دادههای واقعی از مخزن
|
||||
- پاکسازی و آمادهسازی دادهها
|
||||
- انجام تحلیل
|
||||
- ایجاد بصریسازیهای معنادار
|
||||
- نتیجهگیری
|
||||
|
||||
این مثال یک جریان کاری کامل از ابتدا تا انتها را نشان میدهد.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 نحوه استفاده از این مثالها
|
||||
|
||||
1. **از ابتدا شروع کنید**: مثالها به ترتیب سختی شمارهگذاری شدهاند. با `01_hello_world_data_science.py` شروع کنید و به ترتیب ادامه دهید.
|
||||
|
||||
2. **توضیحات را بخوانید**: هر فایل دارای توضیحات دقیقی است که توضیح میدهد کد چه کاری انجام میدهد و چرا. آنها را با دقت بخوانید!
|
||||
|
||||
3. **آزمایش کنید**: سعی کنید کد را تغییر دهید. اگر یک مقدار را تغییر دهید چه اتفاقی میافتد؟ چیزها را خراب کنید و دوباره درست کنید - این روش یادگیری است!
|
||||
|
||||
4. **کد را اجرا کنید**: هر مثال را اجرا کنید و خروجی را مشاهده کنید. آن را با چیزی که انتظار داشتید مقایسه کنید.
|
||||
|
||||
5. **آن را گسترش دهید**: وقتی یک مثال را فهمیدید، سعی کنید آن را با ایدههای خود گسترش دهید.
|
||||
|
||||
## 💡 نکات برای مبتدیان
|
||||
|
||||
- **عجله نکنید**: برای درک هر مثال قبل از رفتن به مثال بعدی وقت بگذارید
|
||||
- **کد را خودتان تایپ کنید**: فقط کپی-پیست نکنید. تایپ کردن به شما کمک میکند یاد بگیرید و به خاطر بسپارید
|
||||
- **مفاهیم ناآشنا را جستجو کنید**: اگر چیزی را دیدید که نمیفهمید، آن را آنلاین یا در درسهای اصلی جستجو کنید
|
||||
- **سوال بپرسید**: اگر نیاز به کمک دارید، به [فروم بحث](https://github.com/microsoft/Data-Science-For-Beginners/discussions) بپیوندید
|
||||
- **به طور منظم تمرین کنید**: سعی کنید هر روز کمی کدنویسی کنید به جای جلسات طولانی یک بار در هفته
|
||||
|
||||
## 🔗 مراحل بعدی
|
||||
|
||||
پس از تکمیل این مثالها، آماده هستید:
|
||||
- درسهای اصلی برنامه درسی را مرور کنید
|
||||
- تکالیف موجود در هر پوشه درس را امتحان کنید
|
||||
- نوتبوکهای Jupyter را برای یادگیری عمیقتر بررسی کنید
|
||||
- پروژههای علم داده خود را ایجاد کنید
|
||||
|
||||
## 📚 منابع اضافی
|
||||
|
||||
- [برنامه درسی اصلی](../README.md) - دوره کامل 20 درس
|
||||
- [برای معلمان](../for-teachers.md) - استفاده از این برنامه درسی در کلاس درس
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - منابع یادگیری آنلاین رایگان
|
||||
- [مستندات پایتون](https://docs.python.org/3/) - مرجع رسمی پایتون
|
||||
|
||||
## 🤝 مشارکت
|
||||
|
||||
آیا باگی پیدا کردهاید یا ایدهای برای یک مثال جدید دارید؟ ما از مشارکتها استقبال میکنیم! لطفاً [راهنمای مشارکت](../CONTRIBUTING.md) را ببینید.
|
||||
|
||||
---
|
||||
|
||||
**یادگیری خوشایند! 🎉**
|
||||
|
||||
به یاد داشته باشید: هر متخصص زمانی مبتدی بوده است. قدم به قدم پیش بروید و از اشتباه کردن نترسید - اشتباهات بخشی از فرآیند یادگیری هستند!
|
||||
|
||||
---
|
||||
|
||||
**سلب مسئولیت**:
|
||||
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش میکنیم دقت را رعایت کنیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل خطاها یا نادرستیهایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه انسانی حرفهای توصیه میشود. ما هیچ مسئولیتی در قبال سوءتفاهمها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:04:03+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Aloittelijaystävällisiä Data Science -esimerkkejä
|
||||
|
||||
Tervetuloa esimerkkikansioon! Tämä kokoelma yksinkertaisia ja hyvin kommentoituja esimerkkejä on suunniteltu auttamaan sinua aloittamaan data science -opiskelun, vaikka olisit täysin aloittelija.
|
||||
|
||||
## 📚 Mitä täältä löytyy
|
||||
|
||||
Jokainen esimerkki on itsenäinen ja sisältää:
|
||||
- **Selkeät kommentit**, jotka selittävät jokaisen vaiheen
|
||||
- **Yksinkertaista ja helposti luettavaa koodia**, joka esittelee yhden käsitteen kerrallaan
|
||||
- **Reaaliaikaisen kontekstin**, joka auttaa ymmärtämään, milloin ja miksi näitä tekniikoita käytetään
|
||||
- **Odotetun tuloksen**, jotta tiedät, mitä etsiä
|
||||
|
||||
## 🚀 Aloittaminen
|
||||
|
||||
### Esivaatimukset
|
||||
Ennen kuin suoritat näitä esimerkkejä, varmista että sinulla on:
|
||||
- Python 3.7 tai uudempi asennettuna
|
||||
- Perustiedot Python-skriptien suorittamisesta
|
||||
|
||||
### Tarvittavien kirjastojen asentaminen
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Esimerkkien yleiskatsaus
|
||||
|
||||
### 1. Hello World - Data Science -tyyliin
|
||||
**Tiedosto:** `01_hello_world_data_science.py`
|
||||
|
||||
Ensimmäinen data science -ohjelmasi! Opit:
|
||||
- Lataamaan yksinkertaisen datasetin
|
||||
- Näyttämään perustiedot datastasi
|
||||
- Tulostamaan ensimmäisen data science -tuloksesi
|
||||
|
||||
Täydellinen aloitteleville, jotka haluavat nähdä ensimmäisen data science -ohjelmansa toiminnassa.
|
||||
|
||||
---
|
||||
|
||||
### 2. Datan lataaminen ja tutkiminen
|
||||
**Tiedosto:** `02_loading_data.py`
|
||||
|
||||
Opettele datan käsittelyn perusteet:
|
||||
- Lue dataa CSV-tiedostoista
|
||||
- Näytä datasetin ensimmäiset rivit
|
||||
- Hanki perustilastoja datastasi
|
||||
- Ymmärrä datatyypit
|
||||
|
||||
Tämä on usein ensimmäinen vaihe missä tahansa data science -projektissa!
|
||||
|
||||
---
|
||||
|
||||
### 3. Yksinkertainen data-analyysi
|
||||
**Tiedosto:** `03_simple_analysis.py`
|
||||
|
||||
Suorita ensimmäinen data-analyysisi:
|
||||
- Laske perustilastoja (keskiarvo, mediaani, moodi)
|
||||
- Etsi maksimi- ja minimiarvot
|
||||
- Laske arvojen esiintymiskerrat
|
||||
- Suodata dataa ehtojen perusteella
|
||||
|
||||
Näe, miten vastata yksinkertaisiin kysymyksiin datastasi.
|
||||
|
||||
---
|
||||
|
||||
### 4. Datan visualisoinnin perusteet
|
||||
**Tiedosto:** `04_basic_visualization.py`
|
||||
|
||||
Luo ensimmäiset visualisointisi:
|
||||
- Tee yksinkertainen pylväsdiagrammi
|
||||
- Luo viivakaavio
|
||||
- Generoi piirakkakaavio
|
||||
- Tallenna visualisoinnit kuvina
|
||||
|
||||
Opettele viestimään havaintosi visuaalisesti!
|
||||
|
||||
---
|
||||
|
||||
### 5. Työskentely oikean datan kanssa
|
||||
**Tiedosto:** `05_real_world_example.py`
|
||||
|
||||
Yhdistä kaikki kokonaiseksi esimerkiksi:
|
||||
- Lataa oikeaa dataa repositoriosta
|
||||
- Puhdista ja valmistele data
|
||||
- Suorita analyysi
|
||||
- Luo merkityksellisiä visualisointeja
|
||||
- Tee johtopäätöksiä
|
||||
|
||||
Tämä esimerkki näyttää sinulle täydellisen työnkulun alusta loppuun.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Kuinka käyttää näitä esimerkkejä
|
||||
|
||||
1. **Aloita alusta**: Esimerkit on numeroitu vaikeusjärjestyksessä. Aloita `01_hello_world_data_science.py`-tiedostosta ja etene järjestyksessä.
|
||||
|
||||
2. **Lue kommentit**: Jokaisessa tiedostossa on yksityiskohtaiset kommentit, jotka selittävät, mitä koodi tekee ja miksi. Lue ne huolellisesti!
|
||||
|
||||
3. **Kokeile**: Yritä muokata koodia. Mitä tapahtuu, jos muutat arvoa? Riko asioita ja korjaa ne - näin opit!
|
||||
|
||||
4. **Suorita koodi**: Suorita jokainen esimerkki ja tarkkaile tulosta. Vertaa sitä odotettuun tulokseen.
|
||||
|
||||
5. **Rakenna lisää**: Kun ymmärrät esimerkin, yritä laajentaa sitä omilla ideoillasi.
|
||||
|
||||
## 💡 Vinkkejä aloittelijoille
|
||||
|
||||
- **Älä kiirehdi**: Käytä aikaa jokaisen esimerkin ymmärtämiseen ennen seuraavaan siirtymistä
|
||||
- **Kirjoita koodi itse**: Älä vain kopioi ja liitä. Kirjoittaminen auttaa oppimaan ja muistamaan
|
||||
- **Etsi tuntemattomia käsitteitä**: Jos näet jotain, mitä et ymmärrä, etsi tietoa verkosta tai pääopetuksista
|
||||
- **Kysy kysymyksiä**: Liity [keskustelufoorumiin](https://github.com/microsoft/Data-Science-For-Beginners/discussions), jos tarvitset apua
|
||||
- **Harjoittele säännöllisesti**: Yritä koodata vähän joka päivä sen sijaan, että tekisit pitkiä sessioita kerran viikossa
|
||||
|
||||
## 🔗 Seuraavat askeleet
|
||||
|
||||
Kun olet suorittanut nämä esimerkit, olet valmis:
|
||||
- Käymään läpi pääopetuksen
|
||||
- Kokeilemaan tehtäviä jokaisessa oppituntikansiossa
|
||||
- Tutustumaan Jupyter-notebookeihin syvällisempää oppimista varten
|
||||
- Luomaan omia data science -projekteja
|
||||
|
||||
## 📚 Lisäresurssit
|
||||
|
||||
- [Pääopetus](../README.md) - Täydellinen 20 oppitunnin kurssi
|
||||
- [Opettajille](../for-teachers.md) - Tämän opetuksen käyttö luokkahuoneessa
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Ilmaisia verkkokoulutusresursseja
|
||||
- [Python-dokumentaatio](https://docs.python.org/3/) - Virallinen Python-viite
|
||||
|
||||
## 🤝 Osallistuminen
|
||||
|
||||
Löysitkö virheen tai sinulla on idea uudesta esimerkistä? Otamme mielellämme vastaan osallistumisia! Katso [Osallistumisohjeet](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Hyvää oppimista! 🎉**
|
||||
|
||||
Muista: Jokainen asiantuntija on joskus ollut aloittelija. Ota yksi askel kerrallaan, äläkä pelkää tehdä virheitä - ne ovat osa oppimisprosessia!
|
||||
|
||||
---
|
||||
|
||||
**Vastuuvapauslauseke**:
|
||||
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T12:55:12+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "fr"
|
||||
}
|
||||
-->
|
||||
# Exemples de Data Science pour Débutants
|
||||
|
||||
Bienvenue dans le répertoire des exemples ! Cette collection d'exemples simples et bien commentés est conçue pour vous aider à débuter en data science, même si vous êtes complètement novice.
|
||||
|
||||
## 📚 Ce que vous trouverez ici
|
||||
|
||||
Chaque exemple est autonome et inclut :
|
||||
- **Des commentaires clairs** expliquant chaque étape
|
||||
- **Un code simple et lisible** qui illustre un concept à la fois
|
||||
- **Un contexte réel** pour vous aider à comprendre quand et pourquoi utiliser ces techniques
|
||||
- **Un résultat attendu** pour savoir ce que vous devez obtenir
|
||||
|
||||
## 🚀 Premiers Pas
|
||||
|
||||
### Prérequis
|
||||
Avant de lancer ces exemples, assurez-vous d'avoir :
|
||||
- Python 3.7 ou une version supérieure installé
|
||||
- Une compréhension de base sur la façon d'exécuter des scripts Python
|
||||
|
||||
### Installation des bibliothèques nécessaires
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Aperçu des exemples
|
||||
|
||||
### 1. Hello World - Version Data Science
|
||||
**Fichier :** `01_hello_world_data_science.py`
|
||||
|
||||
Votre premier programme de data science ! Apprenez à :
|
||||
- Charger un jeu de données simple
|
||||
- Afficher des informations de base sur vos données
|
||||
- Imprimer votre premier résultat en data science
|
||||
|
||||
Parfait pour les débutants absolus qui veulent voir leur premier programme de data science en action.
|
||||
|
||||
---
|
||||
|
||||
### 2. Charger et Explorer des Données
|
||||
**Fichier :** `02_loading_data.py`
|
||||
|
||||
Apprenez les bases du travail avec des données :
|
||||
- Lire des données à partir de fichiers CSV
|
||||
- Visualiser les premières lignes de votre jeu de données
|
||||
- Obtenir des statistiques de base sur vos données
|
||||
- Comprendre les types de données
|
||||
|
||||
C'est souvent la première étape de tout projet de data science !
|
||||
|
||||
---
|
||||
|
||||
### 3. Analyse de Données Simple
|
||||
**Fichier :** `03_simple_analysis.py`
|
||||
|
||||
Réalisez votre première analyse de données :
|
||||
- Calculer des statistiques de base (moyenne, médiane, mode)
|
||||
- Trouver les valeurs maximales et minimales
|
||||
- Compter les occurrences de valeurs
|
||||
- Filtrer les données selon des conditions
|
||||
|
||||
Découvrez comment répondre à des questions simples sur vos données.
|
||||
|
||||
---
|
||||
|
||||
### 4. Bases de la Visualisation de Données
|
||||
**Fichier :** `04_basic_visualization.py`
|
||||
|
||||
Créez vos premières visualisations :
|
||||
- Réaliser un graphique en barres simple
|
||||
- Créer un graphique linéaire
|
||||
- Générer un diagramme circulaire
|
||||
- Sauvegarder vos visualisations sous forme d'images
|
||||
|
||||
Apprenez à communiquer vos résultats visuellement !
|
||||
|
||||
---
|
||||
|
||||
### 5. Travailler avec des Données Réelles
|
||||
**Fichier :** `05_real_world_example.py`
|
||||
|
||||
Mettez tout en pratique avec un exemple complet :
|
||||
- Charger des données réelles depuis le dépôt
|
||||
- Nettoyer et préparer les données
|
||||
- Réaliser une analyse
|
||||
- Créer des visualisations significatives
|
||||
- Tirer des conclusions
|
||||
|
||||
Cet exemple vous montre un flux de travail complet du début à la fin.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Comment utiliser ces exemples
|
||||
|
||||
1. **Commencez par le début** : Les exemples sont numérotés par ordre de difficulté. Commencez par `01_hello_world_data_science.py` et progressez.
|
||||
|
||||
2. **Lisez les commentaires** : Chaque fichier contient des commentaires détaillés expliquant ce que fait le code et pourquoi. Lisez-les attentivement !
|
||||
|
||||
3. **Expérimentez** : Essayez de modifier le code. Que se passe-t-il si vous changez une valeur ? Cassez des choses et réparez-les - c'est ainsi que vous apprenez !
|
||||
|
||||
4. **Exécutez le code** : Lancez chaque exemple et observez le résultat. Comparez-le avec ce que vous attendiez.
|
||||
|
||||
5. **Construisez dessus** : Une fois que vous comprenez un exemple, essayez de l'étendre avec vos propres idées.
|
||||
|
||||
## 💡 Conseils pour Débutants
|
||||
|
||||
- **Ne vous précipitez pas** : Prenez le temps de comprendre chaque exemple avant de passer au suivant
|
||||
- **Tapez le code vous-même** : Ne vous contentez pas de copier-coller. Taper vous aide à apprendre et à mémoriser
|
||||
- **Cherchez les concepts inconnus** : Si vous voyez quelque chose que vous ne comprenez pas, recherchez-le en ligne ou dans les leçons principales
|
||||
- **Posez des questions** : Rejoignez le [forum de discussion](https://github.com/microsoft/Data-Science-For-Beginners/discussions) si vous avez besoin d'aide
|
||||
- **Pratiquez régulièrement** : Essayez de coder un peu chaque jour plutôt que de longues sessions une fois par semaine
|
||||
|
||||
## 🔗 Prochaines Étapes
|
||||
|
||||
Après avoir terminé ces exemples, vous êtes prêt à :
|
||||
- Travailler sur les leçons principales du programme
|
||||
- Essayer les exercices dans chaque dossier de leçon
|
||||
- Explorer les notebooks Jupyter pour un apprentissage plus approfondi
|
||||
- Créer vos propres projets de data science
|
||||
|
||||
## 📚 Ressources Supplémentaires
|
||||
|
||||
- [Programme Principal](../README.md) - Le cours complet en 20 leçons
|
||||
- [Pour les Enseignants](../for-teachers.md) - Utiliser ce programme dans votre classe
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Ressources d'apprentissage en ligne gratuites
|
||||
- [Documentation Python](https://docs.python.org/3/) - Référence officielle de Python
|
||||
|
||||
## 🤝 Contribuer
|
||||
|
||||
Vous avez trouvé un bug ou une idée pour un nouvel exemple ? Nous accueillons les contributions ! Veuillez consulter notre [Guide de Contribution](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Bon apprentissage ! 🎉**
|
||||
|
||||
Rappelez-vous : Chaque expert a été un débutant un jour. Avancez étape par étape, et n'ayez pas peur de faire des erreurs - elles font partie du processus d'apprentissage !
|
||||
|
||||
---
|
||||
|
||||
**Avertissement** :
|
||||
Ce document a été traduit à l'aide du service de traduction automatique [Co-op Translator](https://github.com/Azure/co-op-translator). Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatiques peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction humaine professionnelle. Nous ne sommes pas responsables des malentendus ou des interprétations erronées résultant de l'utilisation de cette traduction.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:04:35+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# דוגמאות ידידותיות למתחילים במדעי הנתונים
|
||||
|
||||
ברוכים הבאים לתיקיית הדוגמאות! אוסף זה של דוגמאות פשוטות ומלוות בהסברים נועד לעזור לכם להתחיל עם מדעי הנתונים, גם אם אתם מתחילים לגמרי.
|
||||
|
||||
## 📚 מה תמצאו כאן
|
||||
|
||||
כל דוגמה היא עצמאית וכוללת:
|
||||
- **הערות ברורות** שמסבירות כל שלב
|
||||
- **קוד פשוט וקריא** שמדגים מושג אחד בכל פעם
|
||||
- **הקשר מעשי** שיעזור לכם להבין מתי ולמה להשתמש בטכניקות הללו
|
||||
- **תוצאה צפויה** כדי שתדעו למה לצפות
|
||||
|
||||
## 🚀 איך להתחיל
|
||||
|
||||
### דרישות מוקדמות
|
||||
לפני הרצת הדוגמאות, ודאו שיש לכם:
|
||||
- Python 3.7 או גרסה גבוהה יותר מותקנת
|
||||
- הבנה בסיסית של איך להריץ סקריפטים ב-Python
|
||||
|
||||
### התקנת ספריות נדרשות
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 סקירת דוגמאות
|
||||
|
||||
### 1. שלום עולם - בסגנון מדעי הנתונים
|
||||
**קובץ:** `01_hello_world_data_science.py`
|
||||
|
||||
תוכנית מדעי הנתונים הראשונה שלכם! תלמדו איך:
|
||||
- לטעון מערך נתונים פשוט
|
||||
- להציג מידע בסיסי על הנתונים שלכם
|
||||
- להדפיס את הפלט הראשון שלכם במדעי הנתונים
|
||||
|
||||
מושלם למתחילים שרוצים לראות את התוכנית הראשונה שלהם בפעולה.
|
||||
|
||||
---
|
||||
|
||||
### 2. טעינה וחקר נתונים
|
||||
**קובץ:** `02_loading_data.py`
|
||||
|
||||
למדו את היסודות של עבודה עם נתונים:
|
||||
- קריאת נתונים מקבצי CSV
|
||||
- צפייה בשורות הראשונות של מערך הנתונים שלכם
|
||||
- קבלת סטטיסטיקות בסיסיות על הנתונים שלכם
|
||||
- הבנת סוגי נתונים
|
||||
|
||||
זהו לרוב השלב הראשון בכל פרויקט מדעי נתונים!
|
||||
|
||||
---
|
||||
|
||||
### 3. ניתוח נתונים פשוט
|
||||
**קובץ:** `03_simple_analysis.py`
|
||||
|
||||
בצעו את ניתוח הנתונים הראשון שלכם:
|
||||
- חישוב סטטיסטיקות בסיסיות (ממוצע, חציון, שכיח)
|
||||
- מציאת ערכים מקסימליים ומינימליים
|
||||
- ספירת הופעות של ערכים
|
||||
- סינון נתונים על פי תנאים
|
||||
|
||||
ראו איך לענות על שאלות פשוטות לגבי הנתונים שלכם.
|
||||
|
||||
---
|
||||
|
||||
### 4. יסודות ויזואליזציה של נתונים
|
||||
**קובץ:** `04_basic_visualization.py`
|
||||
|
||||
צרו את הוויזואליזציות הראשונות שלכם:
|
||||
- יצירת תרשים עמודות פשוט
|
||||
- יצירת גרף קו
|
||||
- יצירת תרשים עוגה
|
||||
- שמירת הוויזואליזציות שלכם כתמונות
|
||||
|
||||
למדו איך לתקשר את הממצאים שלכם בצורה חזותית!
|
||||
|
||||
---
|
||||
|
||||
### 5. עבודה עם נתונים אמיתיים
|
||||
**קובץ:** `05_real_world_example.py`
|
||||
|
||||
חברו הכל יחד עם דוגמה מלאה:
|
||||
- טעינת נתונים אמיתיים מהמאגר
|
||||
- ניקוי והכנת הנתונים
|
||||
- ביצוע ניתוח
|
||||
- יצירת ויזואליזציות משמעותיות
|
||||
- הסקת מסקנות
|
||||
|
||||
דוגמה זו מראה לכם תהליך עבודה מלא מתחילתו ועד סופו.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 איך להשתמש בדוגמאות הללו
|
||||
|
||||
1. **התחילו מההתחלה**: הדוגמאות ממוספרות לפי רמת הקושי. התחילו עם `01_hello_world_data_science.py` והתקדמו לפי הסדר.
|
||||
|
||||
2. **קראו את ההערות**: כל קובץ מכיל הערות מפורטות שמסבירות מה הקוד עושה ולמה. קראו אותן בעיון!
|
||||
|
||||
3. **נסו לשנות**: נסו לשנות את הקוד. מה קורה אם תשנו ערך? תשברו דברים ותתקנו אותם - כך לומדים!
|
||||
|
||||
4. **הריצו את הקוד**: הריצו כל דוגמה וצפו בפלט. השוו אותו למה שציפיתם.
|
||||
|
||||
5. **בנו על זה**: ברגע שתבינו דוגמה, נסו להרחיב אותה עם רעיונות משלכם.
|
||||
|
||||
## 💡 טיפים למתחילים
|
||||
|
||||
- **אל תמהרו**: קחו את הזמן להבין כל דוגמה לפני שתעברו לבאה
|
||||
- **כתבו את הקוד בעצמכם**: אל תעתיקו-הדבק. כתיבה עוזרת ללמוד ולזכור
|
||||
- **חפשו מושגים לא מוכרים**: אם אתם רואים משהו שלא ברור לכם, חפשו אותו באינטרנט או בשיעורים המרכזיים
|
||||
- **שאלו שאלות**: הצטרפו ל-[פורום הדיונים](https://github.com/microsoft/Data-Science-For-Beginners/discussions) אם אתם צריכים עזרה
|
||||
- **תרגלו באופן קבוע**: נסו לקודד קצת כל יום במקום מפגשים ארוכים פעם בשבוע
|
||||
|
||||
## 🔗 צעדים הבאים
|
||||
|
||||
לאחר שתסיימו את הדוגמאות הללו, אתם מוכנים:
|
||||
- לעבוד דרך שיעורי הלימוד המרכזיים
|
||||
- לנסות את המשימות בכל תיקיית שיעור
|
||||
- לחקור את מחברות Jupyter ללמידה מעמיקה יותר
|
||||
- ליצור פרויקטים משלכם במדעי הנתונים
|
||||
|
||||
## 📚 משאבים נוספים
|
||||
|
||||
- [תוכנית הלימודים המרכזית](../README.md) - קורס מלא של 20 שיעורים
|
||||
- [למורים](../for-teachers.md) - שימוש בתוכנית הלימודים בכיתה
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - משאבי לימוד מקוונים חינמיים
|
||||
- [תיעוד Python](https://docs.python.org/3/) - מדריך רשמי ל-Python
|
||||
|
||||
## 🤝 תרומות
|
||||
|
||||
מצאתם באג או יש לכם רעיון לדוגמה חדשה? נשמח לקבל תרומות! אנא ראו את [מדריך התרומות](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**למידה נעימה! 🎉**
|
||||
|
||||
זכרו: כל מומחה היה פעם מתחיל. קחו את זה צעד אחד בכל פעם, ואל תפחדו לעשות טעויות - הן חלק מתהליך הלמידה!
|
||||
|
||||
---
|
||||
|
||||
**כתב ויתור**:
|
||||
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי-דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור הסמכותי. למידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אנושי. איננו נושאים באחריות לאי-הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T12:59:10+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "hi"
|
||||
}
|
||||
-->
|
||||
# शुरुआती लोगों के लिए डेटा साइंस के उदाहरण
|
||||
|
||||
उदाहरण निर्देशिका में आपका स्वागत है! यह सरल और अच्छी तरह से टिप्पणी किए गए उदाहरणों का संग्रह आपको डेटा साइंस शुरू करने में मदद करने के लिए डिज़ाइन किया गया है, भले ही आप पूरी तरह से नए हों।
|
||||
|
||||
## 📚 यहां आपको क्या मिलेगा
|
||||
|
||||
प्रत्येक उदाहरण स्वतंत्र है और इसमें शामिल हैं:
|
||||
- **स्पष्ट टिप्पणियां** जो हर कदम को समझाती हैं
|
||||
- **सरल और पढ़ने योग्य कोड** जो एक समय में एक अवधारणा को प्रदर्शित करता है
|
||||
- **वास्तविक दुनिया का संदर्भ** ताकि आप समझ सकें कि इन तकनीकों का उपयोग कब और क्यों करना है
|
||||
- **अपेक्षित आउटपुट** ताकि आप जान सकें कि क्या देखना है
|
||||
|
||||
## 🚀 शुरुआत करना
|
||||
|
||||
### आवश्यकताएँ
|
||||
इन उदाहरणों को चलाने से पहले सुनिश्चित करें कि आपके पास:
|
||||
- Python 3.7 या उससे उच्च संस्करण इंस्टॉल है
|
||||
- Python स्क्रिप्ट चलाने की बुनियादी समझ है
|
||||
|
||||
### आवश्यक लाइब्रेरी इंस्टॉल करना
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 उदाहरणों का अवलोकन
|
||||
|
||||
### 1. हैलो वर्ल्ड - डेटा साइंस स्टाइल
|
||||
**फ़ाइल:** `01_hello_world_data_science.py`
|
||||
|
||||
आपका पहला डेटा साइंस प्रोग्राम! सीखें:
|
||||
- एक सरल डेटा सेट लोड करना
|
||||
- अपने डेटा के बारे में बुनियादी जानकारी प्रदर्शित करना
|
||||
- अपना पहला डेटा साइंस आउटपुट प्रिंट करना
|
||||
|
||||
उन शुरुआती लोगों के लिए बिल्कुल सही जो अपना पहला डेटा साइंस प्रोग्राम देखना चाहते हैं।
|
||||
|
||||
---
|
||||
|
||||
### 2. डेटा लोड करना और एक्सप्लोर करना
|
||||
**फ़ाइल:** `02_loading_data.py`
|
||||
|
||||
डेटा के साथ काम करने की मूल बातें सीखें:
|
||||
- CSV फ़ाइलों से डेटा पढ़ना
|
||||
- अपने डेटा सेट की पहली कुछ पंक्तियाँ देखना
|
||||
- अपने डेटा के बारे में बुनियादी आँकड़े प्राप्त करना
|
||||
- डेटा प्रकारों को समझना
|
||||
|
||||
यह किसी भी डेटा साइंस प्रोजेक्ट में अक्सर पहला कदम होता है!
|
||||
|
||||
---
|
||||
|
||||
### 3. सरल डेटा विश्लेषण
|
||||
**फ़ाइल:** `03_simple_analysis.py`
|
||||
|
||||
अपना पहला डेटा विश्लेषण करें:
|
||||
- बुनियादी आँकड़े (मीन, मीडियन, मोड) की गणना करें
|
||||
- अधिकतम और न्यूनतम मान खोजें
|
||||
- मानों की घटनाओं की गिनती करें
|
||||
- शर्तों के आधार पर डेटा को फ़िल्टर करें
|
||||
|
||||
देखें कि अपने डेटा के बारे में सरल सवालों का जवाब कैसे दिया जाता है।
|
||||
|
||||
---
|
||||
|
||||
### 4. डेटा विज़ुअलाइज़ेशन की मूल बातें
|
||||
**फ़ाइल:** `04_basic_visualization.py`
|
||||
|
||||
अपना पहला विज़ुअलाइज़ेशन बनाएं:
|
||||
- एक सरल बार चार्ट बनाएं
|
||||
- एक लाइन प्लॉट बनाएं
|
||||
- एक पाई चार्ट जनरेट करें
|
||||
- अपने विज़ुअलाइज़ेशन को इमेज के रूप में सेव करें
|
||||
|
||||
अपने निष्कर्षों को दृश्य रूप से संवाद करना सीखें!
|
||||
|
||||
---
|
||||
|
||||
### 5. वास्तविक डेटा के साथ काम करना
|
||||
**फ़ाइल:** `05_real_world_example.py`
|
||||
|
||||
एक पूर्ण उदाहरण के साथ सब कुछ एक साथ रखें:
|
||||
- रिपॉजिटरी से वास्तविक डेटा लोड करें
|
||||
- डेटा को साफ और तैयार करें
|
||||
- विश्लेषण करें
|
||||
- सार्थक विज़ुअलाइज़ेशन बनाएं
|
||||
- निष्कर्ष निकालें
|
||||
|
||||
यह उदाहरण आपको शुरुआत से अंत तक एक संपूर्ण वर्कफ़्लो दिखाता है।
|
||||
|
||||
---
|
||||
|
||||
## 🎯 इन उदाहरणों का उपयोग कैसे करें
|
||||
|
||||
1. **शुरुआत से शुरू करें**: उदाहरण कठिनाई के क्रम में क्रमांकित हैं। `01_hello_world_data_science.py` से शुरू करें और आगे बढ़ें।
|
||||
|
||||
2. **टिप्पणियाँ पढ़ें**: प्रत्येक फ़ाइल में विस्तृत टिप्पणियाँ हैं जो कोड क्या करता है और क्यों करता है, इसे समझाती हैं। उन्हें ध्यान से पढ़ें!
|
||||
|
||||
3. **प्रयोग करें**: कोड को संशोधित करने की कोशिश करें। यदि आप कोई मान बदलते हैं तो क्या होता है? चीजों को तोड़ें और उन्हें ठीक करें - यही सीखने का तरीका है!
|
||||
|
||||
4. **कोड चलाएं**: प्रत्येक उदाहरण को चलाएं और आउटपुट देखें। इसे अपनी अपेक्षाओं से तुलना करें।
|
||||
|
||||
5. **इस पर निर्माण करें**: एक उदाहरण को समझने के बाद, इसे अपने विचारों के साथ विस्तारित करने की कोशिश करें।
|
||||
|
||||
## 💡 शुरुआती लोगों के लिए सुझाव
|
||||
|
||||
- **जल्दी मत करें**: अगले उदाहरण पर जाने से पहले प्रत्येक उदाहरण को समझने में समय लगाएं
|
||||
- **कोड खुद टाइप करें**: केवल कॉपी-पेस्ट न करें। टाइपिंग आपको सीखने और याद रखने में मदद करती है
|
||||
- **अनजान अवधारणाओं को देखें**: यदि आप कुछ ऐसा देखते हैं जिसे आप नहीं समझते हैं, तो इसे ऑनलाइन या मुख्य पाठों में खोजें
|
||||
- **सवाल पूछें**: यदि आपको मदद की ज़रूरत है तो [डिस्कशन फोरम](https://github.com/microsoft/Data-Science-For-Beginners/discussions) में शामिल हों
|
||||
- **नियमित रूप से अभ्यास करें**: सप्ताह में एक बार लंबे सत्रों के बजाय हर दिन थोड़ा कोड करने की कोशिश करें
|
||||
|
||||
## 🔗 अगले कदम
|
||||
|
||||
इन उदाहरणों को पूरा करने के बाद, आप तैयार हैं:
|
||||
- मुख्य पाठ्यक्रम पाठों के माध्यम से काम करें
|
||||
- प्रत्येक पाठ फ़ोल्डर में असाइनमेंट आज़माएं
|
||||
- अधिक गहन सीखने के लिए Jupyter नोटबुक्स का अन्वेषण करें
|
||||
- अपने खुद के डेटा साइंस प्रोजेक्ट बनाएं
|
||||
|
||||
## 📚 अतिरिक्त संसाधन
|
||||
|
||||
- [मुख्य पाठ्यक्रम](../README.md) - पूरा 20-पाठ का कोर्स
|
||||
- [शिक्षकों के लिए](../for-teachers.md) - इस पाठ्यक्रम का अपनी कक्षा में उपयोग करना
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - मुफ्त ऑनलाइन सीखने के संसाधन
|
||||
- [Python Documentation](https://docs.python.org/3/) - आधिकारिक Python संदर्भ
|
||||
|
||||
## 🤝 योगदान
|
||||
|
||||
कोई बग मिला या किसी नए उदाहरण के लिए कोई विचार है? हम योगदान का स्वागत करते हैं! कृपया हमारा [Contributing Guide](../CONTRIBUTING.md) देखें।
|
||||
|
||||
---
|
||||
|
||||
**खुशहाल सीखना! 🎉**
|
||||
|
||||
याद रखें: हर विशेषज्ञ कभी शुरुआती था। इसे एक कदम में लें, और गलतियाँ करने से न डरें - वे सीखने की प्रक्रिया का हिस्सा हैं!
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता सुनिश्चित करने का प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:08:27+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "hr"
|
||||
}
|
||||
-->
|
||||
# Primjeri za početnike u znanosti o podacima
|
||||
|
||||
Dobrodošli u direktorij s primjerima! Ova zbirka jednostavnih, dobro komentiranih primjera osmišljena je kako bi vam pomogla započeti sa znanošću o podacima, čak i ako ste potpuni početnik.
|
||||
|
||||
## 📚 Što ćete ovdje pronaći
|
||||
|
||||
Svaki primjer je samostalan i uključuje:
|
||||
- **Jasne komentare** koji objašnjavaju svaki korak
|
||||
- **Jednostavan, čitljiv kod** koji demonstrira jedan koncept odjednom
|
||||
- **Kontekst iz stvarnog svijeta** kako biste razumjeli kada i zašto koristiti ove tehnike
|
||||
- **Očekivani izlaz** kako biste znali što tražiti
|
||||
|
||||
## 🚀 Početak rada
|
||||
|
||||
### Preduvjeti
|
||||
Prije nego pokrenete ove primjere, provjerite imate li:
|
||||
- Instaliran Python 3.7 ili noviji
|
||||
- Osnovno razumijevanje kako pokrenuti Python skripte
|
||||
|
||||
### Instalacija potrebnih biblioteka
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Pregled primjera
|
||||
|
||||
### 1. Hello World - Stil znanosti o podacima
|
||||
**Datoteka:** `01_hello_world_data_science.py`
|
||||
|
||||
Vaš prvi program za znanost o podacima! Naučite kako:
|
||||
- Učitati jednostavan skup podataka
|
||||
- Prikazati osnovne informacije o vašim podacima
|
||||
- Ispisati svoj prvi izlaz u znanosti o podacima
|
||||
|
||||
Savršeno za apsolutne početnike koji žele vidjeti svoj prvi program u akciji.
|
||||
|
||||
---
|
||||
|
||||
### 2. Učitavanje i istraživanje podataka
|
||||
**Datoteka:** `02_loading_data.py`
|
||||
|
||||
Naučite osnove rada s podacima:
|
||||
- Čitanje podataka iz CSV datoteka
|
||||
- Pregled prvih nekoliko redaka vašeg skupa podataka
|
||||
- Dobivanje osnovnih statistika o podacima
|
||||
- Razumijevanje tipova podataka
|
||||
|
||||
Ovo je često prvi korak u svakom projektu znanosti o podacima!
|
||||
|
||||
---
|
||||
|
||||
### 3. Jednostavna analiza podataka
|
||||
**Datoteka:** `03_simple_analysis.py`
|
||||
|
||||
Provedite svoju prvu analizu podataka:
|
||||
- Izračunajte osnovne statistike (srednja vrijednost, medijan, modus)
|
||||
- Pronađite maksimalne i minimalne vrijednosti
|
||||
- Brojite pojavljivanja vrijednosti
|
||||
- Filtrirajte podatke na temelju uvjeta
|
||||
|
||||
Pogledajte kako odgovoriti na jednostavna pitanja o vašim podacima.
|
||||
|
||||
---
|
||||
|
||||
### 4. Osnove vizualizacije podataka
|
||||
**Datoteka:** `04_basic_visualization.py`
|
||||
|
||||
Izradite svoje prve vizualizacije:
|
||||
- Napravite jednostavan stupčasti grafikon
|
||||
- Kreirajte linijski grafikon
|
||||
- Generirajte tortni grafikon
|
||||
- Spremite svoje vizualizacije kao slike
|
||||
|
||||
Naučite kako vizualno prenijeti svoje zaključke!
|
||||
|
||||
---
|
||||
|
||||
### 5. Rad s pravim podacima
|
||||
**Datoteka:** `05_real_world_example.py`
|
||||
|
||||
Spojite sve u cjelovit primjer:
|
||||
- Učitajte stvarne podatke iz repozitorija
|
||||
- Očistite i pripremite podatke
|
||||
- Provedite analizu
|
||||
- Kreirajte značajne vizualizacije
|
||||
- Izvedite zaključke
|
||||
|
||||
Ovaj primjer prikazuje cjelokupan tijek rada od početka do kraja.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Kako koristiti ove primjere
|
||||
|
||||
1. **Počnite od početka**: Primjeri su numerirani prema težini. Započnite s `01_hello_world_data_science.py` i nastavite redom.
|
||||
|
||||
2. **Čitajte komentare**: Svaka datoteka ima detaljne komentare koji objašnjavaju što kod radi i zašto. Pažljivo ih pročitajte!
|
||||
|
||||
3. **Eksperimentirajte**: Pokušajte mijenjati kod. Što se događa ako promijenite vrijednost? Razbijte stvari i popravite ih - tako se uči!
|
||||
|
||||
4. **Pokrenite kod**: Izvršite svaki primjer i promatrajte izlaz. Usporedite ga s onim što ste očekivali.
|
||||
|
||||
5. **Nadogradite**: Kada razumijete primjer, pokušajte ga proširiti vlastitim idejama.
|
||||
|
||||
## 💡 Savjeti za početnike
|
||||
|
||||
- **Ne žurite**: Odvojite vrijeme da razumijete svaki primjer prije nego prijeđete na sljedeći
|
||||
- **Upišite kod sami**: Nemojte samo kopirati i zalijepiti. Pisanje koda pomaže vam da učite i zapamtite
|
||||
- **Istražite nepoznate pojmove**: Ako vidite nešto što ne razumijete, potražite to online ili u glavnim lekcijama
|
||||
- **Postavljajte pitanja**: Pridružite se [forumu za raspravu](https://github.com/microsoft/Data-Science-For-Beginners/discussions) ako trebate pomoć
|
||||
- **Redovito vježbajte**: Pokušajte kodirati malo svaki dan, umjesto dugih sesija jednom tjedno
|
||||
|
||||
## 🔗 Sljedeći koraci
|
||||
|
||||
Nakon što završite ove primjere, spremni ste za:
|
||||
- Rad kroz glavne lekcije kurikuluma
|
||||
- Pokušaj rješavanja zadataka u svakoj mapi lekcija
|
||||
- Istraživanje Jupyter bilježnica za detaljnije učenje
|
||||
- Kreiranje vlastitih projekata iz znanosti o podacima
|
||||
|
||||
## 📚 Dodatni resursi
|
||||
|
||||
- [Glavni kurikulum](../README.md) - Kompletan tečaj od 20 lekcija
|
||||
- [Za nastavnike](../for-teachers.md) - Korištenje ovog kurikuluma u učionici
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Besplatni online resursi za učenje
|
||||
- [Python dokumentacija](https://docs.python.org/3/) - Službena Python referenca
|
||||
|
||||
## 🤝 Doprinos
|
||||
|
||||
Pronašli ste grešku ili imate ideju za novi primjer? Pozdravljamo doprinose! Pogledajte naš [Vodič za doprinos](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Sretno u učenju! 🎉**
|
||||
|
||||
Zapamtite: Svaki stručnjak je jednom bio početnik. Idite korak po korak i ne bojte se pogrešaka - one su dio procesa učenja!
|
||||
|
||||
---
|
||||
|
||||
**Odricanje od odgovornosti**:
|
||||
Ovaj dokument je preveden koristeći AI uslugu za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije proizašle iz korištenja ovog prijevoda.
|
||||
@ -0,0 +1,145 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:06:24+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Kezdőbarát Adattudományi Példák
|
||||
|
||||
Üdvözlünk a példák könyvtárában! Ez a gyűjtemény egyszerű, jól kommentált példákat tartalmaz, amelyek segítenek elkezdeni az adattudományt, még akkor is, ha teljesen kezdő vagy.
|
||||
|
||||
## 📚 Mit Találsz Itt?
|
||||
|
||||
Minden példa önállóan használható, és tartalmazza:
|
||||
- **Érthető kommentek**, amelyek minden lépést elmagyaráznak
|
||||
- **Egyszerű, könnyen olvasható kód**, amely egy-egy fogalmat mutat be
|
||||
- **Valós életből vett kontextus**, hogy megértsd, mikor és miért használjuk ezeket a technikákat
|
||||
- **Várható kimenet**, hogy tudd, mit kell keresned
|
||||
|
||||
## 🚀 Első Lépések
|
||||
|
||||
### Előfeltételek
|
||||
Mielőtt futtatnád a példákat, győződj meg róla, hogy:
|
||||
- Telepítve van a Python 3.7 vagy újabb verziója
|
||||
- Alapvető ismeretekkel rendelkezel a Python szkriptek futtatásáról
|
||||
|
||||
### Szükséges Könyvtárak Telepítése
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Példák Áttekintése
|
||||
|
||||
### 1. Hello World - Adattudomány Stílusban
|
||||
**Fájl:** `01_hello_world_data_science.py`
|
||||
|
||||
Az első adattudományi programod! Megtanulhatod:
|
||||
- Hogyan tölts be egy egyszerű adatállományt
|
||||
- Hogyan jeleníts meg alapvető információkat az adataidról
|
||||
- Hogyan készítsd el az első adattudományi kimenetedet
|
||||
|
||||
Tökéletes kezdőknek, akik szeretnék látni az első adattudományi programjuk működését.
|
||||
|
||||
---
|
||||
|
||||
### 2. Adatok Betöltése és Felfedezése
|
||||
**Fájl:** `02_loading_data.py`
|
||||
|
||||
Ismerd meg az adatokkal való munka alapjait:
|
||||
- Adatok beolvasása CSV fájlokból
|
||||
- Az adatállomány első néhány sorának megtekintése
|
||||
- Alapvető statisztikák az adataidról
|
||||
- Adattípusok megértése
|
||||
|
||||
Ez gyakran az első lépés bármely adattudományi projektben!
|
||||
|
||||
---
|
||||
|
||||
### 3. Egyszerű Adatelemzés
|
||||
**Fájl:** `03_simple_analysis.py`
|
||||
|
||||
Végezd el az első adatelemzésedet:
|
||||
- Alapvető statisztikák kiszámítása (átlag, medián, módusz)
|
||||
- Maximum és minimum értékek keresése
|
||||
- Értékek előfordulásának számlálása
|
||||
- Adatok szűrése feltételek alapján
|
||||
|
||||
Lásd, hogyan válaszolhatsz egyszerű kérdésekre az adataiddal kapcsolatban.
|
||||
|
||||
---
|
||||
|
||||
### 4. Adatok Vizualizációjának Alapjai
|
||||
**Fájl:** `04_basic_visualization.py`
|
||||
|
||||
Készítsd el az első vizualizációidat:
|
||||
- Egyszerű oszlopdiagram készítése
|
||||
- Vonaldiagram létrehozása
|
||||
- Kördiagram generálása
|
||||
- Vizualizációk mentése képként
|
||||
|
||||
Tanuld meg, hogyan kommunikálhatod az eredményeidet vizuálisan!
|
||||
|
||||
---
|
||||
|
||||
### 5. Munka Valós Adatokkal
|
||||
**Fájl:** `05_real_world_example.py`
|
||||
|
||||
Rakd össze mindent egy teljes példában:
|
||||
- Valós adatok betöltése a tárolóból
|
||||
- Adatok tisztítása és előkészítése
|
||||
- Elemzés végrehajtása
|
||||
- Jelentős vizualizációk készítése
|
||||
- Következtetések levonása
|
||||
|
||||
Ez a példa bemutatja a teljes munkafolyamatot az elejétől a végéig.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Hogyan Használd Ezeket a Példákat
|
||||
|
||||
1. **Kezdd az elején**: A példák nehézségi sorrendben vannak számozva. Kezdd a `01_hello_world_data_science.py` fájllal, és haladj sorban.
|
||||
2. **Olvasd el a kommenteket**: Minden fájl részletes kommenteket tartalmaz, amelyek elmagyarázzák, mit csinál a kód és miért. Olvasd el őket figyelmesen!
|
||||
3. **Kísérletezz**: Próbáld meg módosítani a kódot. Mi történik, ha megváltoztatsz egy értéket? Törd össze a dolgokat, majd javítsd meg őket - így tanulsz!
|
||||
4. **Futtasd a kódot**: Hajtsd végre minden példát, és figyeld meg a kimenetet. Hasonlítsd össze azzal, amit vártál.
|
||||
5. **Építs rá**: Miután megértettél egy példát, próbáld meg kiegészíteni saját ötleteiddel.
|
||||
|
||||
## 💡 Tippek Kezdőknek
|
||||
|
||||
- **Ne siess**: Szánj időt minden példa megértésére, mielőtt továbblépnél
|
||||
- **Írd be magad a kódot**: Ne csak másold-beilleszd. Az írás segít tanulni és emlékezni
|
||||
- **Keress rá az ismeretlen fogalmakra**: Ha valami olyat látsz, amit nem értesz, keress rá online vagy a fő leckékben
|
||||
- **Tegyél fel kérdéseket**: Csatlakozz a [vitafórumhoz](https://github.com/microsoft/Data-Science-For-Beginners/discussions), ha segítségre van szükséged
|
||||
- **Gyakorolj rendszeresen**: Próbálj meg minden nap egy kicsit kódolni, ahelyett hogy hetente egyszer hosszú üléseket tartanál
|
||||
|
||||
## 🔗 Következő Lépések
|
||||
|
||||
Miután befejezted ezeket a példákat, készen állsz:
|
||||
- A fő tananyag leckéinek feldolgozására
|
||||
- A leckék mappáiban található feladatok kipróbálására
|
||||
- A Jupyter notebookok felfedezésére mélyebb tanulás érdekében
|
||||
- Saját adattudományi projektek létrehozására
|
||||
|
||||
## 📚 További Források
|
||||
|
||||
- [Fő Tananyag](../README.md) - A teljes 20 leckés kurzus
|
||||
- [Tanároknak](../for-teachers.md) - Hogyan használhatod ezt a tananyagot az osztályteremben
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Ingyenes online tanulási források
|
||||
- [Python Dokumentáció](https://docs.python.org/3/) - Hivatalos Python referencia
|
||||
|
||||
## 🤝 Közreműködés
|
||||
|
||||
Találtál egy hibát, vagy van ötleted egy új példára? Szívesen fogadjuk a közreműködéseket! Kérlek, nézd meg a [Közreműködési Útmutatót](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Jó tanulást! 🎉**
|
||||
|
||||
Ne feledd: Minden szakértő egyszer kezdő volt. Haladj lépésről lépésre, és ne félj hibázni - ez a tanulási folyamat része!
|
||||
|
||||
---
|
||||
|
||||
**Felelősség kizárása**:
|
||||
Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget az ebből a fordításból eredő félreértésekért vagy téves értelmezésekért.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:05:08+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Contoh Data Science untuk Pemula
|
||||
|
||||
Selamat datang di direktori contoh! Koleksi contoh sederhana dengan komentar yang jelas ini dirancang untuk membantu Anda memulai dengan data science, bahkan jika Anda benar-benar pemula.
|
||||
|
||||
## 📚 Apa yang Akan Anda Temukan di Sini
|
||||
|
||||
Setiap contoh bersifat mandiri dan mencakup:
|
||||
- **Komentar yang jelas** yang menjelaskan setiap langkah
|
||||
- **Kode yang sederhana dan mudah dibaca** yang menunjukkan satu konsep pada satu waktu
|
||||
- **Konteks dunia nyata** untuk membantu Anda memahami kapan dan mengapa menggunakan teknik ini
|
||||
- **Output yang diharapkan** sehingga Anda tahu apa yang harus dicari
|
||||
|
||||
## 🚀 Memulai
|
||||
|
||||
### Prasyarat
|
||||
Sebelum menjalankan contoh-contoh ini, pastikan Anda memiliki:
|
||||
- Python 3.7 atau versi lebih tinggi terinstal
|
||||
- Pemahaman dasar tentang cara menjalankan skrip Python
|
||||
|
||||
### Menginstal Library yang Dibutuhkan
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Ikhtisar Contoh
|
||||
|
||||
### 1. Hello World - Gaya Data Science
|
||||
**File:** `01_hello_world_data_science.py`
|
||||
|
||||
Program data science pertama Anda! Pelajari cara:
|
||||
- Memuat dataset sederhana
|
||||
- Menampilkan informasi dasar tentang data Anda
|
||||
- Mencetak output data science pertama Anda
|
||||
|
||||
Sempurna untuk pemula yang ingin melihat program data science pertama mereka beraksi.
|
||||
|
||||
---
|
||||
|
||||
### 2. Memuat dan Mengeksplorasi Data
|
||||
**File:** `02_loading_data.py`
|
||||
|
||||
Pelajari dasar-dasar bekerja dengan data:
|
||||
- Membaca data dari file CSV
|
||||
- Melihat beberapa baris pertama dari dataset Anda
|
||||
- Mendapatkan statistik dasar tentang data Anda
|
||||
- Memahami tipe data
|
||||
|
||||
Ini sering menjadi langkah pertama dalam proyek data science apa pun!
|
||||
|
||||
---
|
||||
|
||||
### 3. Analisis Data Sederhana
|
||||
**File:** `03_simple_analysis.py`
|
||||
|
||||
Lakukan analisis data pertama Anda:
|
||||
- Menghitung statistik dasar (mean, median, mode)
|
||||
- Menemukan nilai maksimum dan minimum
|
||||
- Menghitung frekuensi nilai
|
||||
- Memfilter data berdasarkan kondisi
|
||||
|
||||
Lihat bagaimana menjawab pertanyaan sederhana tentang data Anda.
|
||||
|
||||
---
|
||||
|
||||
### 4. Dasar-Dasar Visualisasi Data
|
||||
**File:** `04_basic_visualization.py`
|
||||
|
||||
Buat visualisasi pertama Anda:
|
||||
- Membuat diagram batang sederhana
|
||||
- Membuat plot garis
|
||||
- Menghasilkan diagram pie
|
||||
- Menyimpan visualisasi Anda sebagai gambar
|
||||
|
||||
Pelajari cara menyampaikan temuan Anda secara visual!
|
||||
|
||||
---
|
||||
|
||||
### 5. Bekerja dengan Data Nyata
|
||||
**File:** `05_real_world_example.py`
|
||||
|
||||
Gabungkan semuanya dengan contoh lengkap:
|
||||
- Memuat data nyata dari repositori
|
||||
- Membersihkan dan mempersiapkan data
|
||||
- Melakukan analisis
|
||||
- Membuat visualisasi yang bermakna
|
||||
- Menarik kesimpulan
|
||||
|
||||
Contoh ini menunjukkan alur kerja lengkap dari awal hingga akhir.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Cara Menggunakan Contoh-Contoh Ini
|
||||
|
||||
1. **Mulai dari awal**: Contoh-contoh ini diberi nomor berdasarkan tingkat kesulitan. Mulailah dengan `01_hello_world_data_science.py` dan lanjutkan secara berurutan.
|
||||
|
||||
2. **Baca komentar**: Setiap file memiliki komentar yang terperinci yang menjelaskan apa yang dilakukan kode dan mengapa. Bacalah dengan cermat!
|
||||
|
||||
3. **Bereksperimen**: Cobalah memodifikasi kode. Apa yang terjadi jika Anda mengubah nilai? Cobalah membuat kesalahan dan memperbaikinya - itulah cara belajar!
|
||||
|
||||
4. **Jalankan kode**: Eksekusi setiap contoh dan amati outputnya. Bandingkan dengan apa yang Anda harapkan.
|
||||
|
||||
5. **Kembangkan**: Setelah Anda memahami sebuah contoh, cobalah memperluasnya dengan ide-ide Anda sendiri.
|
||||
|
||||
## 💡 Tips untuk Pemula
|
||||
|
||||
- **Jangan terburu-buru**: Luangkan waktu untuk memahami setiap contoh sebelum melanjutkan ke yang berikutnya
|
||||
- **Ketik kode sendiri**: Jangan hanya copy-paste. Mengetik membantu Anda belajar dan mengingat
|
||||
- **Cari konsep yang tidak dikenal**: Jika Anda melihat sesuatu yang tidak Anda pahami, cari tahu secara online atau di pelajaran utama
|
||||
- **Ajukan pertanyaan**: Bergabunglah dengan [forum diskusi](https://github.com/microsoft/Data-Science-For-Beginners/discussions) jika Anda membutuhkan bantuan
|
||||
- **Berlatih secara teratur**: Cobalah untuk coding sedikit setiap hari daripada sesi panjang sekali seminggu
|
||||
|
||||
## 🔗 Langkah Selanjutnya
|
||||
|
||||
Setelah menyelesaikan contoh-contoh ini, Anda siap untuk:
|
||||
- Mengerjakan pelajaran utama dalam kurikulum
|
||||
- Mencoba tugas di setiap folder pelajaran
|
||||
- Mengeksplorasi notebook Jupyter untuk pembelajaran yang lebih mendalam
|
||||
- Membuat proyek data science Anda sendiri
|
||||
|
||||
## 📚 Sumber Daya Tambahan
|
||||
|
||||
- [Kurikulum Utama](../README.md) - Kursus lengkap 20 pelajaran
|
||||
- [Untuk Guru](../for-teachers.md) - Menggunakan kurikulum ini di kelas Anda
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Sumber belajar online gratis
|
||||
- [Dokumentasi Python](https://docs.python.org/3/) - Referensi resmi Python
|
||||
|
||||
## 🤝 Kontribusi
|
||||
|
||||
Menemukan bug atau memiliki ide untuk contoh baru? Kami menyambut kontribusi! Silakan lihat [Panduan Kontribusi](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Selamat Belajar! 🎉**
|
||||
|
||||
Ingat: Setiap ahli dulunya adalah pemula. Ambil langkah satu per satu, dan jangan takut membuat kesalahan - itu adalah bagian dari proses belajar!
|
||||
|
||||
---
|
||||
|
||||
**Penafian**:
|
||||
Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:01:21+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "it"
|
||||
}
|
||||
-->
|
||||
# Esempi di Data Science per Principianti
|
||||
|
||||
Benvenuto nella directory degli esempi! Questa raccolta di esempi semplici e ben commentati è pensata per aiutarti a iniziare con la data science, anche se sei un principiante assoluto.
|
||||
|
||||
## 📚 Cosa Troverai Qui
|
||||
|
||||
Ogni esempio è autonomo e include:
|
||||
- **Commenti chiari** che spiegano ogni passaggio
|
||||
- **Codice semplice e leggibile** che dimostra un concetto alla volta
|
||||
- **Contesto reale** per aiutarti a capire quando e perché utilizzare queste tecniche
|
||||
- **Output previsto** così sai cosa cercare
|
||||
|
||||
## 🚀 Per Iniziare
|
||||
|
||||
### Prerequisiti
|
||||
Prima di eseguire questi esempi, assicurati di avere:
|
||||
- Python 3.7 o superiore installato
|
||||
- Una conoscenza di base su come eseguire script Python
|
||||
|
||||
### Installazione delle Librerie Necessarie
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Panoramica degli Esempi
|
||||
|
||||
### 1. Hello World - Stile Data Science
|
||||
**File:** `01_hello_world_data_science.py`
|
||||
|
||||
Il tuo primo programma di data science! Impara a:
|
||||
- Caricare un dataset semplice
|
||||
- Visualizzare informazioni di base sui tuoi dati
|
||||
- Stampare il tuo primo output di data science
|
||||
|
||||
Perfetto per principianti assoluti che vogliono vedere il loro primo programma di data science in azione.
|
||||
|
||||
---
|
||||
|
||||
### 2. Caricamento ed Esplorazione dei Dati
|
||||
**File:** `02_loading_data.py`
|
||||
|
||||
Impara le basi del lavoro con i dati:
|
||||
- Leggere dati da file CSV
|
||||
- Visualizzare le prime righe del tuo dataset
|
||||
- Ottenere statistiche di base sui tuoi dati
|
||||
- Comprendere i tipi di dati
|
||||
|
||||
Questo è spesso il primo passo in qualsiasi progetto di data science!
|
||||
|
||||
---
|
||||
|
||||
### 3. Analisi Semplice dei Dati
|
||||
**File:** `03_simple_analysis.py`
|
||||
|
||||
Esegui la tua prima analisi dei dati:
|
||||
- Calcolare statistiche di base (media, mediana, moda)
|
||||
- Trovare valori massimi e minimi
|
||||
- Contare le occorrenze dei valori
|
||||
- Filtrare i dati in base a condizioni
|
||||
|
||||
Scopri come rispondere a semplici domande sui tuoi dati.
|
||||
|
||||
---
|
||||
|
||||
### 4. Fondamenti di Visualizzazione dei Dati
|
||||
**File:** `04_basic_visualization.py`
|
||||
|
||||
Crea le tue prime visualizzazioni:
|
||||
- Realizzare un semplice grafico a barre
|
||||
- Creare un grafico a linee
|
||||
- Generare un grafico a torta
|
||||
- Salvare le tue visualizzazioni come immagini
|
||||
|
||||
Impara a comunicare i tuoi risultati visivamente!
|
||||
|
||||
---
|
||||
|
||||
### 5. Lavorare con Dati Reali
|
||||
**File:** `05_real_world_example.py`
|
||||
|
||||
Metti tutto insieme con un esempio completo:
|
||||
- Caricare dati reali dal repository
|
||||
- Pulire e preparare i dati
|
||||
- Eseguire analisi
|
||||
- Creare visualizzazioni significative
|
||||
- Trarre conclusioni
|
||||
|
||||
Questo esempio ti mostra un flusso di lavoro completo dall'inizio alla fine.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Come Utilizzare Questi Esempi
|
||||
|
||||
1. **Inizia dall'inizio**: Gli esempi sono numerati in ordine di difficoltà. Inizia con `01_hello_world_data_science.py` e procedi in ordine.
|
||||
|
||||
2. **Leggi i commenti**: Ogni file ha commenti dettagliati che spiegano cosa fa il codice e perché. Leggili attentamente!
|
||||
|
||||
3. **Sperimenta**: Prova a modificare il codice. Cosa succede se cambi un valore? Rompi le cose e riparale - è così che si impara!
|
||||
|
||||
4. **Esegui il codice**: Esegui ogni esempio e osserva l'output. Confrontalo con ciò che ti aspettavi.
|
||||
|
||||
5. **Costruisci su di esso**: Una volta che hai capito un esempio, prova a estenderlo con le tue idee.
|
||||
|
||||
## 💡 Consigli per Principianti
|
||||
|
||||
- **Non avere fretta**: Prenditi il tempo per capire ogni esempio prima di passare al successivo
|
||||
- **Scrivi il codice tu stesso**: Non limitarti a copiare e incollare. Scrivere aiuta a imparare e ricordare
|
||||
- **Cerca concetti sconosciuti**: Se vedi qualcosa che non capisci, cercalo online o nelle lezioni principali
|
||||
- **Fai domande**: Unisciti al [forum di discussione](https://github.com/microsoft/Data-Science-For-Beginners/discussions) se hai bisogno di aiuto
|
||||
- **Pratica regolarmente**: Cerca di programmare un po' ogni giorno piuttosto che sessioni lunghe una volta a settimana
|
||||
|
||||
## 🔗 Prossimi Passi
|
||||
|
||||
Dopo aver completato questi esempi, sei pronto per:
|
||||
- Seguire le lezioni principali del curriculum
|
||||
- Provare gli esercizi in ogni cartella delle lezioni
|
||||
- Esplorare i notebook Jupyter per un apprendimento più approfondito
|
||||
- Creare i tuoi progetti di data science
|
||||
|
||||
## 📚 Risorse Aggiuntive
|
||||
|
||||
- [Curriculum Principale](../README.md) - Il corso completo di 20 lezioni
|
||||
- [Per Insegnanti](../for-teachers.md) - Utilizzare questo curriculum in classe
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Risorse di apprendimento online gratuite
|
||||
- [Documentazione Python](https://docs.python.org/3/) - Riferimento ufficiale di Python
|
||||
|
||||
## 🤝 Contribuire
|
||||
|
||||
Hai trovato un bug o hai un'idea per un nuovo esempio? Accogliamo con piacere i contributi! Consulta la nostra [Guida per Contribuire](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Buono studio! 🎉**
|
||||
|
||||
Ricorda: Ogni esperto è stato un principiante. Fai un passo alla volta e non aver paura di commettere errori - fanno parte del processo di apprendimento!
|
||||
|
||||
---
|
||||
|
||||
**Clausola di esclusione della responsabilità**:
|
||||
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T12:58:54+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ko"
|
||||
}
|
||||
-->
|
||||
# 초보자를 위한 데이터 과학 예제
|
||||
|
||||
예제 디렉토리에 오신 것을 환영합니다! 이 간단하고 잘 주석 처리된 예제 모음은 데이터 과학을 처음 접하는 분들도 쉽게 시작할 수 있도록 설계되었습니다.
|
||||
|
||||
## 📚 여기서 찾을 수 있는 것들
|
||||
|
||||
각 예제는 독립적으로 구성되어 있으며 다음을 포함합니다:
|
||||
- **명확한 주석**: 모든 단계에 대한 설명
|
||||
- **간단하고 읽기 쉬운 코드**: 한 번에 하나의 개념을 보여줌
|
||||
- **실제 사례**: 언제, 왜 이러한 기술을 사용하는지 이해를 돕는 맥락 제공
|
||||
- **예상 출력**: 결과를 확인할 수 있도록 제공
|
||||
|
||||
## 🚀 시작하기
|
||||
|
||||
### 사전 준비
|
||||
이 예제를 실행하기 전에 다음을 준비하세요:
|
||||
- Python 3.7 이상 설치
|
||||
- Python 스크립트를 실행하는 기본적인 방법 이해
|
||||
|
||||
### 필요한 라이브러리 설치
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 예제 개요
|
||||
|
||||
### 1. Hello World - 데이터 과학 스타일
|
||||
**파일:** `01_hello_world_data_science.py`
|
||||
|
||||
첫 번째 데이터 과학 프로그램! 다음을 배웁니다:
|
||||
- 간단한 데이터셋 로드
|
||||
- 데이터에 대한 기본 정보 표시
|
||||
- 첫 번째 데이터 과학 결과 출력
|
||||
|
||||
데이터 과학을 처음 접하는 분들이 첫 프로그램을 실행해볼 수 있는 완벽한 시작점입니다.
|
||||
|
||||
---
|
||||
|
||||
### 2. 데이터 로드 및 탐색
|
||||
**파일:** `02_loading_data.py`
|
||||
|
||||
데이터 작업의 기본을 배웁니다:
|
||||
- CSV 파일에서 데이터 읽기
|
||||
- 데이터셋의 첫 몇 줄 보기
|
||||
- 데이터에 대한 기본 통계 확인
|
||||
- 데이터 유형 이해
|
||||
|
||||
데이터 과학 프로젝트의 첫 번째 단계로 자주 사용됩니다!
|
||||
|
||||
---
|
||||
|
||||
### 3. 간단한 데이터 분석
|
||||
**파일:** `03_simple_analysis.py`
|
||||
|
||||
첫 데이터 분석 수행:
|
||||
- 기본 통계 계산 (평균, 중앙값, 최빈값)
|
||||
- 최대값 및 최소값 찾기
|
||||
- 값의 발생 횟수 계산
|
||||
- 조건에 따라 데이터 필터링
|
||||
|
||||
데이터에 대한 간단한 질문에 답하는 방법을 배웁니다.
|
||||
|
||||
---
|
||||
|
||||
### 4. 데이터 시각화 기본
|
||||
**파일:** `04_basic_visualization.py`
|
||||
|
||||
첫 번째 시각화 생성:
|
||||
- 간단한 막대 그래프 만들기
|
||||
- 선 그래프 생성
|
||||
- 원형 차트 생성
|
||||
- 시각화를 이미지로 저장
|
||||
|
||||
결과를 시각적으로 전달하는 방법을 배웁니다!
|
||||
|
||||
---
|
||||
|
||||
### 5. 실제 데이터 작업
|
||||
**파일:** `05_real_world_example.py`
|
||||
|
||||
전체 예제를 통해 모든 것을 종합적으로 학습:
|
||||
- 저장소에서 실제 데이터 로드
|
||||
- 데이터 정리 및 준비
|
||||
- 분석 수행
|
||||
- 의미 있는 시각화 생성
|
||||
- 결론 도출
|
||||
|
||||
처음부터 끝까지 완전한 워크플로를 보여주는 예제입니다.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 예제 활용 방법
|
||||
|
||||
1. **처음부터 시작**: 예제는 난이도 순으로 번호가 매겨져 있습니다. `01_hello_world_data_science.py`부터 시작하여 순서대로 진행하세요.
|
||||
|
||||
2. **주석 읽기**: 각 파일에는 코드가 무엇을 하고 왜 그렇게 하는지 설명하는 자세한 주석이 포함되어 있습니다. 주석을 꼼꼼히 읽으세요!
|
||||
|
||||
3. **실험하기**: 코드를 수정해보세요. 값을 변경하면 어떤 일이 일어나는지 확인하세요. 실수하고 고치는 과정에서 배울 수 있습니다.
|
||||
|
||||
4. **코드 실행**: 각 예제를 실행하고 출력 결과를 관찰하세요. 예상한 결과와 비교해보세요.
|
||||
|
||||
5. **확장하기**: 예제를 이해한 후, 자신의 아이디어로 확장해보세요.
|
||||
|
||||
## 💡 초보자를 위한 팁
|
||||
|
||||
- **서두르지 마세요**: 각 예제를 충분히 이해한 후 다음 단계로 넘어가세요.
|
||||
- **직접 코드를 입력하세요**: 복사-붙여넣기만 하지 마세요. 직접 입력하면 학습과 기억에 도움이 됩니다.
|
||||
- **모르는 개념 찾아보기**: 이해되지 않는 것이 있다면 온라인이나 주요 강의에서 검색하세요.
|
||||
- **질문하기**: 도움이 필요하면 [토론 포럼](https://github.com/microsoft/Data-Science-For-Beginners/discussions)에 참여하세요.
|
||||
- **규칙적으로 연습하기**: 일주일에 한 번 긴 시간 동안 공부하기보다는 매일 조금씩 코딩하세요.
|
||||
|
||||
## 🔗 다음 단계
|
||||
|
||||
이 예제를 완료한 후에는 다음을 할 준비가 됩니다:
|
||||
- 주요 커리큘럼 강의를 진행
|
||||
- 각 강의 폴더의 과제 시도
|
||||
- Jupyter 노트북을 탐색하여 더 깊이 있는 학습
|
||||
- 자신만의 데이터 과학 프로젝트 생성
|
||||
|
||||
## 📚 추가 자료
|
||||
|
||||
- [주요 커리큘럼](../README.md) - 전체 20강 과정
|
||||
- [교사를 위한 자료](../for-teachers.md) - 교실에서 이 커리큘럼을 활용하는 방법
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - 무료 온라인 학습 자료
|
||||
- [Python 문서](https://docs.python.org/3/) - 공식 Python 참고 자료
|
||||
|
||||
## 🤝 기여하기
|
||||
|
||||
버그를 발견했거나 새로운 예제에 대한 아이디어가 있나요? 기여를 환영합니다! [기여 가이드](../CONTRIBUTING.md)를 확인하세요.
|
||||
|
||||
---
|
||||
|
||||
**즐거운 학습 되세요! 🎉**
|
||||
|
||||
기억하세요: 모든 전문가도 한때는 초보자였습니다. 한 단계씩 천천히 진행하며 실수를 두려워하지 마세요 - 실수는 학습 과정의 일부입니다!
|
||||
|
||||
---
|
||||
|
||||
**면책 조항**:
|
||||
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전을 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.
|
||||
@ -0,0 +1,145 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:09:57+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "lt"
|
||||
}
|
||||
-->
|
||||
# Pradedančiųjų duomenų mokslas: Pavyzdžiai
|
||||
|
||||
Sveiki atvykę į pavyzdžių katalogą! Ši paprastų, gerai paaiškintų pavyzdžių kolekcija sukurta tam, kad padėtų jums pradėti mokytis duomenų mokslo, net jei esate visiškas naujokas.
|
||||
|
||||
## 📚 Ką rasite čia
|
||||
|
||||
Kiekvienas pavyzdys yra savarankiškas ir apima:
|
||||
- **Aiškius komentarus**, paaiškinančius kiekvieną žingsnį
|
||||
- **Paprastą, lengvai skaitomą kodą**, kuris demonstruoja vieną koncepciją vienu metu
|
||||
- **Realią kontekstą**, padedantį suprasti, kada ir kodėl naudoti šiuos metodus
|
||||
- **Tikėtiną rezultatą**, kad žinotumėte, ko ieškoti
|
||||
|
||||
## 🚀 Pradžia
|
||||
|
||||
### Reikalavimai
|
||||
Prieš paleisdami šiuos pavyzdžius, įsitikinkite, kad turite:
|
||||
- Įdiegtą Python 3.7 ar naujesnę versiją
|
||||
- Pagrindines žinias, kaip paleisti Python skriptus
|
||||
|
||||
### Reikalingų bibliotekų įdiegimas
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Pavyzdžių apžvalga
|
||||
|
||||
### 1. Sveikas pasauli - Duomenų mokslo stilius
|
||||
**Failas:** `01_hello_world_data_science.py`
|
||||
|
||||
Jūsų pirmoji duomenų mokslo programa! Sužinokite, kaip:
|
||||
- Įkelti paprastą duomenų rinkinį
|
||||
- Rodyti pagrindinę informaciją apie savo duomenis
|
||||
- Atspausdinti pirmąjį duomenų mokslo rezultatą
|
||||
|
||||
Puikiai tinka visiškiems naujokams, norintiems pamatyti savo pirmąją duomenų mokslo programą veikiančią.
|
||||
|
||||
---
|
||||
|
||||
### 2. Duomenų įkėlimas ir tyrinėjimas
|
||||
**Failas:** `02_loading_data.py`
|
||||
|
||||
Išmokite pagrindus, kaip dirbti su duomenimis:
|
||||
- Skaityti duomenis iš CSV failų
|
||||
- Peržiūrėti pirmas kelias duomenų rinkinio eilutes
|
||||
- Gauti pagrindinę statistiką apie savo duomenis
|
||||
- Suprasti duomenų tipus
|
||||
|
||||
Tai dažnai yra pirmasis žingsnis bet kuriame duomenų mokslo projekte!
|
||||
|
||||
---
|
||||
|
||||
### 3. Paprasta duomenų analizė
|
||||
**Failas:** `03_simple_analysis.py`
|
||||
|
||||
Atlikite savo pirmąją duomenų analizę:
|
||||
- Apskaičiuokite pagrindinę statistiką (vidurkį, medianą, modą)
|
||||
- Raskite maksimalias ir minimalias reikšmes
|
||||
- Suskaičiuokite reikšmių pasikartojimus
|
||||
- Filtruokite duomenis pagal sąlygas
|
||||
|
||||
Sužinokite, kaip atsakyti į paprastus klausimus apie savo duomenis.
|
||||
|
||||
---
|
||||
|
||||
### 4. Duomenų vizualizacijos pagrindai
|
||||
**Failas:** `04_basic_visualization.py`
|
||||
|
||||
Sukurkite savo pirmąsias vizualizacijas:
|
||||
- Sukurkite paprastą stulpelinę diagramą
|
||||
- Sukurkite linijinį grafiką
|
||||
- Sukurkite pyrago diagramą
|
||||
- Išsaugokite savo vizualizacijas kaip paveikslėlius
|
||||
|
||||
Išmokite vizualiai perteikti savo išvadas!
|
||||
|
||||
---
|
||||
|
||||
### 5. Darbas su realiais duomenimis
|
||||
**Failas:** `05_real_world_example.py`
|
||||
|
||||
Sujunkite viską į vieną pilną pavyzdį:
|
||||
- Įkelkite realius duomenis iš saugyklos
|
||||
- Išvalykite ir paruoškite duomenis
|
||||
- Atlikite analizę
|
||||
- Sukurkite prasmingas vizualizacijas
|
||||
- Padarykite išvadas
|
||||
|
||||
Šis pavyzdys parodo visą darbo eigą nuo pradžios iki pabaigos.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Kaip naudotis šiais pavyzdžiais
|
||||
|
||||
1. **Pradėkite nuo pradžių**: Pavyzdžiai sunumeruoti pagal sudėtingumą. Pradėkite nuo `01_hello_world_data_science.py` ir eikite toliau.
|
||||
2. **Skaitykite komentarus**: Kiekviename faile yra išsamūs komentarai, paaiškinantys, ką kodas daro ir kodėl. Skaitykite juos atidžiai!
|
||||
3. **Eksperimentuokite**: Bandykite keisti kodą. Kas nutinka, jei pakeičiate reikšmę? Sugadinkite ir pataisykite - taip mokomasi!
|
||||
4. **Paleiskite kodą**: Vykdykite kiekvieną pavyzdį ir stebėkite rezultatą. Palyginkite jį su tuo, ko tikėjotės.
|
||||
5. **Plėskite**: Kai suprasite pavyzdį, bandykite jį praplėsti savo idėjomis.
|
||||
|
||||
## 💡 Patarimai pradedantiesiems
|
||||
|
||||
- **Neskubėkite**: Skirkite laiko suprasti kiekvieną pavyzdį prieš pereidami prie kito
|
||||
- **Rašykite kodą patys**: Nekopijuokite ir neįklijuokite. Rašymas padeda mokytis ir prisiminti
|
||||
- **Ieškokite nežinomų sąvokų**: Jei matote ką nors nesuprantamo, ieškokite informacijos internete arba pagrindinėse pamokose
|
||||
- **Klauskite**: Prisijunkite prie [diskusijų forumo](https://github.com/microsoft/Data-Science-For-Beginners/discussions), jei jums reikia pagalbos
|
||||
- **Praktikuokitės reguliariai**: Bandykite programuoti šiek tiek kiekvieną dieną, o ne ilgomis sesijomis kartą per savaitę
|
||||
|
||||
## 🔗 Kiti žingsniai
|
||||
|
||||
Baigę šiuos pavyzdžius, būsite pasiruošę:
|
||||
- Dirbti su pagrindinėmis mokymo programos pamokomis
|
||||
- Bandykite užduotis kiekviename pamokų aplanke
|
||||
- Tyrinėkite Jupyter užrašų knygeles, kad mokytumėtės giliau
|
||||
- Kurkite savo duomenų mokslo projektus
|
||||
|
||||
## 📚 Papildomi ištekliai
|
||||
|
||||
- [Pagrindinė mokymo programa](../README.md) - Pilnas 20 pamokų kursas
|
||||
- [Mokytojams](../for-teachers.md) - Kaip naudoti šią mokymo programą klasėje
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Nemokami internetiniai mokymosi ištekliai
|
||||
- [Python dokumentacija](https://docs.python.org/3/) - Oficialus Python vadovas
|
||||
|
||||
## 🤝 Prisidėjimas
|
||||
|
||||
Radote klaidą ar turite idėją naujam pavyzdžiui? Mes laukiame jūsų indėlio! Prašome peržiūrėti mūsų [Prisidėjimo vadovą](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Sėkmės mokantis! 🎉**
|
||||
|
||||
Prisiminkite: Kiekvienas ekspertas kadaise buvo pradedantysis. Ženkite po vieną žingsnį ir nebijokite daryti klaidų - jos yra mokymosi proceso dalis!
|
||||
|
||||
---
|
||||
|
||||
**Atsakomybės atsisakymas**:
|
||||
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar neteisingus aiškinimus, atsiradusius naudojant šį vertimą.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T12:59:46+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "mr"
|
||||
}
|
||||
-->
|
||||
# नवशिक्यांसाठी डेटा सायन्स उदाहरणे
|
||||
|
||||
उदाहरणांच्या या संचात आपले स्वागत आहे! ही सोपी, व्यवस्थित टिपण्या असलेली उदाहरणे डेटा सायन्स शिकण्यास सुरुवात करण्यासाठी डिझाइन केली आहेत, अगदी तुम्ही पूर्णपणे नवशिके असलात तरीही.
|
||||
|
||||
## 📚 येथे तुम्हाला काय सापडेल
|
||||
|
||||
प्रत्येक उदाहरण स्वतंत्र आहे आणि त्यामध्ये समाविष्ट आहे:
|
||||
- **स्पष्ट टिपण्या** ज्या प्रत्येक टप्प्याचे स्पष्टीकरण देतात
|
||||
- **सोपे, वाचनीय कोड** जो एका वेळी एकच संकल्पना दाखवतो
|
||||
- **वास्तविक जीवनातील संदर्भ** जेणेकरून तुम्हाला या तंत्रांचा उपयोग कधी आणि का करायचा हे समजेल
|
||||
- **अपेक्षित आउटपुट** जेणेकरून तुम्हाला काय शोधायचे आहे हे समजेल
|
||||
|
||||
## 🚀 सुरुवात कशी करावी
|
||||
|
||||
### पूर्वतयारी
|
||||
ही उदाहरणे चालवण्यापूर्वी, खात्री करा की तुमच्याकडे:
|
||||
- Python 3.7 किंवा त्यापेक्षा उच्च आवृत्ती स्थापित आहे
|
||||
- Python स्क्रिप्ट कशा चालवायच्या याची मूलभूत समज आहे
|
||||
|
||||
### आवश्यक लायब्ररी स्थापित करणे
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 उदाहरणांचा आढावा
|
||||
|
||||
### 1. हेलो वर्ल्ड - डेटा सायन्स शैली
|
||||
**फाईल:** `01_hello_world_data_science.py`
|
||||
|
||||
तुमचा पहिला डेटा सायन्स प्रोग्राम! शिकाल:
|
||||
- साधा डेटासेट लोड करणे
|
||||
- तुमच्या डेटाबद्दल मूलभूत माहिती दाखवणे
|
||||
- तुमचा पहिला डेटा सायन्स आउटपुट प्रिंट करणे
|
||||
|
||||
अगदी नवशिक्यांसाठी योग्य, जे त्यांचा पहिला डेटा सायन्स प्रोग्राम अॅक्शनमध्ये पाहू इच्छितात.
|
||||
|
||||
---
|
||||
|
||||
### 2. डेटा लोड करणे आणि एक्सप्लोर करणे
|
||||
**फाईल:** `02_loading_data.py`
|
||||
|
||||
डेटासोबत काम करण्याच्या मूलभूत गोष्टी शिकून घ्या:
|
||||
- CSV फाईल्समधून डेटा वाचणे
|
||||
- तुमच्या डेटासेटच्या पहिल्या काही ओळी पाहणे
|
||||
- तुमच्या डेटाबद्दल मूलभूत आकडेवारी मिळवणे
|
||||
- डेटा प्रकार समजून घेणे
|
||||
|
||||
हे कोणत्याही डेटा सायन्स प्रोजेक्टमधील पहिल्या टप्प्यांपैकी एक आहे!
|
||||
|
||||
---
|
||||
|
||||
### 3. साधे डेटा विश्लेषण
|
||||
**फाईल:** `03_simple_analysis.py`
|
||||
|
||||
तुमचे पहिले डेटा विश्लेषण करा:
|
||||
- मूलभूत आकडेवारी (मीन, मीडियन, मोड) काढा
|
||||
- जास्तीत जास्त आणि किमान मूल्ये शोधा
|
||||
- मूल्यांची वारंवारता मोजा
|
||||
- अटींवर आधारित डेटा फिल्टर करा
|
||||
|
||||
तुमच्या डेटाबद्दल साधे प्रश्न कसे सोडवायचे ते पाहा.
|
||||
|
||||
---
|
||||
|
||||
### 4. डेटा व्हिज्युअलायझेशनची मूलभूत तत्त्वे
|
||||
**फाईल:** `04_basic_visualization.py`
|
||||
|
||||
तुमचे पहिले व्हिज्युअलायझेशन तयार करा:
|
||||
- साधा बार चार्ट तयार करा
|
||||
- लाईन प्लॉट तयार करा
|
||||
- पाई चार्ट तयार करा
|
||||
- तुमची व्हिज्युअलायझेशन प्रतिमा म्हणून सेव्ह करा
|
||||
|
||||
तुमच्या निष्कर्षांचे व्हिज्युअल स्वरूपात संप्रेषण कसे करायचे ते शिका!
|
||||
|
||||
---
|
||||
|
||||
### 5. वास्तविक डेटासोबत काम करणे
|
||||
**फाईल:** `05_real_world_example.py`
|
||||
|
||||
संपूर्ण उदाहरणासह सर्व गोष्टी एकत्र करा:
|
||||
- रेपॉझिटरीमधून वास्तविक डेटा लोड करा
|
||||
- डेटा स्वच्छ करा आणि तयार करा
|
||||
- विश्लेषण करा
|
||||
- अर्थपूर्ण व्हिज्युअलायझेशन तयार करा
|
||||
- निष्कर्ष काढा
|
||||
|
||||
हे उदाहरण सुरुवातीपासून शेवटपर्यंत संपूर्ण वर्कफ्लो दाखवते.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 ही उदाहरणे कशी वापरायची
|
||||
|
||||
1. **सुरुवातीपासून सुरुवात करा**: उदाहरणे अडचणीच्या क्रमाने क्रमांकित आहेत. `01_hello_world_data_science.py` पासून सुरुवात करा आणि पुढे जा.
|
||||
|
||||
2. **टिपण्या वाचा**: प्रत्येक फाईलमध्ये कोड काय करतो आणि का करतो याचे तपशीलवार स्पष्टीकरण देणाऱ्या टिपण्या आहेत. त्या काळजीपूर्वक वाचा!
|
||||
|
||||
3. **प्रयोग करा**: कोड बदलून पाहा. एखादे मूल्य बदलल्यास काय होते? गोष्टी बिघडवा आणि दुरुस्त करा - अशा प्रकारे तुम्ही शिकता!
|
||||
|
||||
4. **कोड चालवा**: प्रत्येक उदाहरण चालवा आणि आउटपुट पाहा. ते तुम्ही अपेक्षित केलेल्या गोष्टींशी जुळते का ते तपासा.
|
||||
|
||||
5. **त्यावर आधारित काम करा**: एकदा उदाहरण समजले की, तुमच्या स्वतःच्या कल्पनांसह ते विस्तृत करण्याचा प्रयत्न करा.
|
||||
|
||||
## 💡 नवशिक्यांसाठी टिपा
|
||||
|
||||
- **घाई करू नका**: पुढे जाण्यापूर्वी प्रत्येक उदाहरण समजून घेण्यासाठी वेळ घ्या
|
||||
- **कोड स्वतः टाइप करा**: फक्त कॉपी-पेस्ट करू नका. टाइपिंगमुळे तुम्हाला शिकायला आणि लक्षात ठेवायला मदत होते
|
||||
- **अपरिचित संकल्पना शोधा**: काहीतरी समजले नाही तर, ते ऑनलाइन किंवा मुख्य धड्यांमध्ये शोधा
|
||||
- **प्रश्न विचारा**: [चर्चा मंच](https://github.com/microsoft/Data-Science-For-Beginners/discussions) मध्ये सामील व्हा जर तुम्हाला मदतीची गरज असेल
|
||||
- **नियमित सराव करा**: आठवड्यातून एकदा लांब सत्रांऐवजी दररोज थोडा कोड लिहिण्याचा प्रयत्न करा
|
||||
|
||||
## 🔗 पुढील पावले
|
||||
|
||||
ही उदाहरणे पूर्ण केल्यानंतर, तुम्ही तयार आहात:
|
||||
- मुख्य अभ्यासक्रमातील धडे पूर्ण करण्यासाठी
|
||||
- प्रत्येक धड्याच्या फोल्डरमधील असाइनमेंट्स करण्यासाठी
|
||||
- अधिक सखोल शिक्षणासाठी Jupyter नोटबुक्स एक्सप्लोर करण्यासाठी
|
||||
- तुमचे स्वतःचे डेटा सायन्स प्रोजेक्ट तयार करण्यासाठी
|
||||
|
||||
## 📚 अतिरिक्त संसाधने
|
||||
|
||||
- [मुख्य अभ्यासक्रम](../README.md) - संपूर्ण 20-धड्यांचा कोर्स
|
||||
- [शिक्षकांसाठी](../for-teachers.md) - हा अभ्यासक्रम तुमच्या वर्गात कसा वापरायचा
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - मोफत ऑनलाइन शिक्षण संसाधने
|
||||
- [Python दस्तऐवज](https://docs.python.org/3/) - अधिकृत Python संदर्भ
|
||||
|
||||
## 🤝 योगदान
|
||||
|
||||
काही बग सापडला किंवा नवीन उदाहरणासाठी कल्पना आहे? आम्ही योगदानांचे स्वागत करतो! कृपया आमचा [योगदान मार्गदर्शक](../CONTRIBUTING.md) पहा.
|
||||
|
||||
---
|
||||
|
||||
**शिकण्याचा आनंद घ्या! 🎉**
|
||||
|
||||
लक्षात ठेवा: प्रत्येक तज्ञ कधीतरी नवशिकाच होता. एकावेळी एक पाऊल उचला आणि चुका करण्यास घाबरू नका - त्या शिकण्याच्या प्रक्रियेचा भाग आहेत!
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:05:23+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ms"
|
||||
}
|
||||
-->
|
||||
# Contoh Data Sains Mesra Pemula
|
||||
|
||||
Selamat datang ke direktori contoh! Koleksi contoh yang mudah dan penuh dengan komen ini direka untuk membantu anda memulakan perjalanan dalam data sains, walaupun anda seorang pemula sepenuhnya.
|
||||
|
||||
## 📚 Apa Yang Anda Akan Temui Di Sini
|
||||
|
||||
Setiap contoh adalah berdiri sendiri dan termasuk:
|
||||
- **Komen yang jelas** menerangkan setiap langkah
|
||||
- **Kod yang mudah dibaca** yang menunjukkan satu konsep pada satu masa
|
||||
- **Konteks dunia sebenar** untuk membantu anda memahami bila dan mengapa menggunakan teknik ini
|
||||
- **Output yang dijangka** supaya anda tahu apa yang perlu dicari
|
||||
|
||||
## 🚀 Memulakan
|
||||
|
||||
### Prasyarat
|
||||
Sebelum menjalankan contoh-contoh ini, pastikan anda mempunyai:
|
||||
- Python 3.7 atau lebih tinggi dipasang
|
||||
- Pemahaman asas tentang cara menjalankan skrip Python
|
||||
|
||||
### Memasang Perpustakaan Yang Diperlukan
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Gambaran Keseluruhan Contoh
|
||||
|
||||
### 1. Hello World - Gaya Data Sains
|
||||
**Fail:** `01_hello_world_data_science.py`
|
||||
|
||||
Program data sains pertama anda! Belajar cara:
|
||||
- Memuatkan dataset yang mudah
|
||||
- Memaparkan maklumat asas tentang data anda
|
||||
- Mencetak output data sains pertama anda
|
||||
|
||||
Sesuai untuk pemula mutlak yang ingin melihat program data sains pertama mereka beraksi.
|
||||
|
||||
---
|
||||
|
||||
### 2. Memuatkan dan Meneroka Data
|
||||
**Fail:** `02_loading_data.py`
|
||||
|
||||
Belajar asas bekerja dengan data:
|
||||
- Membaca data dari fail CSV
|
||||
- Melihat beberapa baris pertama dataset anda
|
||||
- Mendapatkan statistik asas tentang data anda
|
||||
- Memahami jenis data
|
||||
|
||||
Ini sering menjadi langkah pertama dalam mana-mana projek data sains!
|
||||
|
||||
---
|
||||
|
||||
### 3. Analisis Data Mudah
|
||||
**Fail:** `03_simple_analysis.py`
|
||||
|
||||
Lakukan analisis data pertama anda:
|
||||
- Mengira statistik asas (purata, median, mod)
|
||||
- Mencari nilai maksimum dan minimum
|
||||
- Mengira kekerapan nilai
|
||||
- Menapis data berdasarkan syarat
|
||||
|
||||
Lihat bagaimana menjawab soalan mudah tentang data anda.
|
||||
|
||||
---
|
||||
|
||||
### 4. Asas Visualisasi Data
|
||||
**Fail:** `04_basic_visualization.py`
|
||||
|
||||
Buat visualisasi pertama anda:
|
||||
- Membuat carta bar yang mudah
|
||||
- Membuat plot garis
|
||||
- Menjana carta pai
|
||||
- Menyimpan visualisasi anda sebagai imej
|
||||
|
||||
Belajar untuk menyampaikan penemuan anda secara visual!
|
||||
|
||||
---
|
||||
|
||||
### 5. Bekerja dengan Data Sebenar
|
||||
**Fail:** `05_real_world_example.py`
|
||||
|
||||
Gabungkan semuanya dengan contoh lengkap:
|
||||
- Memuatkan data sebenar dari repositori
|
||||
- Membersihkan dan menyediakan data
|
||||
- Melakukan analisis
|
||||
- Membuat visualisasi yang bermakna
|
||||
- Membuat kesimpulan
|
||||
|
||||
Contoh ini menunjukkan aliran kerja lengkap dari awal hingga akhir.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Cara Menggunakan Contoh-Contoh Ini
|
||||
|
||||
1. **Mulakan dari awal**: Contoh-contoh ini diberi nombor mengikut tahap kesukaran. Mulakan dengan `01_hello_world_data_science.py` dan teruskan.
|
||||
|
||||
2. **Baca komen**: Setiap fail mempunyai komen terperinci yang menerangkan apa yang dilakukan oleh kod dan mengapa. Bacalah dengan teliti!
|
||||
|
||||
3. **Bereksperimen**: Cuba ubah kod. Apa yang berlaku jika anda mengubah nilai? Pecahkan sesuatu dan perbaiki - itulah cara anda belajar!
|
||||
|
||||
4. **Jalankan kod**: Laksanakan setiap contoh dan perhatikan outputnya. Bandingkan dengan apa yang anda jangkakan.
|
||||
|
||||
5. **Kembangkan**: Setelah anda memahami satu contoh, cuba kembangkan dengan idea anda sendiri.
|
||||
|
||||
## 💡 Petua untuk Pemula
|
||||
|
||||
- **Jangan tergesa-gesa**: Luangkan masa untuk memahami setiap contoh sebelum beralih ke yang seterusnya
|
||||
- **Taip kod sendiri**: Jangan hanya salin-tampal. Mengetik membantu anda belajar dan mengingati
|
||||
- **Cari konsep yang tidak dikenali**: Jika anda melihat sesuatu yang tidak anda fahami, cari maklumat mengenainya secara dalam talian atau dalam pelajaran utama
|
||||
- **Tanya soalan**: Sertai [forum perbincangan](https://github.com/microsoft/Data-Science-For-Beginners/discussions) jika anda memerlukan bantuan
|
||||
- **Berlatih secara berkala**: Cuba kod sedikit setiap hari daripada sesi panjang sekali seminggu
|
||||
|
||||
## 🔗 Langkah Seterusnya
|
||||
|
||||
Selepas melengkapkan contoh-contoh ini, anda bersedia untuk:
|
||||
- Meneruskan pelajaran kurikulum utama
|
||||
- Mencuba tugasan dalam setiap folder pelajaran
|
||||
- Meneroka Jupyter notebooks untuk pembelajaran yang lebih mendalam
|
||||
- Membuat projek data sains anda sendiri
|
||||
|
||||
## 📚 Sumber Tambahan
|
||||
|
||||
- [Kurikulum Utama](../README.md) - Kursus lengkap 20 pelajaran
|
||||
- [Untuk Guru](../for-teachers.md) - Menggunakan kurikulum ini di bilik darjah anda
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Sumber pembelajaran dalam talian percuma
|
||||
- [Dokumentasi Python](https://docs.python.org/3/) - Rujukan rasmi Python
|
||||
|
||||
## 🤝 Menyumbang
|
||||
|
||||
Menemui pepijat atau mempunyai idea untuk contoh baru? Kami mengalu-alukan sumbangan! Sila lihat [Panduan Menyumbang](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Selamat Belajar! 🎉**
|
||||
|
||||
Ingat: Setiap pakar pernah menjadi pemula. Ambil satu langkah pada satu masa, dan jangan takut untuk membuat kesilapan - ia adalah sebahagian daripada proses pembelajaran!
|
||||
|
||||
---
|
||||
|
||||
**Penafian**:
|
||||
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:09:07+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "my"
|
||||
}
|
||||
-->
|
||||
# အခြေခံမှစတင်ရန် Data Science နမူနာများ
|
||||
|
||||
Data Science ကို စတင်လေ့လာလိုသူများအတွက် ဒီနမူနာဖိုင်များကို ကြိုဆိုပါတယ်။ ဒီနမူနာများမှာ ရိုးရှင်းပြီး အဆင်ပြေသော မှတ်ချက်များပါဝင်ပြီး၊ အခြေခံကနေ စတင်လေ့လာသူများအတွက် အထောက်အကူဖြစ်စေဖို့ ရည်ရွယ်ထားပါတယ်။
|
||||
|
||||
## 📚 ဒီမှာ ဘာတွေတွေ့ရမလဲ
|
||||
|
||||
နမူနာတစ်ခုစီမှာ:
|
||||
- **ရှင်းလင်းသော မှတ်ချက်များ** - အဆင့်တိုင်းကို ရှင်းပြထားသည်
|
||||
- **ရိုးရှင်းပြီး ဖတ်လွယ်သော ကုဒ်များ** - တစ်ကြောင်းချင်းစီကို ရှင်းပြထားသည်
|
||||
- **အမှန်တကယ်အသုံးဝင်သော အခြေအနေများ** - ဘယ်အချိန်မှာ ဘာကြောင့် ဒီနည်းလမ်းတွေကို သုံးရမလဲဆိုတာ နားလည်စေသည်
|
||||
- **မျှော်မှန်းရလဒ်များ** - ဘာတွေကို ရှာဖွေကြည့်ရမလဲဆိုတာ သိစေသည်
|
||||
|
||||
## 🚀 စတင်လိုက်ရအောင်
|
||||
|
||||
### လိုအပ်ချက်များ
|
||||
ဒီနမူနာများကို အသုံးပြုရန် မလုပ်မဖြစ်လိုအပ်တာတွေက:
|
||||
- Python 3.7 သို့မဟုတ် အထက်ရှိထားရမည်
|
||||
- Python script များကို အလုပ်လုပ်စေဖို့ အခြေခံနားလည်မှု
|
||||
|
||||
### လိုအပ်သော Library များကို ထည့်သွင်းခြင်း
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 နမူနာများအကြောင်းအရာ
|
||||
|
||||
### 1. Hello World - Data Science ပုံစံ
|
||||
**ဖိုင်:** `01_hello_world_data_science.py`
|
||||
|
||||
Data Science အစပျိုး! သင်လေ့လာမယ့်အရာတွေက:
|
||||
- ရိုးရှင်းတဲ့ dataset တစ်ခုကို load လုပ်ခြင်း
|
||||
- သင့် data အကြောင်းအရာကို ပြသခြင်း
|
||||
- သင့်ရဲ့ ပထမဆုံး Data Science output ကို ထုတ်ပြခြင်း
|
||||
|
||||
Data Science ကို စတင်လေ့လာလိုသူများအတွက် အကောင်းဆုံးနမူနာဖြစ်ပါတယ်။
|
||||
|
||||
---
|
||||
|
||||
### 2. Data ကို Load လုပ်ခြင်းနှင့် စူးစမ်းခြင်း
|
||||
**ဖိုင်:** `02_loading_data.py`
|
||||
|
||||
Data ကို အခြေခံကနေ စတင်လုပ်ဆောင်ခြင်း:
|
||||
- CSV ဖိုင်များမှ Data ကို ဖတ်ခြင်း
|
||||
- Dataset ရဲ့ ပထမဆုံးအတန်းများကို ကြည့်ရှုခြင်း
|
||||
- သင့် Data အကြောင်း အခြေခံစာရင်းများကို ရယူခြင်း
|
||||
- Data type များကို နားလည်ခြင်း
|
||||
|
||||
Data Science project တစ်ခုစတင်ရာမှာ အဓိကအဆင့်ဖြစ်ပါတယ်။
|
||||
|
||||
---
|
||||
|
||||
### 3. ရိုးရှင်းသော Data Analysis
|
||||
**ဖိုင်:** `03_simple_analysis.py`
|
||||
|
||||
သင့်ရဲ့ ပထမဆုံး Data Analysis ကို လုပ်ဆောင်ပါ:
|
||||
- အခြေခံစာရင်းများ (mean, median, mode) ကိုတွက်ချက်ခြင်း
|
||||
- အများဆုံးနှင့် အနည်းဆုံးတန်ဖိုးများကို ရှာဖွေခြင်း
|
||||
- တန်ဖိုးများကို ရေတွက်ခြင်း
|
||||
- အခြေအနေအရ Data ကို Filter လုပ်ခြင်း
|
||||
|
||||
သင့် Data အကြောင်း ရိုးရှင်းသောမေးခွန်းများကို ဖြေရှင်းပေးနိုင်သည်။
|
||||
|
||||
---
|
||||
|
||||
### 4. Data Visualization အခြေခံ
|
||||
**ဖိုင်:** `04_basic_visualization.py`
|
||||
|
||||
သင့်ရဲ့ ပထမဆုံး Visualization များကို ဖန်တီးပါ:
|
||||
- ရိုးရှင်းသော bar chart တစ်ခု ဖန်တီးခြင်း
|
||||
- line plot တစ်ခု ဖန်တီးခြင်း
|
||||
- pie chart တစ်ခု ဖန်တီးခြင်း
|
||||
- သင့်ရဲ့ Visualization များကို ပုံများအဖြစ် သိမ်းဆည်းခြင်း
|
||||
|
||||
သင့်ရဲ့ ရလဒ်များကို ရုပ်ပုံများဖြင့် ပြသနိုင်ရန် လေ့လာပါ။
|
||||
|
||||
---
|
||||
|
||||
### 5. အမှန်တကယ် Data နှင့် အလုပ်လုပ်ခြင်း
|
||||
**ဖိုင်:** `05_real_world_example.py`
|
||||
|
||||
အကုန်လုံးကို ပေါင်းစပ်ပြီး နမူနာတစ်ခုကို ပြုလုပ်ပါ:
|
||||
- Repository မှ အမှန်တကယ် Data ကို Load လုပ်ခြင်း
|
||||
- Data ကို သန့်စင်ပြီး ပြင်ဆင်ခြင်း
|
||||
- Analysis ကို လုပ်ဆောင်ခြင်း
|
||||
- အဓိပ္ပါယ်ရှိသော Visualization များကို ဖန်တီးခြင်း
|
||||
- သင့်ရဲ့ အနိဂုံးကို ဆွေးနွေးခြင်း
|
||||
|
||||
ဒီနမူနာက အစမှ အဆုံးအထိ workflow တစ်ခုကို ပြသပေးပါသည်။
|
||||
|
||||
---
|
||||
|
||||
## 🎯 ဒီနမူနာများကို ဘယ်လိုအသုံးပြုမလဲ
|
||||
|
||||
1. **အစမှစပါ**: နမူနာများကို အခက်အခဲအဆင့်အလိုက် အမှတ်ပေးထားသည်။ `01_hello_world_data_science.py` မှ စတင်ပြီး အဆင့်ဆင့် လေ့လာပါ။
|
||||
|
||||
2. **မှတ်ချက်များကို ဖတ်ပါ**: ဖိုင်တစ်ခုစီမှာ ကုဒ်ရဲ့ အဓိပ္ပာယ်နှင့် အကြောင်းရင်းကို ရှင်းပြထားသော မှတ်ချက်များပါဝင်သည်။ သေချာဖတ်ပါ။
|
||||
|
||||
3. **စမ်းသပ်ပါ**: ကုဒ်ကို ပြင်ဆင်ကြည့်ပါ။ တန်ဖိုးတစ်ခုကို ပြောင်းလဲလိုက်ရင် ဘာဖြစ်မလဲ? ပျက်သွားရင် ပြန်ပြင်ကြည့်ပါ - ဒီလိုနဲ့ သင်ယူနိုင်ပါတယ်။
|
||||
|
||||
4. **ကုဒ်ကို အလုပ်လုပ်စေပါ**: နမူနာတစ်ခုစီကို အလုပ်လုပ်စေပြီး ရလဒ်ကို ကြည့်ပါ။ သင့်မျှော်မှန်းချက်နဲ့ နှိုင်းယှဉ်ကြည့်ပါ။
|
||||
|
||||
5. **ဆက်လက်တိုးချဲ့ပါ**: နမူနာတစ်ခုကို နားလည်ပြီးရင် သင့်ရဲ့ အကြံအစည်များနဲ့ တိုးချဲ့ကြည့်ပါ။
|
||||
|
||||
## 💡 အခြေခံလေ့လာသူများအတွက် အကြံပြုချက်များ
|
||||
|
||||
- **မလျှင်မရှားပါနဲ့**: နမူနာတစ်ခုစီကို နားလည်ပြီးမှ နောက်တစ်ခုဆက်သွားပါ
|
||||
- **ကိုယ်တိုင်ရိုက်ပါ**: ကုဒ်ကို ကူးမရိုက်ပါနဲ့။ ကိုယ်တိုင်ရိုက်ရင် သင်ယူနိုင်ပြီး မှတ်မိလွယ်ပါတယ်
|
||||
- **မသိတာတွေကို ရှာဖွေပါ**: နားမလည်တဲ့အရာတွေကို အွန်လိုင်းမှာ ရှာဖွေပါ
|
||||
- **မေးမြန်းပါ**: [ဆွေးနွေးမှုဖိုရမ်](https://github.com/microsoft/Data-Science-For-Beginners/discussions) ကို ဝင်ပြီး အကူအညီတောင်းပါ
|
||||
- **ပုံမှန်လေ့ကျင့်ပါ**: တစ်ပတ်တစ်ကြိမ်ကြာကြာလုပ်တာထက် နေ့စဉ်နည်းနည်းစီ လေ့ကျင့်ပါ
|
||||
|
||||
## 🔗 နောက်တစ်ဆင့်
|
||||
|
||||
ဒီနမူနာများကို ပြီးမြောက်ပြီးနောက်:
|
||||
- အဓိကသင်ခန်းစာများကို လေ့လာပါ
|
||||
- သင်ခန်းစာဖိုင်တစ်ခုစီမှာရှိတဲ့ လေ့ကျင့်ခန်းများကို စမ်းကြည့်ပါ
|
||||
- Jupyter notebook များကို အသုံးပြုပြီး နက်ရှိုင်းစွာ လေ့လာပါ
|
||||
- သင့်ရဲ့ Data Science project များကို ဖန်တီးပါ
|
||||
|
||||
## 📚 ထပ်မံသော အရင်းအမြစ်များ
|
||||
|
||||
- [အဓိကသင်ခန်းစာ](../README.md) - ၂၀ သင်ခန်းစာပါဝင်သော အပြည့်အစုံသင်တန်း
|
||||
- [ဆရာများအတွက်](../for-teachers.md) - သင်တန်းတွင် ဒီသင်ခန်းစာကို အသုံးပြုခြင်း
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - အခမဲ့ အွန်လိုင်းသင်ကြားမှုအရင်းအမြစ်များ
|
||||
- [Python Documentation](https://docs.python.org/3/) - Python အတည်ပြုအရင်းအမြစ်
|
||||
|
||||
## 🤝 အထောက်အပံ့ပေးခြင်း
|
||||
|
||||
အမှားတစ်ခုကို တွေ့ရှိပါသလား? သို့မဟုတ် နမူနာအသစ်တစ်ခုအတွက် အကြံပြုလိုပါသလား? ကျွန်ုပ်တို့ [Contributing Guide](../CONTRIBUTING.md) ကို ကြည့်ပါ။
|
||||
|
||||
---
|
||||
|
||||
**လေ့လာမှုကို ပျော်ရွှင်ပါစေ! 🎉**
|
||||
|
||||
သတိပြုပါ: ကျွမ်းကျင်သူတိုင်းဟာ တစ်ချိန်က အစမှစတင်ခဲ့ရသူပါ။ တစ်ဆင့်ချင်းစီ ဖြည်းဖြည်းချင်း လုပ်ဆောင်ပါ၊ အမှားတွေကို မကြောက်ပါနဲ့ - အဲ့ဒါက သင်ယူမှုရဲ့ အစိတ်အပိုင်းတစ်ခုပါ!
|
||||
|
||||
---
|
||||
|
||||
**အကြောင်းကြားချက်**:
|
||||
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွဲအချော်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:00:09+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ne"
|
||||
}
|
||||
-->
|
||||
# डेटा साइन्सका लागि सुरु गर्न सजिलो उदाहरणहरू
|
||||
|
||||
उदाहरणहरूको यो डाइरेक्टरीमा स्वागत छ! यो संग्रह सरल र राम्रोसँग व्याख्या गरिएका उदाहरणहरू समावेश गर्दछ, जसले तपाईंलाई डेटा साइन्समा सुरु गर्न मद्दत गर्नेछ, चाहे तपाईं पूर्ण रूपमा नयाँ किन नहुनुहोस्।
|
||||
|
||||
## 📚 यहाँ के पाउनुहुन्छ
|
||||
|
||||
प्रत्येक उदाहरण स्वतन्त्र छ र समावेश गर्दछ:
|
||||
- **स्पष्ट टिप्पणीहरू** प्रत्येक चरणको व्याख्या गर्दै
|
||||
- **सरल र पढ्न सजिलो कोड** जसले एक पटकमा एउटा अवधारणा प्रदर्शन गर्दछ
|
||||
- **वास्तविक संसारको सन्दर्भ** जसले तपाईंलाई यी प्रविधिहरू कहिले र किन प्रयोग गर्ने बुझ्न मद्दत गर्दछ
|
||||
- **अपेक्षित आउटपुट** ताकि तपाईं के हेर्नु पर्ने हो थाहा पाउन सक्नुहुन्छ
|
||||
|
||||
## 🚀 सुरु गर्दै
|
||||
|
||||
### आवश्यकताहरू
|
||||
यी उदाहरणहरू चलाउनुअघि, सुनिश्चित गर्नुहोस् कि तपाईंले:
|
||||
- Python 3.7 वा उच्च संस्करण स्थापना गर्नुभएको छ
|
||||
- Python स्क्रिप्ट कसरी चलाउने भन्ने आधारभूत ज्ञान छ
|
||||
|
||||
### आवश्यक लाइब्रेरीहरू स्थापना गर्दै
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 उदाहरणहरूको अवलोकन
|
||||
|
||||
### 1. हेलो वर्ल्ड - डेटा साइन्स शैली
|
||||
**फाइल:** `01_hello_world_data_science.py`
|
||||
|
||||
तपाईंको पहिलो डेटा साइन्स प्रोग्राम! सिक्नुहोस्:
|
||||
- सरल डाटासेट लोड गर्ने
|
||||
- तपाईंको डाटाको आधारभूत जानकारी देखाउने
|
||||
- तपाईंको पहिलो डेटा साइन्स आउटपुट प्रिन्ट गर्ने
|
||||
|
||||
पूर्ण रूपमा नयाँ सुरुवात गर्नेहरूका लागि उपयुक्त, जसले आफ्नो पहिलो डेटा साइन्स प्रोग्राम देख्न चाहन्छन्।
|
||||
|
||||
---
|
||||
|
||||
### 2. डेटा लोड गर्दै र अन्वेषण गर्दै
|
||||
**फाइल:** `02_loading_data.py`
|
||||
|
||||
डेटासँग काम गर्ने आधारभूत कुरा सिक्नुहोस्:
|
||||
- CSV फाइलहरूबाट डेटा पढ्ने
|
||||
- तपाईंको डाटासेटका पहिलो केही पङ्क्तिहरू हेर्ने
|
||||
- तपाईंको डाटाको आधारभूत तथ्याङ्क प्राप्त गर्ने
|
||||
- डाटाको प्रकारहरू बुझ्ने
|
||||
|
||||
यो प्रायः कुनै पनि डेटा साइन्स परियोजनाको पहिलो चरण हो!
|
||||
|
||||
---
|
||||
|
||||
### 3. सरल डेटा विश्लेषण
|
||||
**फाइल:** `03_simple_analysis.py`
|
||||
|
||||
तपाईंको पहिलो डेटा विश्लेषण गर्नुहोस्:
|
||||
- आधारभूत तथ्याङ्कहरू गणना गर्नुहोस् (औसत, माध्य, मोड)
|
||||
- अधिकतम र न्यूनतम मानहरू पत्ता लगाउनुहोस्
|
||||
- मानहरूको आवृत्ति गणना गर्नुहोस्
|
||||
- सर्तहरूमा आधारित डेटा फिल्टर गर्नुहोस्
|
||||
|
||||
तपाईंको डाटाबारे सरल प्रश्नहरूको उत्तर कसरी दिने देख्नुहोस्।
|
||||
|
||||
---
|
||||
|
||||
### 4. डेटा भिजुअलाइजेसनको आधारभूत कुरा
|
||||
**फाइल:** `04_basic_visualization.py`
|
||||
|
||||
तपाईंको पहिलो भिजुअलाइजेसनहरू बनाउनुहोस्:
|
||||
- सरल बार चार्ट बनाउनुहोस्
|
||||
- लाइन प्लट सिर्जना गर्नुहोस्
|
||||
- पाई चार्ट बनाउनुहोस्
|
||||
- तपाईंको भिजुअलाइजेसनहरू छविहरूको रूपमा सुरक्षित गर्नुहोस्
|
||||
|
||||
तपाईंको निष्कर्षहरू दृश्यात्मक रूपमा संचार गर्न सिक्नुहोस्!
|
||||
|
||||
---
|
||||
|
||||
### 5. वास्तविक डाटासँग काम गर्दै
|
||||
**फाइल:** `05_real_world_example.py`
|
||||
|
||||
सबै कुरा एकसाथ राख्नुहोस् एक पूर्ण उदाहरणसँग:
|
||||
- रिपोजिटरीबाट वास्तविक डेटा लोड गर्नुहोस्
|
||||
- डेटा सफा र तयार गर्नुहोस्
|
||||
- विश्लेषण गर्नुहोस्
|
||||
- अर्थपूर्ण भिजुअलाइजेसनहरू सिर्जना गर्नुहोस्
|
||||
- निष्कर्षहरू निकाल्नुहोस्
|
||||
|
||||
यो उदाहरणले सुरुदेखि अन्त्यसम्मको पूर्ण कार्यप्रवाह देखाउँछ।
|
||||
|
||||
---
|
||||
|
||||
## 🎯 यी उदाहरणहरू कसरी प्रयोग गर्ने
|
||||
|
||||
1. **सुरुबाट सुरु गर्नुहोस्**: उदाहरणहरू कठिनाइको क्रममा क्रमबद्ध छन्। `01_hello_world_data_science.py` बाट सुरु गर्नुहोस् र क्रमशः अगाडि बढ्नुहोस्।
|
||||
|
||||
2. **टिप्पणीहरू पढ्नुहोस्**: प्रत्येक फाइलमा विस्तृत टिप्पणीहरू छन् जसले कोड के गर्छ र किन गर्छ भन्ने व्याख्या गर्दछ। ती ध्यानपूर्वक पढ्नुहोस्!
|
||||
|
||||
3. **प्रयोग गर्नुहोस्**: कोड परिवर्तन गर्ने प्रयास गर्नुहोस्। यदि तपाईंले कुनै मान परिवर्तन गर्नुभयो भने के हुन्छ? चीजहरू बिगार्नुहोस् र सुधार गर्नुहोस् - यसरी नै तपाईं सिक्नुहुन्छ!
|
||||
|
||||
4. **कोड चलाउनुहोस्**: प्रत्येक उदाहरण चलाउनुहोस् र आउटपुट अवलोकन गर्नुहोस्। तपाईंले अपेक्षा गरेको कुरासँग तुलना गर्नुहोस्।
|
||||
|
||||
5. **यसमा निर्माण गर्नुहोस्**: एक उदाहरण बुझिसकेपछि, यसलाई आफ्नै विचारहरूसँग विस्तार गर्ने प्रयास गर्नुहोस्।
|
||||
|
||||
## 💡 नयाँ सुरुवात गर्नेहरूका लागि सुझावहरू
|
||||
|
||||
- **हतार नगर्नुहोस्**: प्रत्येक उदाहरणलाई बुझ्न समय लिनुहोस्, त्यसपछि मात्र अर्कोमा जानुहोस्
|
||||
- **कोड आफैं टाइप गर्नुहोस्**: केवल कपी-पेस्ट नगर्नुहोस्। टाइप गर्दा तपाईं सिक्नुहुन्छ र सम्झनुहुन्छ
|
||||
- **अपरिचित अवधारणाहरू खोज्नुहोस्**: यदि तपाईंले केही बुझ्नुभएन भने, यसलाई अनलाइन वा मुख्य पाठहरूमा खोज्नुहोस्
|
||||
- **प्रश्न सोध्नुहोस्**: यदि तपाईंलाई मद्दत चाहिन्छ भने [चर्चा फोरम](https://github.com/microsoft/Data-Science-For-Beginners/discussions) मा सामेल हुनुहोस्
|
||||
- **नियमित अभ्यास गर्नुहोस्**: हप्तामा लामो सत्रहरू भन्दा दैनिक थोरै कोड गर्ने प्रयास गर्नुहोस्
|
||||
|
||||
## 🔗 अर्को चरणहरू
|
||||
|
||||
यी उदाहरणहरू पूरा गरेपछि, तपाईं तयार हुनुहुन्छ:
|
||||
- मुख्य पाठ्यक्रम पाठहरूमा काम गर्न
|
||||
- प्रत्येक पाठ फोल्डरमा असाइनमेन्टहरू प्रयास गर्न
|
||||
- थप गहिरो सिकाइका लागि Jupyter नोटबुकहरू अन्वेषण गर्न
|
||||
- आफ्नै डेटा साइन्स परियोजनाहरू सिर्जना गर्न
|
||||
|
||||
## 📚 थप स्रोतहरू
|
||||
|
||||
- [मुख्य पाठ्यक्रम](../README.md) - पूर्ण २०-पाठको कोर्स
|
||||
- [शिक्षकहरूका लागि](../for-teachers.md) - यो पाठ्यक्रम कक्षामा प्रयोग गर्ने
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - निःशुल्क अनलाइन सिकाइ स्रोतहरू
|
||||
- [Python डकुमेन्टेशन](https://docs.python.org/3/) - आधिकारिक Python सन्दर्भ
|
||||
|
||||
## 🤝 योगदान
|
||||
|
||||
कुनै बग फेला पार्नुभयो वा नयाँ उदाहरणको लागि विचार छ? हामी योगदानलाई स्वागत गर्छौं! कृपया हाम्रो [योगदान मार्गदर्शन](../CONTRIBUTING.md) हेर्नुहोस्।
|
||||
|
||||
---
|
||||
|
||||
**सिकाइको शुभकामना! 🎉**
|
||||
|
||||
याद गर्नुहोस्: प्रत्येक विशेषज्ञ एकपटक नयाँ सुरुवात गर्ने थिए। एक पटकमा एक कदम लिनुहोस्, र गल्ती गर्न डराउनुहोस् - तिनीहरू सिकाइ प्रक्रियाको हिस्सा हुन्!
|
||||
|
||||
---
|
||||
|
||||
**अस्वीकरण**:
|
||||
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी यथार्थताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुनेछैनौं।
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:04:19+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Beginner-Vriendelijke Data Science Voorbeelden
|
||||
|
||||
Welkom in de voorbeeldenmap! Deze verzameling eenvoudige, goed becommentarieerde voorbeelden is ontworpen om je te helpen starten met data science, zelfs als je een complete beginner bent.
|
||||
|
||||
## 📚 Wat Je Hier Vindt
|
||||
|
||||
Elk voorbeeld is zelfstandig en bevat:
|
||||
- **Duidelijke opmerkingen** die elke stap uitleggen
|
||||
- **Eenvoudige, leesbare code** die één concept tegelijk demonstreert
|
||||
- **Context uit de echte wereld** om je te helpen begrijpen wanneer en waarom je deze technieken gebruikt
|
||||
- **Verwachte output** zodat je weet waar je naar moet kijken
|
||||
|
||||
## 🚀 Aan de Slag
|
||||
|
||||
### Vereisten
|
||||
Voordat je deze voorbeelden uitvoert, zorg ervoor dat je:
|
||||
- Python 3.7 of hoger hebt geïnstalleerd
|
||||
- Basiskennis hebt van het uitvoeren van Python-scripts
|
||||
|
||||
### Vereiste Bibliotheken Installeren
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Overzicht van Voorbeelden
|
||||
|
||||
### 1. Hello World - Data Science Stijl
|
||||
**Bestand:** `01_hello_world_data_science.py`
|
||||
|
||||
Je eerste data science-programma! Leer hoe je:
|
||||
- Een eenvoudige dataset laadt
|
||||
- Basisinformatie over je data weergeeft
|
||||
- Je eerste data science-output print
|
||||
|
||||
Perfect voor absolute beginners die hun eerste data science-programma in actie willen zien.
|
||||
|
||||
---
|
||||
|
||||
### 2. Data Laden en Verkennen
|
||||
**Bestand:** `02_loading_data.py`
|
||||
|
||||
Leer de basisprincipes van werken met data:
|
||||
- Data lezen uit CSV-bestanden
|
||||
- De eerste paar rijen van je dataset bekijken
|
||||
- Basisstatistieken over je data verkrijgen
|
||||
- Datatypes begrijpen
|
||||
|
||||
Dit is vaak de eerste stap in elk data science-project!
|
||||
|
||||
---
|
||||
|
||||
### 3. Eenvoudige Data Analyse
|
||||
**Bestand:** `03_simple_analysis.py`
|
||||
|
||||
Voer je eerste data-analyse uit:
|
||||
- Bereken basisstatistieken (gemiddelde, mediaan, modus)
|
||||
- Vind maximale en minimale waarden
|
||||
- Tel het aantal voorkomens van waarden
|
||||
- Filter data op basis van voorwaarden
|
||||
|
||||
Zie hoe je eenvoudige vragen over je data kunt beantwoorden.
|
||||
|
||||
---
|
||||
|
||||
### 4. Basisprincipes van Data Visualisatie
|
||||
**Bestand:** `04_basic_visualization.py`
|
||||
|
||||
Maak je eerste visualisaties:
|
||||
- Maak een eenvoudige staafdiagram
|
||||
- Creëer een lijndiagram
|
||||
- Genereer een taartdiagram
|
||||
- Sla je visualisaties op als afbeeldingen
|
||||
|
||||
Leer je bevindingen visueel te communiceren!
|
||||
|
||||
---
|
||||
|
||||
### 5. Werken met Echte Data
|
||||
**Bestand:** `05_real_world_example.py`
|
||||
|
||||
Breng alles samen in een compleet voorbeeld:
|
||||
- Laad echte data uit de repository
|
||||
- Maak de data schoon en bereid deze voor
|
||||
- Voer analyses uit
|
||||
- Creëer betekenisvolle visualisaties
|
||||
- Trek conclusies
|
||||
|
||||
Dit voorbeeld laat je een complete workflow zien van begin tot eind.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Hoe Deze Voorbeelden te Gebruiken
|
||||
|
||||
1. **Begin bij het begin**: De voorbeelden zijn genummerd op volgorde van moeilijkheid. Begin met `01_hello_world_data_science.py` en werk ze één voor één door.
|
||||
|
||||
2. **Lees de opmerkingen**: Elk bestand heeft gedetailleerde opmerkingen die uitleggen wat de code doet en waarom. Lees ze zorgvuldig!
|
||||
|
||||
3. **Experimenteer**: Probeer de code aan te passen. Wat gebeurt er als je een waarde verandert? Maak fouten en los ze op - zo leer je!
|
||||
|
||||
4. **Voer de code uit**: Voer elk voorbeeld uit en observeer de output. Vergelijk deze met wat je verwachtte.
|
||||
|
||||
5. **Bouw verder**: Zodra je een voorbeeld begrijpt, probeer het uit te breiden met je eigen ideeën.
|
||||
|
||||
## 💡 Tips voor Beginners
|
||||
|
||||
- **Neem de tijd**: Neem de tijd om elk voorbeeld te begrijpen voordat je naar het volgende gaat
|
||||
- **Typ de code zelf**: Kopieer en plak niet zomaar. Typen helpt je leren en onthouden
|
||||
- **Zoek onbekende concepten op**: Als je iets ziet dat je niet begrijpt, zoek het op online of in de hoofdlessen
|
||||
- **Stel vragen**: Doe mee aan het [discussieforum](https://github.com/microsoft/Data-Science-For-Beginners/discussions) als je hulp nodig hebt
|
||||
- **Oefen regelmatig**: Probeer elke dag een beetje te coderen in plaats van lange sessies één keer per week
|
||||
|
||||
## 🔗 Volgende Stappen
|
||||
|
||||
Na het voltooien van deze voorbeelden ben je klaar om:
|
||||
- De hoofdlessen van het curriculum door te werken
|
||||
- De opdrachten in elke lesmap te proberen
|
||||
- De Jupyter-notebooks te verkennen voor meer diepgaande kennis
|
||||
- Je eigen data science-projecten te maken
|
||||
|
||||
## 📚 Aanvullende Bronnen
|
||||
|
||||
- [Hoofd Curriculum](../README.md) - De complete cursus van 20 lessen
|
||||
- [Voor Docenten](../for-teachers.md) - Dit curriculum gebruiken in je klaslokaal
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Gratis online leermiddelen
|
||||
- [Python Documentatie](https://docs.python.org/3/) - Officiële Python-referentie
|
||||
|
||||
## 🤝 Bijdragen
|
||||
|
||||
Een bug gevonden of een idee voor een nieuw voorbeeld? We verwelkomen bijdragen! Bekijk onze [Bijdragegids](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Veel Leerplezier! 🎉**
|
||||
|
||||
Onthoud: Elke expert was ooit een beginner. Neem het stap voor stap, en wees niet bang om fouten te maken - ze maken deel uit van het leerproces!
|
||||
|
||||
---
|
||||
|
||||
**Disclaimer**:
|
||||
Dit document is vertaald met behulp van de AI-vertalingsservice [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:03:46+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "no"
|
||||
}
|
||||
-->
|
||||
# Nybegynnervennlige Eksempler på Data Science
|
||||
|
||||
Velkommen til eksempelkatalogen! Denne samlingen av enkle, godt kommenterte eksempler er laget for å hjelpe deg i gang med data science, selv om du er helt nybegynner.
|
||||
|
||||
## 📚 Hva Du Finner Her
|
||||
|
||||
Hvert eksempel er selvstendig og inkluderer:
|
||||
- **Tydelige kommentarer** som forklarer hvert steg
|
||||
- **Enkel, lesbar kode** som demonstrerer ett konsept om gangen
|
||||
- **Reell kontekst** for å hjelpe deg med å forstå når og hvorfor du skal bruke disse teknikkene
|
||||
- **Forventet output** slik at du vet hva du skal se etter
|
||||
|
||||
## 🚀 Kom i Gang
|
||||
|
||||
### Forutsetninger
|
||||
Før du kjører disse eksemplene, sørg for at du har:
|
||||
- Python 3.7 eller nyere installert
|
||||
- Grunnleggende forståelse av hvordan man kjører Python-skript
|
||||
|
||||
### Installere Nødvendige Biblioteker
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Oversikt over Eksempler
|
||||
|
||||
### 1. Hello World - Data Science Stil
|
||||
**Fil:** `01_hello_world_data_science.py`
|
||||
|
||||
Ditt første data science-program! Lær hvordan du:
|
||||
- Laster inn et enkelt datasett
|
||||
- Viser grunnleggende informasjon om dataene dine
|
||||
- Skriver ut din første data science-output
|
||||
|
||||
Perfekt for helt nybegynnere som vil se sitt første data science-program i aksjon.
|
||||
|
||||
---
|
||||
|
||||
### 2. Laste Inn og Utforske Data
|
||||
**Fil:** `02_loading_data.py`
|
||||
|
||||
Lær det grunnleggende om å jobbe med data:
|
||||
- Les data fra CSV-filer
|
||||
- Se de første radene i datasettet ditt
|
||||
- Få grunnleggende statistikk om dataene dine
|
||||
- Forstå datatyper
|
||||
|
||||
Dette er ofte det første steget i ethvert data science-prosjekt!
|
||||
|
||||
---
|
||||
|
||||
### 3. Enkel Dataanalyse
|
||||
**Fil:** `03_simple_analysis.py`
|
||||
|
||||
Utfør din første dataanalyse:
|
||||
- Beregn grunnleggende statistikk (gjennomsnitt, median, modus)
|
||||
- Finn maksimums- og minimumsverdier
|
||||
- Tell forekomster av verdier
|
||||
- Filtrer data basert på betingelser
|
||||
|
||||
Se hvordan du kan svare på enkle spørsmål om dataene dine.
|
||||
|
||||
---
|
||||
|
||||
### 4. Grunnleggende Datavisualisering
|
||||
**Fil:** `04_basic_visualization.py`
|
||||
|
||||
Lag dine første visualiseringer:
|
||||
- Lag et enkelt stolpediagram
|
||||
- Lag en linjegraf
|
||||
- Generer et kakediagram
|
||||
- Lagre visualiseringene dine som bilder
|
||||
|
||||
Lær å kommunisere funnene dine visuelt!
|
||||
|
||||
---
|
||||
|
||||
### 5. Jobbe med Reelle Data
|
||||
**Fil:** `05_real_world_example.py`
|
||||
|
||||
Sett alt sammen med et komplett eksempel:
|
||||
- Last inn reelle data fra depotet
|
||||
- Rens og forbered dataene
|
||||
- Utfør analyse
|
||||
- Lag meningsfulle visualiseringer
|
||||
- Trekk konklusjoner
|
||||
|
||||
Dette eksemplet viser deg en komplett arbeidsflyt fra start til slutt.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Hvordan Bruke Disse Eksemplene
|
||||
|
||||
1. **Start fra begynnelsen**: Eksemplene er nummerert etter vanskelighetsgrad. Begynn med `01_hello_world_data_science.py` og jobb deg gjennom.
|
||||
|
||||
2. **Les kommentarene**: Hver fil har detaljerte kommentarer som forklarer hva koden gjør og hvorfor. Les dem nøye!
|
||||
|
||||
3. **Eksperimenter**: Prøv å endre koden. Hva skjer hvis du endrer en verdi? Bryt ting og reparer dem - det er slik du lærer!
|
||||
|
||||
4. **Kjør koden**: Utfør hvert eksempel og observer output. Sammenlign det med hva du forventet.
|
||||
|
||||
5. **Bygg videre**: Når du forstår et eksempel, prøv å utvide det med dine egne ideer.
|
||||
|
||||
## 💡 Tips for Nybegynnere
|
||||
|
||||
- **Ikke stress**: Ta deg tid til å forstå hvert eksempel før du går videre til det neste
|
||||
- **Skriv koden selv**: Ikke bare kopier og lim inn. Å skrive hjelper deg med å lære og huske
|
||||
- **Søk opp ukjente konsepter**: Hvis du ser noe du ikke forstår, søk det opp på nettet eller i hovedleksjonene
|
||||
- **Still spørsmål**: Bli med i [diskusjonsforumet](https://github.com/microsoft/Data-Science-For-Beginners/discussions) hvis du trenger hjelp
|
||||
- **Øv regelmessig**: Prøv å kode litt hver dag i stedet for lange økter én gang i uken
|
||||
|
||||
## 🔗 Neste Steg
|
||||
|
||||
Etter å ha fullført disse eksemplene, er du klar til å:
|
||||
- Jobbe gjennom hovedleksjonene i pensum
|
||||
- Prøve oppgavene i hver leksjonsmappe
|
||||
- Utforske Jupyter-notatbøkene for mer dyptgående læring
|
||||
- Lage dine egne data science-prosjekter
|
||||
|
||||
## 📚 Ekstra Ressurser
|
||||
|
||||
- [Hovedpensum](../README.md) - Det komplette 20-leksjonskurset
|
||||
- [For Lærere](../for-teachers.md) - Bruke dette pensumet i klasserommet
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Gratis nettbaserte læringsressurser
|
||||
- [Python Dokumentasjon](https://docs.python.org/3/) - Offisiell Python-referanse
|
||||
|
||||
## 🤝 Bidra
|
||||
|
||||
Fant du en feil eller har en idé til et nytt eksempel? Vi ønsker bidrag velkommen! Se vår [Bidragsveiledning](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Lykke til med læringen! 🎉**
|
||||
|
||||
Husk: Hver ekspert var en gang nybegynner. Ta det ett steg av gangen, og ikke vær redd for å gjøre feil - de er en del av læringsprosessen!
|
||||
|
||||
---
|
||||
|
||||
**Ansvarsfraskrivelse**:
|
||||
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi tilstreber nøyaktighet, vennligst vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:00:26+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "pa"
|
||||
}
|
||||
-->
|
||||
# ਸ਼ੁਰੂਆਤੀ-ਦੋਸਤਾਨਾ ਡਾਟਾ ਸਾਇੰਸ ਉਦਾਹਰਨਾਂ
|
||||
|
||||
ਉਦਾਹਰਨਾਂ ਡਾਇਰੈਕਟਰੀ ਵਿੱਚ ਤੁਹਾਡਾ ਸਵਾਗਤ ਹੈ! ਇਹ ਸਧਾਰਨ, ਵਧੀਆ ਟਿੱਪਣੀਆਂ ਵਾਲੇ ਉਦਾਹਰਨਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਤੁਹਾਨੂੰ ਡਾਟਾ ਸਾਇੰਸ ਵਿੱਚ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਭਾਵੇਂ ਤੁਸੀਂ ਪੂਰੇ ਸ਼ੁਰੂਆਤੀ ਹੋਵੋ।
|
||||
|
||||
## 📚 ਇੱਥੇ ਤੁਹਾਨੂੰ ਕੀ ਮਿਲੇਗਾ
|
||||
|
||||
ਹਰ ਉਦਾਹਰਨ ਸਵੈ-ਨਿਰਭਰ ਹੈ ਅਤੇ ਸ਼ਾਮਲ ਹੈ:
|
||||
- **ਸਪਸ਼ਟ ਟਿੱਪਣੀਆਂ** ਜੋ ਹਰ ਕਦਮ ਨੂੰ ਸਮਝਾਉਂਦੀਆਂ ਹਨ
|
||||
- **ਸਧਾਰਨ, ਪੜ੍ਹਨ ਯੋਗ ਕੋਡ** ਜੋ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਧਾਰਨਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ
|
||||
- **ਅਸਲ-ਜਗਤ ਸੰਦਰਭ** ਜੋ ਤੁਹਾਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਕਦੋਂ ਅਤੇ ਕਿਉਂ ਇਹ ਤਕਨੀਕਾਂ ਵਰਤਣੀਆਂ ਹਨ
|
||||
- **ਉਮੀਦਵਾਰ ਨਤੀਜੇ** ਤਾਂ ਜੋ ਤੁਹਾਨੂੰ ਪਤਾ ਹੋਵੇ ਕਿ ਕੀ ਦੇਖਣਾ ਹੈ
|
||||
|
||||
## 🚀 ਸ਼ੁਰੂਆਤ ਕਰਨਾ
|
||||
|
||||
### ਪੂਰਵ ਸ਼ਰਤਾਂ
|
||||
ਇਹ ਉਦਾਹਰਨਾਂ ਚਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੋਲ:
|
||||
- Python 3.7 ਜਾਂ ਇਸ ਤੋਂ ਉੱਚਾ ਵਰਜਨ ਇੰਸਟਾਲ ਹੈ
|
||||
- Python ਸਕ੍ਰਿਪਟ ਚਲਾਉਣ ਦਾ ਮੂਲ ਸਮਝ
|
||||
|
||||
### ਲੋੜੀਂਦੇ ਲਾਇਬ੍ਰੇਰੀਆਂ ਇੰਸਟਾਲ ਕਰਨਾ
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 ਉਦਾਹਰਨਾਂ ਦਾ ਝਲਕ
|
||||
|
||||
### 1. ਹੈਲੋ ਵਰਲਡ - ਡਾਟਾ ਸਾਇੰਸ ਸਟਾਈਲ
|
||||
**ਫਾਈਲ:** `01_hello_world_data_science.py`
|
||||
|
||||
ਤੁਹਾਡਾ ਪਹਿਲਾ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਗਰਾਮ! ਸਿੱਖੋ ਕਿ:
|
||||
- ਇੱਕ ਸਧਾਰਨ ਡਾਟਾਸੈਟ ਲੋਡ ਕਰਨਾ
|
||||
- ਤੁਹਾਡੇ ਡਾਟੇ ਬਾਰੇ ਮੁੱਢਲੀ ਜਾਣਕਾਰੀ ਦਿਖਾਉਣਾ
|
||||
- ਤੁਹਾਡਾ ਪਹਿਲਾ ਡਾਟਾ ਸਾਇੰਸ ਨਤੀਜਾ ਪ੍ਰਿੰਟ ਕਰਨਾ
|
||||
|
||||
ਬਿਲਕੁਲ ਸ਼ੁਰੂਆਤੀ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਜੋ ਆਪਣਾ ਪਹਿਲਾ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਗਰਾਮ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹਨ।
|
||||
|
||||
---
|
||||
|
||||
### 2. ਡਾਟਾ ਲੋਡ ਕਰਨਾ ਅਤੇ ਖੋਜ ਕਰਨਾ
|
||||
**ਫਾਈਲ:** `02_loading_data.py`
|
||||
|
||||
ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਮੁੱਢਲੇ ਸਿਧਾਂਤ ਸਿੱਖੋ:
|
||||
- CSV ਫਾਈਲਾਂ ਤੋਂ ਡਾਟਾ ਪੜ੍ਹਨਾ
|
||||
- ਤੁਹਾਡੇ ਡਾਟਾਸੈਟ ਦੀ ਪਹਿਲੀਆਂ ਕੁਝ ਪੰਗਤਾਂ ਦੇਖਣਾ
|
||||
- ਤੁਹਾਡੇ ਡਾਟੇ ਬਾਰੇ ਮੁੱਢਲੇ ਅੰਕੜੇ ਪ੍ਰਾਪਤ ਕਰਨਾ
|
||||
- ਡਾਟਾ ਦੀਆਂ ਕਿਸਮਾਂ ਨੂੰ ਸਮਝਣਾ
|
||||
|
||||
ਇਹ ਅਕਸਰ ਕਿਸੇ ਵੀ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ ਦਾ ਪਹਿਲਾ ਕਦਮ ਹੁੰਦਾ ਹੈ!
|
||||
|
||||
---
|
||||
|
||||
### 3. ਸਧਾਰਨ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ
|
||||
**ਫਾਈਲ:** `03_simple_analysis.py`
|
||||
|
||||
ਤੁਹਾਡਾ ਪਹਿਲਾ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ:
|
||||
- ਮੁੱਢਲੇ ਅੰਕੜੇ (mean, median, mode) ਦੀ ਗਣਨਾ ਕਰੋ
|
||||
- ਵੱਧ ਤੋਂ ਵੱਧ ਅਤੇ ਘੱਟ ਤੋਂ ਘੱਟ ਮੁੱਲ ਲੱਭੋ
|
||||
- ਮੁੱਲਾਂ ਦੇ ਆਵਿਰਤੀ ਦੀ ਗਿਣਤੀ ਕਰੋ
|
||||
- ਸ਼ਰਤਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਡਾਟਾ ਫਿਲਟਰ ਕਰੋ
|
||||
|
||||
ਤੁਹਾਡੇ ਡਾਟੇ ਬਾਰੇ ਸਧਾਰਨ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਖੋ।
|
||||
|
||||
---
|
||||
|
||||
### 4. ਡਾਟਾ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬੁਨਿਆਦੀਆਂ
|
||||
**ਫਾਈਲ:** `04_basic_visualization.py`
|
||||
|
||||
ਤੁਹਾਡੀ ਪਹਿਲੀ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਓ:
|
||||
- ਇੱਕ ਸਧਾਰਨ ਬਾਰ ਚਾਰਟ ਬਣਾਓ
|
||||
- ਇੱਕ ਲਾਈਨ ਪਲਾਟ ਬਣਾਓ
|
||||
- ਇੱਕ ਪਾਈ ਚਾਰਟ ਬਣਾਓ
|
||||
- ਆਪਣੀਆਂ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਚਿੱਤਰਾਂ ਵਜੋਂ ਸੇਵ ਕਰੋ
|
||||
|
||||
ਆਪਣੀਆਂ ਖੋਜਾਂ ਨੂੰ ਵਿਜ਼ੂਅਲ ਤੌਰ 'ਤੇ ਸੰਚਾਰ ਕਰਨ ਦੀ ਕਲਾ ਸਿੱਖੋ!
|
||||
|
||||
---
|
||||
|
||||
### 5. ਅਸਲ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ
|
||||
**ਫਾਈਲ:** `05_real_world_example.py`
|
||||
|
||||
ਇਸ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਇਕੱਠਾ ਕਰੋ:
|
||||
- ਰਿਪੋਜ਼ਟਰੀ ਤੋਂ ਅਸਲ ਡਾਟਾ ਲੋਡ ਕਰੋ
|
||||
- ਡਾਟਾ ਸਾਫ਼ ਅਤੇ ਤਿਆਰ ਕਰੋ
|
||||
- ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ
|
||||
- ਅਰਥਪੂਰਨ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਓ
|
||||
- ਨਤੀਜੇ ਕੱਢੋ
|
||||
|
||||
ਇਹ ਉਦਾਹਰਨ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਪੂਰਾ ਵਰਕਫਲੋ ਦਿਖਾਉਂਦੀ ਹੈ।
|
||||
|
||||
---
|
||||
|
||||
## 🎯 ਇਹ ਉਦਾਹਰਨਾਂ ਕਿਵੇਂ ਵਰਤਣੀਆਂ ਹਨ
|
||||
|
||||
1. **ਸ਼ੁਰੂ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ**: ਉਦਾਹਰਨਾਂ ਮੁਸ਼ਕਲਾਈ ਦੇ ਆਰਡਰ ਵਿੱਚ ਨੰਬਰ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। `01_hello_world_data_science.py` ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ ਅਤੇ ਅੱਗੇ ਵਧੋ।
|
||||
|
||||
2. **ਟਿੱਪਣੀਆਂ ਪੜ੍ਹੋ**: ਹਰ ਫਾਈਲ ਵਿੱਚ ਵਿਸਥਾਰਪੂਰਵਕ ਟਿੱਪਣੀਆਂ ਹਨ ਜੋ ਸਮਝਾਉਂਦੀਆਂ ਹਨ ਕਿ ਕੋਡ ਕੀ ਕਰਦਾ ਹੈ ਅਤੇ ਕਿਉਂ। ਉਨ੍ਹਾਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਪੜ੍ਹੋ!
|
||||
|
||||
3. **ਪ੍ਰਯੋਗ ਕਰੋ**: ਕੋਡ ਨੂੰ ਸੋਧਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਕੀ ਹੁੰਦਾ ਹੈ ਜੇ ਤੁਸੀਂ ਕੋਈ ਮੁੱਲ ਬਦਲਦੇ ਹੋ? ਚੀਜ਼ਾਂ ਨੂੰ ਖਰਾਬ ਕਰੋ ਅਤੇ ਠੀਕ ਕਰੋ - ਇਹ ਸਿੱਖਣ ਦਾ ਤਰੀਕਾ ਹੈ!
|
||||
|
||||
4. **ਕੋਡ ਚਲਾਓ**: ਹਰ ਉਦਾਹਰਨ ਚਲਾਓ ਅਤੇ ਨਤੀਜਾ ਦੇਖੋ। ਇਸਨੂੰ ਉਸ ਨਾਲ ਤੁਲਨਾ ਕਰੋ ਜੋ ਤੁਸੀਂ ਉਮੀਦ ਕਰਦੇ ਸੀ।
|
||||
|
||||
5. **ਇਸ 'ਤੇ ਬਣਾਓ**: ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਉਦਾਹਰਨ ਨੂੰ ਸਮਝ ਲੈਂਦੇ ਹੋ, ਇਸਨੂੰ ਆਪਣੇ ਵਿਚਾਰਾਂ ਨਾਲ ਵਧਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
|
||||
|
||||
## 💡 ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਸੁਝਾਅ
|
||||
|
||||
- **ਜਲਦੀ ਨਾ ਕਰੋ**: ਹਰ ਉਦਾਹਰਨ ਨੂੰ ਸਮਝਣ ਲਈ ਸਮਾਂ ਲਓ, ਅਗਲੇ 'ਤੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ
|
||||
- **ਕੋਡ ਖੁਦ ਟਾਈਪ ਕਰੋ**: ਸਿਰਫ ਕਾਪੀ-ਪੇਸਟ ਨਾ ਕਰੋ। ਟਾਈਪ ਕਰਨ ਨਾਲ ਸਿੱਖਣ ਅਤੇ ਯਾਦ ਕਰਨ ਵਿੱਚ ਮਦਦ ਮਿਲਦੀ ਹੈ
|
||||
- **ਅਣਜਾਣ ਧਾਰਨਾਵਾਂ ਨੂੰ ਖੋਜੋ**: ਜੇ ਤੁਸੀਂ ਕੁਝ ਅਜਿਹਾ ਦੇਖਦੇ ਹੋ ਜੋ ਤੁਸੀਂ ਸਮਝਦੇ ਨਹੀਂ, ਇਸਨੂੰ ਆਨਲਾਈਨ ਜਾਂ ਮੁੱਖ ਪਾਠਾਂ ਵਿੱਚ ਖੋਜੋ
|
||||
- **ਸਵਾਲ ਪੁੱਛੋ**: ਜੇ ਤੁਹਾਨੂੰ ਮਦਦ ਦੀ ਲੋੜ ਹੈ ਤਾਂ [ਚਰਚਾ ਫੋਰਮ](https://github.com/microsoft/Data-Science-For-Beginners/discussions) ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ
|
||||
- **ਨਿਯਮਿਤ ਅਭਿਆਸ ਕਰੋ**: ਹਫ਼ਤੇ ਵਿੱਚ ਇੱਕ ਵਾਰ ਲੰਬੇ ਸੈਸ਼ਨਾਂ ਦੇ ਬਜਾਏ ਹਰ ਰੋਜ਼ ਥੋੜਾ ਕੋਡ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ
|
||||
|
||||
## 🔗 ਅਗਲੇ ਕਦਮ
|
||||
|
||||
ਇਹ ਉਦਾਹਰਨਾਂ ਪੂਰੀ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਤਿਆਰ ਹੋ:
|
||||
- ਮੁੱਖ ਪਾਠਕ੍ਰਮ ਪਾਠਾਂ 'ਤੇ ਕੰਮ ਕਰਨ ਲਈ
|
||||
- ਹਰ ਪਾਠ ਫੋਲਡਰ ਵਿੱਚ ਅਸਾਈਨਮੈਂਟ ਕਰਨ ਲਈ
|
||||
- ਵਧੇਰੇ ਵਿਸਥਾਰਪੂਰਵਕ ਸਿੱਖਣ ਲਈ Jupyter ਨੋਟਬੁੱਕਸ ਦੀ ਖੋਜ ਕਰਨ ਲਈ
|
||||
- ਆਪਣੇ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਲਈ
|
||||
|
||||
## 📚 ਵਾਧੂ ਸਰੋਤ
|
||||
|
||||
- [ਮੁੱਖ ਪਾਠਕ੍ਰਮ](../README.md) - ਪੂਰਾ 20-ਪਾਠਾਂ ਦਾ ਕੋਰਸ
|
||||
- [ਅਧਿਆਪਕਾਂ ਲਈ](../for-teachers.md) - ਆਪਣੇ ਕਲਾਸਰੂਮ ਵਿੱਚ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਵਰਤਣਾ
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - ਮੁਫ਼ਤ ਆਨਲਾਈਨ ਸਿੱਖਣ ਦੇ ਸਰੋਤ
|
||||
- [Python ਦਸਤਾਵੇਜ਼](https://docs.python.org/3/) - ਅਧਿਕਾਰਕ Python ਰਿਫਰੈਂਸ
|
||||
|
||||
## 🤝 ਯੋਗਦਾਨ
|
||||
|
||||
ਕੋਈ ਬੱਗ ਮਿਲਿਆ ਜਾਂ ਨਵੀਂ ਉਦਾਹਰਨ ਲਈ ਕੋਈ ਵਿਚਾਰ ਹੈ? ਅਸੀਂ ਯੋਗਦਾਨਾਂ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ! ਕਿਰਪਾ ਕਰਕੇ ਸਾਡਾ [ਯੋਗਦਾਨ ਗਾਈਡ](../CONTRIBUTING.md) ਵੇਖੋ।
|
||||
|
||||
---
|
||||
|
||||
**ਖੁਸ਼ ਸਿੱਖਣਾ! 🎉**
|
||||
|
||||
ਯਾਦ ਰੱਖੋ: ਹਰ ਮਾਹਿਰ ਇੱਕ ਵਾਰ ਸ਼ੁਰੂਆਤੀ ਸੀ। ਇੱਕ ਕਦਮ ਇੱਕ ਸਮੇਂ ਲਓ, ਅਤੇ ਗਲਤੀਆਂ ਕਰਨ ਤੋਂ ਡਰੋ ਨਾ - ਇਹ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਹਿੱਸਾ ਹਨ!
|
||||
|
||||
---
|
||||
|
||||
**ਅਸਵੀਕਰਤਾ**:
|
||||
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਅਸਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:01:37+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Przykłady Data Science dla Początkujących
|
||||
|
||||
Witamy w katalogu przykładów! Ta kolekcja prostych, dobrze skomentowanych przykładów została zaprojektowana, aby pomóc Ci rozpocząć przygodę z data science, nawet jeśli jesteś zupełnym nowicjuszem.
|
||||
|
||||
## 📚 Co znajdziesz tutaj
|
||||
|
||||
Każdy przykład jest samodzielny i zawiera:
|
||||
- **Jasne komentarze** wyjaśniające każdy krok
|
||||
- **Prosty, czytelny kod**, który pokazuje jeden koncept na raz
|
||||
- **Kontekst z życia codziennego**, aby pomóc Ci zrozumieć, kiedy i dlaczego używać tych technik
|
||||
- **Oczekiwany wynik**, abyś wiedział, czego szukać
|
||||
|
||||
## 🚀 Jak zacząć
|
||||
|
||||
### Wymagania wstępne
|
||||
Przed uruchomieniem tych przykładów upewnij się, że masz:
|
||||
- Zainstalowany Python 3.7 lub nowszy
|
||||
- Podstawową wiedzę na temat uruchamiania skryptów w Pythonie
|
||||
|
||||
### Instalacja wymaganych bibliotek
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Przegląd przykładów
|
||||
|
||||
### 1. Hello World - Styl Data Science
|
||||
**Plik:** `01_hello_world_data_science.py`
|
||||
|
||||
Twój pierwszy program w data science! Nauczysz się:
|
||||
- Ładować prosty zestaw danych
|
||||
- Wyświetlać podstawowe informacje o danych
|
||||
- Wydrukować swój pierwszy wynik w data science
|
||||
|
||||
Idealne dla absolutnych początkujących, którzy chcą zobaczyć swój pierwszy program w akcji.
|
||||
|
||||
---
|
||||
|
||||
### 2. Ładowanie i eksploracja danych
|
||||
**Plik:** `02_loading_data.py`
|
||||
|
||||
Poznaj podstawy pracy z danymi:
|
||||
- Odczyt danych z plików CSV
|
||||
- Wyświetlanie pierwszych kilku wierszy zestawu danych
|
||||
- Uzyskiwanie podstawowych statystyk o danych
|
||||
- Zrozumienie typów danych
|
||||
|
||||
To często pierwszy krok w każdym projekcie data science!
|
||||
|
||||
---
|
||||
|
||||
### 3. Prosta analiza danych
|
||||
**Plik:** `03_simple_analysis.py`
|
||||
|
||||
Wykonaj swoją pierwszą analizę danych:
|
||||
- Oblicz podstawowe statystyki (średnia, mediana, dominanta)
|
||||
- Znajdź wartości maksymalne i minimalne
|
||||
- Policz wystąpienia wartości
|
||||
- Filtruj dane na podstawie warunków
|
||||
|
||||
Zobacz, jak odpowiadać na proste pytania dotyczące danych.
|
||||
|
||||
---
|
||||
|
||||
### 4. Podstawy wizualizacji danych
|
||||
**Plik:** `04_basic_visualization.py`
|
||||
|
||||
Stwórz swoje pierwsze wizualizacje:
|
||||
- Wykonaj prosty wykres słupkowy
|
||||
- Stwórz wykres liniowy
|
||||
- Wygeneruj wykres kołowy
|
||||
- Zapisz swoje wizualizacje jako obrazy
|
||||
|
||||
Naucz się komunikować swoje wnioski wizualnie!
|
||||
|
||||
---
|
||||
|
||||
### 5. Praca z prawdziwymi danymi
|
||||
**Plik:** `05_real_world_example.py`
|
||||
|
||||
Połącz wszystko w kompletnym przykładzie:
|
||||
- Załaduj prawdziwe dane z repozytorium
|
||||
- Wyczyść i przygotuj dane
|
||||
- Wykonaj analizę
|
||||
- Stwórz znaczące wizualizacje
|
||||
- Wyciągnij wnioski
|
||||
|
||||
Ten przykład pokazuje pełny przepływ pracy od początku do końca.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Jak korzystać z tych przykładów
|
||||
|
||||
1. **Zacznij od początku**: Przykłady są ponumerowane według stopnia trudności. Zacznij od `01_hello_world_data_science.py` i przechodź dalej.
|
||||
|
||||
2. **Czytaj komentarze**: Każdy plik zawiera szczegółowe komentarze wyjaśniające, co robi kod i dlaczego. Czytaj je uważnie!
|
||||
|
||||
3. **Eksperymentuj**: Spróbuj modyfikować kod. Co się stanie, jeśli zmienisz wartość? Psuj rzeczy i naprawiaj je - tak się uczysz!
|
||||
|
||||
4. **Uruchamiaj kod**: Wykonaj każdy przykład i obserwuj wynik. Porównaj go z tym, czego się spodziewałeś.
|
||||
|
||||
5. **Rozwijaj go**: Gdy zrozumiesz przykład, spróbuj go rozszerzyć swoimi pomysłami.
|
||||
|
||||
## 💡 Wskazówki dla początkujących
|
||||
|
||||
- **Nie spiesz się**: Poświęć czas na zrozumienie każdego przykładu, zanim przejdziesz do następnego
|
||||
- **Przepisuj kod samodzielnie**: Nie kopiuj-wklejaj. Pisanie kodu pomaga w nauce i zapamiętywaniu
|
||||
- **Szukaj nieznanych pojęć**: Jeśli zobaczysz coś, czego nie rozumiesz, poszukaj tego w internecie lub w głównych lekcjach
|
||||
- **Zadawaj pytania**: Dołącz do [forum dyskusyjnego](https://github.com/microsoft/Data-Science-For-Beginners/discussions), jeśli potrzebujesz pomocy
|
||||
- **Ćwicz regularnie**: Staraj się kodować codziennie, zamiast robić długie sesje raz w tygodniu
|
||||
|
||||
## 🔗 Kolejne kroki
|
||||
|
||||
Po ukończeniu tych przykładów jesteś gotowy, aby:
|
||||
- Przejść przez główne lekcje programu nauczania
|
||||
- Spróbować zadań w każdym folderze lekcji
|
||||
- Eksplorować notatniki Jupyter dla bardziej szczegółowej nauki
|
||||
- Tworzyć własne projekty data science
|
||||
|
||||
## 📚 Dodatkowe zasoby
|
||||
|
||||
- [Główny program nauczania](../README.md) - Kompletny kurs składający się z 20 lekcji
|
||||
- [Dla nauczycieli](../for-teachers.md) - Korzystanie z tego programu w klasie
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Darmowe zasoby do nauki online
|
||||
- [Dokumentacja Pythona](https://docs.python.org/3/) - Oficjalne odniesienie do Pythona
|
||||
|
||||
## 🤝 Współtworzenie
|
||||
|
||||
Znalazłeś błąd lub masz pomysł na nowy przykład? Zapraszamy do współtworzenia! Zobacz nasz [Przewodnik dla współtwórców](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Miłej nauki! 🎉**
|
||||
|
||||
Pamiętaj: Każdy ekspert kiedyś był początkującym. Rób wszystko krok po kroku i nie bój się popełniać błędów - są one częścią procesu nauki!
|
||||
|
||||
---
|
||||
|
||||
**Zastrzeżenie**:
|
||||
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za wiarygodne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:00:51+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "pt"
|
||||
}
|
||||
-->
|
||||
# Exemplos de Ciência de Dados para Iniciantes
|
||||
|
||||
Bem-vindo ao diretório de exemplos! Esta coleção de exemplos simples e bem comentados foi criada para ajudar-te a começar com ciência de dados, mesmo que sejas um completo principiante.
|
||||
|
||||
## 📚 O Que Vais Encontrar Aqui
|
||||
|
||||
Cada exemplo é autónomo e inclui:
|
||||
- **Comentários claros** explicando cada passo
|
||||
- **Código simples e legível** que demonstra um conceito de cada vez
|
||||
- **Contexto do mundo real** para ajudar-te a entender quando e por que usar estas técnicas
|
||||
- **Saída esperada** para saberes o que procurar
|
||||
|
||||
## 🚀 Começar
|
||||
|
||||
### Pré-requisitos
|
||||
Antes de executares estes exemplos, certifica-te de que tens:
|
||||
- Python 3.7 ou superior instalado
|
||||
- Compreensão básica de como executar scripts em Python
|
||||
|
||||
### Instalar Bibliotecas Necessárias
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Visão Geral dos Exemplos
|
||||
|
||||
### 1. Hello World - Estilo Ciência de Dados
|
||||
**Ficheiro:** `01_hello_world_data_science.py`
|
||||
|
||||
O teu primeiro programa de ciência de dados! Aprende a:
|
||||
- Carregar um conjunto de dados simples
|
||||
- Exibir informações básicas sobre os teus dados
|
||||
- Imprimir a tua primeira saída de ciência de dados
|
||||
|
||||
Perfeito para principiantes absolutos que querem ver o seu primeiro programa de ciência de dados em ação.
|
||||
|
||||
---
|
||||
|
||||
### 2. Carregar e Explorar Dados
|
||||
**Ficheiro:** `02_loading_data.py`
|
||||
|
||||
Aprende os fundamentos de trabalhar com dados:
|
||||
- Ler dados de ficheiros CSV
|
||||
- Visualizar as primeiras linhas do teu conjunto de dados
|
||||
- Obter estatísticas básicas sobre os teus dados
|
||||
- Compreender os tipos de dados
|
||||
|
||||
Este é frequentemente o primeiro passo em qualquer projeto de ciência de dados!
|
||||
|
||||
---
|
||||
|
||||
### 3. Análise Simples de Dados
|
||||
**Ficheiro:** `03_simple_analysis.py`
|
||||
|
||||
Realiza a tua primeira análise de dados:
|
||||
- Calcular estatísticas básicas (média, mediana, moda)
|
||||
- Encontrar valores máximos e mínimos
|
||||
- Contar ocorrências de valores
|
||||
- Filtrar dados com base em condições
|
||||
|
||||
Descobre como responder a perguntas simples sobre os teus dados.
|
||||
|
||||
---
|
||||
|
||||
### 4. Noções Básicas de Visualização de Dados
|
||||
**Ficheiro:** `04_basic_visualization.py`
|
||||
|
||||
Cria as tuas primeiras visualizações:
|
||||
- Fazer um gráfico de barras simples
|
||||
- Criar um gráfico de linhas
|
||||
- Gerar um gráfico de pizza
|
||||
- Guardar as tuas visualizações como imagens
|
||||
|
||||
Aprende a comunicar as tuas descobertas visualmente!
|
||||
|
||||
---
|
||||
|
||||
### 5. Trabalhar com Dados Reais
|
||||
**Ficheiro:** `05_real_world_example.py`
|
||||
|
||||
Coloca tudo em prática com um exemplo completo:
|
||||
- Carregar dados reais do repositório
|
||||
- Limpar e preparar os dados
|
||||
- Realizar análises
|
||||
- Criar visualizações significativas
|
||||
- Tirar conclusões
|
||||
|
||||
Este exemplo mostra-te um fluxo de trabalho completo do início ao fim.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Como Usar Estes Exemplos
|
||||
|
||||
1. **Começa pelo início**: Os exemplos estão numerados por ordem de dificuldade. Começa com `01_hello_world_data_science.py` e avança gradualmente.
|
||||
|
||||
2. **Lê os comentários**: Cada ficheiro tem comentários detalhados explicando o que o código faz e porquê. Lê-os com atenção!
|
||||
|
||||
3. **Experimenta**: Tenta modificar o código. O que acontece se mudares um valor? Faz alterações e corrige-as - é assim que se aprende!
|
||||
|
||||
4. **Executa o código**: Executa cada exemplo e observa a saída. Compara com o que esperavas.
|
||||
|
||||
5. **Constrói sobre isso**: Quando entenderes um exemplo, tenta expandi-lo com as tuas próprias ideias.
|
||||
|
||||
## 💡 Dicas para Iniciantes
|
||||
|
||||
- **Não tenhas pressa**: Dedica tempo para entender cada exemplo antes de passar para o próximo
|
||||
- **Escreve o código tu mesmo**: Não copies e coles apenas. Escrever ajuda-te a aprender e a memorizar
|
||||
- **Procura conceitos desconhecidos**: Se vires algo que não entendes, pesquisa online ou nas lições principais
|
||||
- **Faz perguntas**: Junta-te ao [fórum de discussão](https://github.com/microsoft/Data-Science-For-Beginners/discussions) se precisares de ajuda
|
||||
- **Pratica regularmente**: Tenta programar um pouco todos os dias em vez de sessões longas uma vez por semana
|
||||
|
||||
## 🔗 Próximos Passos
|
||||
|
||||
Depois de completares estes exemplos, estás pronto para:
|
||||
- Trabalhar nas lições principais do currículo
|
||||
- Experimentar os exercícios em cada pasta de lições
|
||||
- Explorar os Jupyter notebooks para um aprendizado mais aprofundado
|
||||
- Criar os teus próprios projetos de ciência de dados
|
||||
|
||||
## 📚 Recursos Adicionais
|
||||
|
||||
- [Currículo Principal](../README.md) - O curso completo de 20 lições
|
||||
- [Para Professores](../for-teachers.md) - Usar este currículo na tua sala de aula
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Recursos de aprendizagem online gratuitos
|
||||
- [Documentação do Python](https://docs.python.org/3/) - Referência oficial do Python
|
||||
|
||||
## 🤝 Contribuir
|
||||
|
||||
Encontraste um erro ou tens uma ideia para um novo exemplo? Aceitamos contribuições! Consulta o nosso [Guia de Contribuição](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Boa Aprendizagem! 🎉**
|
||||
|
||||
Lembra-te: Todo especialista já foi um principiante. Dá um passo de cada vez e não tenhas medo de cometer erros - eles fazem parte do processo de aprendizagem!
|
||||
|
||||
---
|
||||
|
||||
**Aviso**:
|
||||
Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se uma tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:07:21+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Exemple de Știința Datelor pentru Începători
|
||||
|
||||
Bine ai venit în directorul de exemple! Această colecție de exemple simple, bine comentate, este concepută pentru a te ajuta să începi cu știința datelor, chiar dacă ești complet începător.
|
||||
|
||||
## 📚 Ce Vei Găsi Aici
|
||||
|
||||
Fiecare exemplu este autonom și include:
|
||||
- **Comentarii clare** care explică fiecare pas
|
||||
- **Cod simplu și ușor de citit** care demonstrează un singur concept pe rând
|
||||
- **Context real** pentru a te ajuta să înțelegi când și de ce să folosești aceste tehnici
|
||||
- **Rezultate așteptate** astfel încât să știi la ce să te aștepți
|
||||
|
||||
## 🚀 Începe
|
||||
|
||||
### Cerințe preliminare
|
||||
Înainte de a rula aceste exemple, asigură-te că ai:
|
||||
- Python 3.7 sau o versiune mai recentă instalată
|
||||
- O înțelegere de bază despre cum să rulezi scripturi Python
|
||||
|
||||
### Instalarea Bibliotecilor Necesare
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Prezentare Generală a Exemplului
|
||||
|
||||
### 1. Hello World - Stil Știința Datelor
|
||||
**Fișier:** `01_hello_world_data_science.py`
|
||||
|
||||
Primul tău program de știința datelor! Învață cum să:
|
||||
- Încarci un set de date simplu
|
||||
- Afișezi informații de bază despre datele tale
|
||||
- Printezi primul tău rezultat în știința datelor
|
||||
|
||||
Perfect pentru începătorii absoluți care vor să vadă primul lor program de știința datelor în acțiune.
|
||||
|
||||
---
|
||||
|
||||
### 2. Încărcarea și Explorarea Datelor
|
||||
**Fișier:** `02_loading_data.py`
|
||||
|
||||
Învață elementele fundamentale ale lucrului cu date:
|
||||
- Citește date din fișiere CSV
|
||||
- Vizualizează primele câteva rânduri ale setului de date
|
||||
- Obține statistici de bază despre datele tale
|
||||
- Înțelege tipurile de date
|
||||
|
||||
Acesta este adesea primul pas în orice proiect de știința datelor!
|
||||
|
||||
---
|
||||
|
||||
### 3. Analiză Simplă a Datelor
|
||||
**Fișier:** `03_simple_analysis.py`
|
||||
|
||||
Realizează prima ta analiză de date:
|
||||
- Calculează statistici de bază (medie, mediană, mod)
|
||||
- Găsește valorile maxime și minime
|
||||
- Numără aparițiile valorilor
|
||||
- Filtrează datele pe baza condițiilor
|
||||
|
||||
Vezi cum să răspunzi la întrebări simple despre datele tale.
|
||||
|
||||
---
|
||||
|
||||
### 4. Bazele Vizualizării Datelor
|
||||
**Fișier:** `04_basic_visualization.py`
|
||||
|
||||
Creează primele tale vizualizări:
|
||||
- Realizează un grafic simplu cu bare
|
||||
- Creează un grafic liniar
|
||||
- Generează un grafic circular
|
||||
- Salvează vizualizările tale ca imagini
|
||||
|
||||
Învață să comunici descoperirile tale vizual!
|
||||
|
||||
---
|
||||
|
||||
### 5. Lucrul cu Date Reale
|
||||
**Fișier:** `05_real_world_example.py`
|
||||
|
||||
Pune totul împreună într-un exemplu complet:
|
||||
- Încarcă date reale din depozit
|
||||
- Curăță și pregătește datele
|
||||
- Realizează analiza
|
||||
- Creează vizualizări semnificative
|
||||
- Trage concluzii
|
||||
|
||||
Acest exemplu îți arată un flux de lucru complet de la început până la sfârșit.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Cum să Folosești Aceste Exemple
|
||||
|
||||
1. **Începe de la început**: Exemplele sunt numerotate în ordinea dificultății. Începe cu `01_hello_world_data_science.py` și parcurge-le pe rând.
|
||||
|
||||
2. **Citește comentariile**: Fiecare fișier are comentarii detaliate care explică ce face codul și de ce. Citește-le cu atenție!
|
||||
|
||||
3. **Experimentează**: Încearcă să modifici codul. Ce se întâmplă dacă schimbi o valoare? Strică lucrurile și repară-le - așa înveți!
|
||||
|
||||
4. **Rulează codul**: Execută fiecare exemplu și observă rezultatul. Compară-l cu ceea ce te așteptai.
|
||||
|
||||
5. **Construiește pe baza lui**: După ce înțelegi un exemplu, încearcă să-l extinzi cu ideile tale.
|
||||
|
||||
## 💡 Sfaturi pentru Începători
|
||||
|
||||
- **Nu te grăbi**: Ia-ți timp să înțelegi fiecare exemplu înainte de a trece la următorul
|
||||
- **Tastează codul tu însuți**: Nu doar copia-l. Tastarea te ajută să înveți și să reții
|
||||
- **Caută concepte necunoscute**: Dacă vezi ceva ce nu înțelegi, caută online sau în lecțiile principale
|
||||
- **Pune întrebări**: Alătură-te [forumului de discuții](https://github.com/microsoft/Data-Science-For-Beginners/discussions) dacă ai nevoie de ajutor
|
||||
- **Exersează regulat**: Încearcă să scrii cod puțin în fiecare zi, mai degrabă decât sesiuni lungi o dată pe săptămână
|
||||
|
||||
## 🔗 Următorii Pași
|
||||
|
||||
După ce finalizezi aceste exemple, ești pregătit să:
|
||||
- Parcurgi lecțiile principale din curriculum
|
||||
- Încerci temele din fiecare folder de lecții
|
||||
- Explorezi notebook-urile Jupyter pentru o învățare mai aprofundată
|
||||
- Creezi propriile tale proiecte de știința datelor
|
||||
|
||||
## 📚 Resurse Suplimentare
|
||||
|
||||
- [Curriculum Principal](../README.md) - Cursul complet de 20 de lecții
|
||||
- [Pentru Profesori](../for-teachers.md) - Utilizarea acestui curriculum în clasă
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Resurse gratuite de învățare online
|
||||
- [Documentația Python](https://docs.python.org/3/) - Referința oficială Python
|
||||
|
||||
## 🤝 Contribuie
|
||||
|
||||
Ai găsit o eroare sau ai o idee pentru un nou exemplu? Acceptăm contribuții! Te rugăm să consulți [Ghidul de Contribuții](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Învățare Plăcută! 🎉**
|
||||
|
||||
Amintește-ți: Fiecare expert a fost odată începător. Ia lucrurile pas cu pas și nu te teme să faci greșeli - ele fac parte din procesul de învățare!
|
||||
|
||||
---
|
||||
|
||||
**Declinare de responsabilitate**:
|
||||
Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:07:02+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "sk"
|
||||
}
|
||||
-->
|
||||
# Príklady pre začiatočníkov v dátovej vede
|
||||
|
||||
Vitajte v adresári s príkladmi! Táto kolekcia jednoduchých, dobre okomentovaných príkladov je navrhnutá tak, aby vám pomohla začať s dátovou vedou, aj keď ste úplný začiatočník.
|
||||
|
||||
## 📚 Čo tu nájdete
|
||||
|
||||
Každý príklad je samostatný a obsahuje:
|
||||
- **Jasné komentáre** vysvetľujúce každý krok
|
||||
- **Jednoduchý, čitateľný kód**, ktorý demonštruje jeden koncept naraz
|
||||
- **Reálny kontext**, ktorý vám pomôže pochopiť, kedy a prečo používať tieto techniky
|
||||
- **Očakávaný výstup**, aby ste vedeli, čo hľadať
|
||||
|
||||
## 🚀 Začíname
|
||||
|
||||
### Predpoklady
|
||||
Pred spustením týchto príkladov sa uistite, že máte:
|
||||
- Nainštalovaný Python 3.7 alebo vyšší
|
||||
- Základné znalosti o tom, ako spúšťať Python skripty
|
||||
|
||||
### Inštalácia potrebných knižníc
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Prehľad príkladov
|
||||
|
||||
### 1. Hello World - štýl dátovej vedy
|
||||
**Súbor:** `01_hello_world_data_science.py`
|
||||
|
||||
Váš prvý program v dátovej vede! Naučíte sa:
|
||||
- Načítať jednoduchý dataset
|
||||
- Zobraziť základné informácie o vašich dátach
|
||||
- Vytlačiť váš prvý výstup v dátovej vede
|
||||
|
||||
Ideálne pre úplných začiatočníkov, ktorí chcú vidieť svoj prvý program v dátovej vede v akcii.
|
||||
|
||||
---
|
||||
|
||||
### 2. Načítanie a skúmanie dát
|
||||
**Súbor:** `02_loading_data.py`
|
||||
|
||||
Naučte sa základy práce s dátami:
|
||||
- Čítať dáta z CSV súborov
|
||||
- Zobraziť prvých pár riadkov vášho datasetu
|
||||
- Získať základné štatistiky o vašich dátach
|
||||
- Pochopiť typy dát
|
||||
|
||||
Toto je často prvý krok v každom projekte dátovej vedy!
|
||||
|
||||
---
|
||||
|
||||
### 3. Jednoduchá analýza dát
|
||||
**Súbor:** `03_simple_analysis.py`
|
||||
|
||||
Vykonajte svoju prvú analýzu dát:
|
||||
- Vypočítajte základné štatistiky (priemer, medián, mód)
|
||||
- Nájdite maximálne a minimálne hodnoty
|
||||
- Spočítajte výskyty hodnôt
|
||||
- Filtrovanie dát na základe podmienok
|
||||
|
||||
Zistite, ako odpovedať na jednoduché otázky o vašich dátach.
|
||||
|
||||
---
|
||||
|
||||
### 4. Základy vizualizácie dát
|
||||
**Súbor:** `04_basic_visualization.py`
|
||||
|
||||
Vytvorte svoje prvé vizualizácie:
|
||||
- Vytvorte jednoduchý stĺpcový graf
|
||||
- Vytvorte čiarový graf
|
||||
- Generujte koláčový graf
|
||||
- Uložte svoje vizualizácie ako obrázky
|
||||
|
||||
Naučte sa komunikovať svoje zistenia vizuálne!
|
||||
|
||||
---
|
||||
|
||||
### 5. Práca s reálnymi dátami
|
||||
**Súbor:** `05_real_world_example.py`
|
||||
|
||||
Spojte všetko dohromady s kompletným príkladom:
|
||||
- Načítajte reálne dáta z repozitára
|
||||
- Vyčistite a pripravte dáta
|
||||
- Vykonajte analýzu
|
||||
- Vytvorte zmysluplné vizualizácie
|
||||
- Vyvodzujte závery
|
||||
|
||||
Tento príklad vám ukáže kompletný pracovný postup od začiatku do konca.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Ako používať tieto príklady
|
||||
|
||||
1. **Začnite od začiatku**: Príklady sú očíslované podľa náročnosti. Začnite s `01_hello_world_data_science.py` a postupujte ďalej.
|
||||
|
||||
2. **Čítajte komentáre**: Každý súbor obsahuje podrobné komentáre vysvetľujúce, čo kód robí a prečo. Čítajte ich pozorne!
|
||||
|
||||
3. **Experimentujte**: Skúste upraviť kód. Čo sa stane, ak zmeníte hodnotu? Rozbíjajte veci a opravujte ich - tak sa učíte!
|
||||
|
||||
4. **Spúšťajte kód**: Spustite každý príklad a pozorujte výstup. Porovnajte ho s tým, čo ste očakávali.
|
||||
|
||||
5. **Rozvíjajte ho**: Keď pochopíte príklad, skúste ho rozšíriť vlastnými nápadmi.
|
||||
|
||||
## 💡 Tipy pre začiatočníkov
|
||||
|
||||
- **Nesnažte sa ponáhľať**: Dajte si čas na pochopenie každého príkladu predtým, než prejdete na ďalší
|
||||
- **Píšte kód sami**: Nekopírujte len. Písanie vám pomáha učiť sa a zapamätať si
|
||||
- **Vyhľadávajte neznáme koncepty**: Ak narazíte na niečo, čomu nerozumiete, vyhľadajte to online alebo v hlavných lekciách
|
||||
- **Pýtajte sa otázky**: Pripojte sa k [diskusnému fóru](https://github.com/microsoft/Data-Science-For-Beginners/discussions), ak potrebujete pomoc
|
||||
- **Pravidelne cvičte**: Skúste kódovať trochu každý deň namiesto dlhých sedení raz za týždeň
|
||||
|
||||
## 🔗 Ďalšie kroky
|
||||
|
||||
Po dokončení týchto príkladov ste pripravení:
|
||||
- Prejsť hlavné lekcie kurikula
|
||||
- Skúsiť úlohy v každom adresári lekcií
|
||||
- Preskúmať Jupyter notebooky pre hlbšie učenie
|
||||
- Vytvoriť vlastné projekty dátovej vedy
|
||||
|
||||
## 📚 Ďalšie zdroje
|
||||
|
||||
- [Hlavné kurikulum](../README.md) - Kompletný 20-lekciový kurz
|
||||
- [Pre učiteľov](../for-teachers.md) - Používanie tohto kurikula v triede
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Bezplatné online vzdelávacie zdroje
|
||||
- [Python Dokumentácia](https://docs.python.org/3/) - Oficiálny Python referenčný materiál
|
||||
|
||||
## 🤝 Prispievanie
|
||||
|
||||
Našli ste chybu alebo máte nápad na nový príklad? Uvítame príspevky! Pozrite si náš [Príručku pre prispievateľov](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Šťastné učenie! 🎉**
|
||||
|
||||
Pamätajte: Každý expert bol kedysi začiatočníkom. Choďte krok za krokom a nebojte sa robiť chyby - sú súčasťou procesu učenia!
|
||||
|
||||
---
|
||||
|
||||
**Upozornenie**:
|
||||
Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:08:47+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "sl"
|
||||
}
|
||||
-->
|
||||
# Primeri za začetnike v podatkovni znanosti
|
||||
|
||||
Dobrodošli v imeniku primerov! Ta zbirka preprostih, dobro komentiranih primerov je zasnovana tako, da vam pomaga začeti s podatkovno znanostjo, tudi če ste popolni začetnik.
|
||||
|
||||
## 📚 Kaj boste našli tukaj
|
||||
|
||||
Vsak primer je samostojen in vključuje:
|
||||
- **Jasne komentarje**, ki pojasnjujejo vsak korak
|
||||
- **Preprosto, berljivo kodo**, ki prikazuje en koncept naenkrat
|
||||
- **Kontekst iz resničnega sveta**, da boste razumeli, kdaj in zakaj uporabiti te tehnike
|
||||
- **Pričakovani izhod**, da boste vedeli, kaj iskati
|
||||
|
||||
## 🚀 Začetek
|
||||
|
||||
### Predpogoji
|
||||
Preden zaženete te primere, poskrbite, da imate:
|
||||
- Nameščen Python 3.7 ali novejši
|
||||
- Osnovno razumevanje, kako zagnati Python skripte
|
||||
|
||||
### Namestitev potrebnih knjižnic
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Pregled primerov
|
||||
|
||||
### 1. Hello World - Slog podatkovne znanosti
|
||||
**Datoteka:** `01_hello_world_data_science.py`
|
||||
|
||||
Vaš prvi program v podatkovni znanosti! Naučite se:
|
||||
- Naložiti preprost nabor podatkov
|
||||
- Prikazati osnovne informacije o vaših podatkih
|
||||
- Natisniti vaš prvi izhod v podatkovni znanosti
|
||||
|
||||
Odlično za popolne začetnike, ki želijo videti svoj prvi program v akciji.
|
||||
|
||||
---
|
||||
|
||||
### 2. Nalaganje in raziskovanje podatkov
|
||||
**Datoteka:** `02_loading_data.py`
|
||||
|
||||
Naučite se osnov dela s podatki:
|
||||
- Branje podatkov iz CSV datotek
|
||||
- Ogled prvih nekaj vrstic vašega nabora podatkov
|
||||
- Pridobivanje osnovnih statistik o vaših podatkih
|
||||
- Razumevanje tipov podatkov
|
||||
|
||||
To je pogosto prvi korak v vsakem projektu podatkovne znanosti!
|
||||
|
||||
---
|
||||
|
||||
### 3. Preprosta analiza podatkov
|
||||
**Datoteka:** `03_simple_analysis.py`
|
||||
|
||||
Izvedite svojo prvo analizo podatkov:
|
||||
- Izračun osnovnih statistik (povprečje, mediana, modus)
|
||||
- Iskanje največjih in najmanjših vrednosti
|
||||
- Štetje pojavitev vrednosti
|
||||
- Filtriranje podatkov na podlagi pogojev
|
||||
|
||||
Oglejte si, kako odgovoriti na preprosta vprašanja o vaših podatkih.
|
||||
|
||||
---
|
||||
|
||||
### 4. Osnove vizualizacije podatkov
|
||||
**Datoteka:** `04_basic_visualization.py`
|
||||
|
||||
Ustvarite svoje prve vizualizacije:
|
||||
- Naredite preprost stolpični diagram
|
||||
- Ustvarite linijski graf
|
||||
- Generirajte tortni diagram
|
||||
- Shranite svoje vizualizacije kot slike
|
||||
|
||||
Naučite se vizualno komunicirati svoje ugotovitve!
|
||||
|
||||
---
|
||||
|
||||
### 5. Delo z resničnimi podatki
|
||||
**Datoteka:** `05_real_world_example.py`
|
||||
|
||||
Združite vse z popolnim primerom:
|
||||
- Naložite resnične podatke iz repozitorija
|
||||
- Očistite in pripravite podatke
|
||||
- Izvedite analizo
|
||||
- Ustvarite smiselne vizualizacije
|
||||
- Izvedite zaključke
|
||||
|
||||
Ta primer vam pokaže celoten potek dela od začetka do konca.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Kako uporabljati te primere
|
||||
|
||||
1. **Začnite na začetku**: Primeri so oštevilčeni glede na težavnost. Začnite z `01_hello_world_data_science.py` in nadaljujte po vrsti.
|
||||
|
||||
2. **Preberite komentarje**: Vsaka datoteka ima podrobne komentarje, ki pojasnjujejo, kaj koda počne in zakaj. Preberite jih pozorno!
|
||||
|
||||
3. **Eksperimentirajte**: Poskusite spreminjati kodo. Kaj se zgodi, če spremenite vrednost? Razbijte stvari in jih popravite - tako se učite!
|
||||
|
||||
4. **Zaženite kodo**: Izvedite vsak primer in opazujte izhod. Primerjajte ga s pričakovanim.
|
||||
|
||||
5. **Nadgradite**: Ko razumete primer, ga poskusite razširiti s svojimi idejami.
|
||||
|
||||
## 💡 Nasveti za začetnike
|
||||
|
||||
- **Ne hitite**: Vzemite si čas, da razumete vsak primer, preden preidete na naslednjega
|
||||
- **Kodo vnesite sami**: Ne kopirajte in prilepite. Vnašanje pomaga pri učenju in pomnjenju
|
||||
- **Raziskujte neznane koncepte**: Če vidite nekaj, česar ne razumete, poiščite informacije na spletu ali v glavnih lekcijah
|
||||
- **Postavljajte vprašanja**: Pridružite se [diskusijskemu forumu](https://github.com/microsoft/Data-Science-For-Beginners/discussions), če potrebujete pomoč
|
||||
- **Redno vadite**: Poskusite programirati malo vsak dan, namesto dolgih sej enkrat na teden
|
||||
|
||||
## 🔗 Naslednji koraki
|
||||
|
||||
Ko zaključite te primere, ste pripravljeni na:
|
||||
- Delo skozi glavne lekcije kurikuluma
|
||||
- Poskusite naloge v vsaki mapi z lekcijami
|
||||
- Raziskovanje Jupyter zvezkov za bolj poglobljeno učenje
|
||||
- Ustvarjanje svojih projektov v podatkovni znanosti
|
||||
|
||||
## 📚 Dodatni viri
|
||||
|
||||
- [Glavni kurikulum](../README.md) - Celoten 20-lekcijski tečaj
|
||||
- [Za učitelje](../for-teachers.md) - Uporaba tega kurikuluma v učilnici
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Brezplačni spletni učni viri
|
||||
- [Python dokumentacija](https://docs.python.org/3/) - Uradni Python referenčni priročnik
|
||||
|
||||
## 🤝 Prispevanje
|
||||
|
||||
Ste našli napako ali imate idejo za nov primer? Veseli bomo vaših prispevkov! Prosimo, preberite naš [Vodnik za prispevanje](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Veselo učenje! 🎉**
|
||||
|
||||
Zapomnite si: Vsak strokovnjak je bil nekoč začetnik. Korak za korakom, in ne bojte se delati napak - so del učnega procesa!
|
||||
|
||||
---
|
||||
|
||||
**Izjava o omejitvi odgovornosti**:
|
||||
Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas opozarjamo, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:03:11+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "sv"
|
||||
}
|
||||
-->
|
||||
# Nybörjarvänliga Exempel på Data Science
|
||||
|
||||
Välkommen till exempelbiblioteket! Denna samling av enkla, välkommenterade exempel är utformad för att hjälpa dig komma igång med data science, även om du är helt nybörjare.
|
||||
|
||||
## 📚 Vad Du Hittar Här
|
||||
|
||||
Varje exempel är självständigt och inkluderar:
|
||||
- **Tydliga kommentarer** som förklarar varje steg
|
||||
- **Enkel, läsbar kod** som demonstrerar ett koncept i taget
|
||||
- **Verklighetsnära sammanhang** för att hjälpa dig förstå när och varför du ska använda dessa tekniker
|
||||
- **Förväntad output** så att du vet vad du ska leta efter
|
||||
|
||||
## 🚀 Komma Igång
|
||||
|
||||
### Förkunskaper
|
||||
Innan du kör dessa exempel, se till att du har:
|
||||
- Python 3.7 eller högre installerat
|
||||
- Grundläggande förståelse för hur man kör Python-skript
|
||||
|
||||
### Installera Nödvändiga Bibliotek
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Översikt över Exempel
|
||||
|
||||
### 1. Hello World - Data Science Style
|
||||
**Fil:** `01_hello_world_data_science.py`
|
||||
|
||||
Ditt första data science-program! Lär dig att:
|
||||
- Ladda en enkel dataset
|
||||
- Visa grundläggande information om dina data
|
||||
- Skriva ut din första data science-output
|
||||
|
||||
Perfekt för absoluta nybörjare som vill se sitt första data science-program i aktion.
|
||||
|
||||
---
|
||||
|
||||
### 2. Ladda och Utforska Data
|
||||
**Fil:** `02_loading_data.py`
|
||||
|
||||
Lär dig grunderna i att arbeta med data:
|
||||
- Läs data från CSV-filer
|
||||
- Visa de första raderna i din dataset
|
||||
- Få grundläggande statistik om dina data
|
||||
- Förstå datatyper
|
||||
|
||||
Detta är ofta det första steget i ett data science-projekt!
|
||||
|
||||
---
|
||||
|
||||
### 3. Enkel Dataanalys
|
||||
**Fil:** `03_simple_analysis.py`
|
||||
|
||||
Utför din första dataanalys:
|
||||
- Beräkna grundläggande statistik (medelvärde, median, typvärde)
|
||||
- Hitta max- och minvärden
|
||||
- Räkna förekomster av värden
|
||||
- Filtrera data baserat på villkor
|
||||
|
||||
Se hur du kan besvara enkla frågor om dina data.
|
||||
|
||||
---
|
||||
|
||||
### 4. Grundläggande Datavisualisering
|
||||
**Fil:** `04_basic_visualization.py`
|
||||
|
||||
Skapa dina första visualiseringar:
|
||||
- Gör ett enkelt stapeldiagram
|
||||
- Skapa ett linjediagram
|
||||
- Generera ett cirkeldiagram
|
||||
- Spara dina visualiseringar som bilder
|
||||
|
||||
Lär dig att kommunicera dina resultat visuellt!
|
||||
|
||||
---
|
||||
|
||||
### 5. Arbeta med Verkliga Data
|
||||
**Fil:** `05_real_world_example.py`
|
||||
|
||||
Sätt ihop allt med ett komplett exempel:
|
||||
- Ladda verkliga data från repositoryn
|
||||
- Rensa och förbered data
|
||||
- Utför analys
|
||||
- Skapa meningsfulla visualiseringar
|
||||
- Dra slutsatser
|
||||
|
||||
Detta exempel visar dig en komplett arbetsflöde från början till slut.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Hur Du Använder Dessa Exempel
|
||||
|
||||
1. **Börja från början**: Exemplen är numrerade i svårighetsordning. Börja med `01_hello_world_data_science.py` och arbeta dig igenom.
|
||||
|
||||
2. **Läs kommentarerna**: Varje fil har detaljerade kommentarer som förklarar vad koden gör och varför. Läs dem noggrant!
|
||||
|
||||
3. **Experimentera**: Försök att ändra koden. Vad händer om du ändrar ett värde? Bryt saker och fixa dem - det är så du lär dig!
|
||||
|
||||
4. **Kör koden**: Kör varje exempel och observera outputen. Jämför den med vad du förväntade dig.
|
||||
|
||||
5. **Bygg vidare**: När du förstår ett exempel, försök att utöka det med dina egna idéer.
|
||||
|
||||
## 💡 Tips för Nybörjare
|
||||
|
||||
- **Stressa inte**: Ta dig tid att förstå varje exempel innan du går vidare till nästa
|
||||
- **Skriv koden själv**: Kopiera inte bara och klistra in. Att skriva hjälper dig att lära och komma ihåg
|
||||
- **Sök upp okända koncept**: Om du ser något du inte förstår, sök efter det online eller i huvudlektionerna
|
||||
- **Ställ frågor**: Gå med i [diskussionsforumet](https://github.com/microsoft/Data-Science-For-Beginners/discussions) om du behöver hjälp
|
||||
- **Öva regelbundet**: Försök att koda lite varje dag istället för långa sessioner en gång i veckan
|
||||
|
||||
## 🔗 Nästa Steg
|
||||
|
||||
Efter att ha slutfört dessa exempel är du redo att:
|
||||
- Arbeta igenom huvudlektionerna i kursen
|
||||
- Prova uppgifterna i varje lektionsmapp
|
||||
- Utforska Jupyter-notebooks för mer djupgående lärande
|
||||
- Skapa dina egna data science-projekt
|
||||
|
||||
## 📚 Ytterligare Resurser
|
||||
|
||||
- [Huvudkursen](../README.md) - Den kompletta kursen med 20 lektioner
|
||||
- [För Lärare](../for-teachers.md) - Använd denna kurs i klassrummet
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Gratis online-lärresurser
|
||||
- [Python-dokumentation](https://docs.python.org/3/) - Officiell Python-referens
|
||||
|
||||
## 🤝 Bidra
|
||||
|
||||
Hittade du ett fel eller har en idé för ett nytt exempel? Vi välkomnar bidrag! Se vår [Bidragsguide](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Lycka till med lärandet! 🎉**
|
||||
|
||||
Kom ihåg: Varje expert var en gång nybörjare. Ta det ett steg i taget och var inte rädd för att göra misstag - de är en del av lärandeprocessen!
|
||||
|
||||
---
|
||||
|
||||
**Ansvarsfriskrivning**:
|
||||
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, bör det noteras att automatiserade översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:06:07+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "sw"
|
||||
}
|
||||
-->
|
||||
# Mifano Rahisi ya Sayansi ya Takwimu
|
||||
|
||||
Karibu kwenye saraka ya mifano! Mkusanyiko huu wa mifano rahisi, yenye maelezo ya kina, umeundwa kukusaidia kuanza na sayansi ya takwimu, hata kama wewe ni mwanzilishi kabisa.
|
||||
|
||||
## 📚 Kile Utakachopata Hapa
|
||||
|
||||
Kila mfano ni wa kujitegemea na unajumuisha:
|
||||
- **Maelezo ya wazi** yanayoelezea kila hatua
|
||||
- **Nambari rahisi na inayosomeka** inayodhihirisha dhana moja kwa wakati mmoja
|
||||
- **Muktadha wa maisha halisi** ili kukusaidia kuelewa ni lini na kwa nini utumie mbinu hizi
|
||||
- **Matokeo yanayotarajiwa** ili ujue unachotakiwa kutafuta
|
||||
|
||||
## 🚀 Kuanza
|
||||
|
||||
### Mahitaji ya Awali
|
||||
Kabla ya kuendesha mifano hii, hakikisha una:
|
||||
- Python 3.7 au toleo jipya zaidi limewekwa
|
||||
- Uelewa wa msingi wa jinsi ya kuendesha skirpti za Python
|
||||
|
||||
### Kusakinisha Maktaba Zinazohitajika
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Muhtasari wa Mifano
|
||||
|
||||
### 1. Hello World - Mtindo wa Sayansi ya Takwimu
|
||||
**Faili:** `01_hello_world_data_science.py`
|
||||
|
||||
Programu yako ya kwanza ya sayansi ya takwimu! Jifunze jinsi ya:
|
||||
- Kupakia seti rahisi ya data
|
||||
- Kuonyesha maelezo ya msingi kuhusu data yako
|
||||
- Kuchapisha matokeo yako ya kwanza ya sayansi ya takwimu
|
||||
|
||||
Inafaa kwa wanaoanza kabisa ambao wanataka kuona programu yao ya kwanza ya sayansi ya takwimu ikifanya kazi.
|
||||
|
||||
---
|
||||
|
||||
### 2. Kupakia na Kuchunguza Data
|
||||
**Faili:** `02_loading_data.py`
|
||||
|
||||
Jifunze misingi ya kufanya kazi na data:
|
||||
- Kusoma data kutoka faili za CSV
|
||||
- Kuangalia safu chache za kwanza za seti yako ya data
|
||||
- Kupata takwimu za msingi kuhusu data yako
|
||||
- Kuelewa aina za data
|
||||
|
||||
Hii mara nyingi ni hatua ya kwanza katika mradi wowote wa sayansi ya takwimu!
|
||||
|
||||
---
|
||||
|
||||
### 3. Uchambuzi Rahisi wa Data
|
||||
**Faili:** `03_simple_analysis.py`
|
||||
|
||||
Fanya uchambuzi wako wa kwanza wa data:
|
||||
- Hesabu takwimu za msingi (wastani, mediani, mode)
|
||||
- Tafuta thamani za juu na za chini
|
||||
- Hesabu idadi ya matukio ya thamani
|
||||
- Chuja data kulingana na masharti
|
||||
|
||||
Tazama jinsi ya kujibu maswali rahisi kuhusu data yako.
|
||||
|
||||
---
|
||||
|
||||
### 4. Misingi ya Uonyeshaji wa Data
|
||||
**Faili:** `04_basic_visualization.py`
|
||||
|
||||
Unda uonyeshaji wako wa kwanza:
|
||||
- Tengeneza chati rahisi ya nguzo
|
||||
- Unda mchoro wa mstari
|
||||
- Tengeneza chati ya pai
|
||||
- Hifadhi uonyeshaji wako kama picha
|
||||
|
||||
Jifunze kuwasilisha matokeo yako kwa njia ya kuona!
|
||||
|
||||
---
|
||||
|
||||
### 5. Kufanya Kazi na Data Halisi
|
||||
**Faili:** `05_real_world_example.py`
|
||||
|
||||
Unganisha yote pamoja na mfano kamili:
|
||||
- Pakia data halisi kutoka kwenye hifadhi
|
||||
- Safisha na andaa data
|
||||
- Fanya uchambuzi
|
||||
- Unda uonyeshaji wa maana
|
||||
- Toa hitimisho
|
||||
|
||||
Mfano huu unaonyesha mtiririko kamili wa kazi kutoka mwanzo hadi mwisho.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Jinsi ya Kutumia Mifano Hii
|
||||
|
||||
1. **Anza kutoka mwanzo**: Mifano imepangwa kwa mpangilio wa ugumu. Anza na `01_hello_world_data_science.py` na endelea hatua kwa hatua.
|
||||
|
||||
2. **Soma maelezo**: Kila faili ina maelezo ya kina yanayoelezea nambari inavyofanya kazi na kwa nini. Soma kwa makini!
|
||||
|
||||
3. **Jaribu**: Jaribu kubadilisha nambari. Nini kinatokea ukibadilisha thamani? Vunja vitu na urekebishe - hivyo ndivyo unavyoweza kujifunza!
|
||||
|
||||
4. **Endesha nambari**: Tekeleza kila mfano na angalia matokeo. Linganisha na kile ulichotarajia.
|
||||
|
||||
5. **Jenga juu yake**: Mara tu unapofahamu mfano, jaribu kuupanua kwa mawazo yako mwenyewe.
|
||||
|
||||
## 💡 Vidokezo kwa Wanaoanza
|
||||
|
||||
- **Usikimbilie**: Chukua muda kuelewa kila mfano kabla ya kuendelea na mwingine
|
||||
- **Andika nambari mwenyewe**: Usinakili na kubandika tu. Kuandika kunakusaidia kujifunza na kukumbuka
|
||||
- **Tafuta dhana zisizofahamika**: Ukiona kitu usichokielewa, tafuta mtandaoni au katika masomo makuu
|
||||
- **Uliza maswali**: Jiunge na [jukwaa la majadiliano](https://github.com/microsoft/Data-Science-For-Beginners/discussions) ikiwa unahitaji msaada
|
||||
- **Fanya mazoezi mara kwa mara**: Jaribu kuandika nambari kidogo kila siku badala ya vipindi virefu mara moja kwa wiki
|
||||
|
||||
## 🔗 Hatua Zifuatazo
|
||||
|
||||
Baada ya kukamilisha mifano hii, uko tayari:
|
||||
- Kufanya kazi kupitia masomo makuu ya mtaala
|
||||
- Jaribu kazi za nyumbani katika kila folda ya somo
|
||||
- Chunguza daftari za Jupyter kwa kujifunza kwa kina zaidi
|
||||
- Unda miradi yako mwenyewe ya sayansi ya takwimu
|
||||
|
||||
## 📚 Rasilimali za Ziada
|
||||
|
||||
- [Mtaala Mkuu](../README.md) - Kozi kamili ya masomo 20
|
||||
- [Kwa Walimu](../for-teachers.md) - Kutumia mtaala huu darasani
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Rasilimali za kujifunza mtandaoni bila malipo
|
||||
- [Hati za Python](https://docs.python.org/3/) - Marejeleo rasmi ya Python
|
||||
|
||||
## 🤝 Kuchangia
|
||||
|
||||
Umegundua hitilafu au una wazo la mfano mpya? Tunakaribisha michango! Tafadhali angalia [Mwongozo wa Kuchangia](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Jifunze kwa Furaha! 🎉**
|
||||
|
||||
Kumbuka: Kila mtaalamu alikuwa mwanzilishi wakati mmoja. Chukua hatua moja kwa wakati, na usiogope kufanya makosa - ni sehemu ya mchakato wa kujifunza!
|
||||
|
||||
---
|
||||
|
||||
**Kanusho**:
|
||||
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:02:47+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "th"
|
||||
}
|
||||
-->
|
||||
# ตัวอย่างวิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น
|
||||
|
||||
ยินดีต้อนรับสู่ไดเรกทอรีตัวอย่าง! คอลเลกชันตัวอย่างที่เรียบง่ายและมีคำอธิบายชัดเจนนี้ถูกออกแบบมาเพื่อช่วยให้คุณเริ่มต้นกับวิทยาศาสตร์ข้อมูล แม้ว่าคุณจะเป็นมือใหม่ก็ตาม
|
||||
|
||||
## 📚 สิ่งที่คุณจะพบที่นี่
|
||||
|
||||
แต่ละตัวอย่างมีความสมบูรณ์ในตัวเองและประกอบด้วย:
|
||||
- **คำอธิบายที่ชัดเจน** อธิบายทุกขั้นตอน
|
||||
- **โค้ดที่อ่านง่าย** แสดงแนวคิดทีละอย่าง
|
||||
- **บริบทในโลกจริง** เพื่อช่วยให้คุณเข้าใจว่าเมื่อไหร่และทำไมถึงใช้เทคนิคเหล่านี้
|
||||
- **ผลลัพธ์ที่คาดหวัง** เพื่อให้คุณรู้ว่าควรดูอะไร
|
||||
|
||||
## 🚀 เริ่มต้นใช้งาน
|
||||
|
||||
### สิ่งที่ต้องเตรียม
|
||||
ก่อนที่จะรันตัวอย่างเหล่านี้ ตรวจสอบให้แน่ใจว่าคุณมี:
|
||||
- Python 3.7 หรือสูงกว่าติดตั้งอยู่
|
||||
- ความเข้าใจพื้นฐานเกี่ยวกับการรันสคริปต์ Python
|
||||
|
||||
### การติดตั้งไลบรารีที่จำเป็น
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 ภาพรวมของตัวอย่าง
|
||||
|
||||
### 1. Hello World - สไตล์วิทยาศาสตร์ข้อมูล
|
||||
**ไฟล์:** `01_hello_world_data_science.py`
|
||||
|
||||
โปรแกรมวิทยาศาสตร์ข้อมูลแรกของคุณ! เรียนรู้วิธี:
|
||||
- โหลดชุดข้อมูลง่ายๆ
|
||||
- แสดงข้อมูลพื้นฐานเกี่ยวกับชุดข้อมูลของคุณ
|
||||
- พิมพ์ผลลัพธ์วิทยาศาสตร์ข้อมูลครั้งแรกของคุณ
|
||||
|
||||
เหมาะสำหรับมือใหม่ที่ต้องการเห็นโปรแกรมวิทยาศาสตร์ข้อมูลครั้งแรกในทางปฏิบัติ
|
||||
|
||||
---
|
||||
|
||||
### 2. การโหลดและสำรวจข้อมูล
|
||||
**ไฟล์:** `02_loading_data.py`
|
||||
|
||||
เรียนรู้พื้นฐานของการทำงานกับข้อมูล:
|
||||
- อ่านข้อมูลจากไฟล์ CSV
|
||||
- ดูแถวแรกๆ ของชุดข้อมูลของคุณ
|
||||
- รับสถิติพื้นฐานเกี่ยวกับข้อมูลของคุณ
|
||||
- เข้าใจประเภทของข้อมูล
|
||||
|
||||
นี่มักจะเป็นขั้นตอนแรกในโครงการวิทยาศาสตร์ข้อมูลใดๆ!
|
||||
|
||||
---
|
||||
|
||||
### 3. การวิเคราะห์ข้อมูลแบบง่าย
|
||||
**ไฟล์:** `03_simple_analysis.py`
|
||||
|
||||
ทำการวิเคราะห์ข้อมูลครั้งแรกของคุณ:
|
||||
- คำนวณสถิติพื้นฐาน (ค่าเฉลี่ย มัธยฐาน โหมด)
|
||||
- หาค่าสูงสุดและต่ำสุด
|
||||
- นับจำนวนการเกิดของค่า
|
||||
- กรองข้อมูลตามเงื่อนไข
|
||||
|
||||
ดูวิธีตอบคำถามง่ายๆ เกี่ยวกับข้อมูลของคุณ
|
||||
|
||||
---
|
||||
|
||||
### 4. พื้นฐานการสร้างภาพข้อมูล
|
||||
**ไฟล์:** `04_basic_visualization.py`
|
||||
|
||||
สร้างภาพข้อมูลครั้งแรกของคุณ:
|
||||
- สร้างแผนภูมิแท่งง่ายๆ
|
||||
- สร้างกราฟเส้น
|
||||
- สร้างแผนภูมิวงกลม
|
||||
- บันทึกภาพข้อมูลของคุณเป็นไฟล์รูปภาพ
|
||||
|
||||
เรียนรู้วิธีสื่อสารผลลัพธ์ของคุณด้วยภาพ!
|
||||
|
||||
---
|
||||
|
||||
### 5. การทำงานกับข้อมูลจริง
|
||||
**ไฟล์:** `05_real_world_example.py`
|
||||
|
||||
นำทุกอย่างมารวมกันในตัวอย่างที่สมบูรณ์:
|
||||
- โหลดข้อมูลจริงจากที่เก็บข้อมูล
|
||||
- ทำความสะอาดและเตรียมข้อมูล
|
||||
- ทำการวิเคราะห์
|
||||
- สร้างภาพข้อมูลที่มีความหมาย
|
||||
- สรุปผล
|
||||
|
||||
ตัวอย่างนี้แสดงให้คุณเห็นกระบวนการทำงานที่สมบูรณ์ตั้งแต่ต้นจนจบ
|
||||
|
||||
---
|
||||
|
||||
## 🎯 วิธีใช้ตัวอย่างเหล่านี้
|
||||
|
||||
1. **เริ่มต้นจากจุดเริ่มต้น**: ตัวอย่างถูกจัดลำดับตามความยาก เริ่มต้นที่ `01_hello_world_data_science.py` และทำตามลำดับไปเรื่อยๆ
|
||||
|
||||
2. **อ่านคำอธิบาย**: แต่ละไฟล์มีคำอธิบายละเอียดเกี่ยวกับสิ่งที่โค้ดทำและเหตุผล อ่านอย่างละเอียด!
|
||||
|
||||
3. **ทดลอง**: ลองแก้ไขโค้ด ดูว่าเกิดอะไรขึ้นถ้าคุณเปลี่ยนค่า ลองทำให้โค้ดเสียแล้วแก้ไข - นั่นคือวิธีการเรียนรู้!
|
||||
|
||||
4. **รันโค้ด**: รันแต่ละตัวอย่างและสังเกตผลลัพธ์ เปรียบเทียบกับสิ่งที่คุณคาดหวัง
|
||||
|
||||
5. **ต่อยอด**: เมื่อคุณเข้าใจตัวอย่างแล้ว ลองขยายมันด้วยไอเดียของคุณเอง
|
||||
|
||||
## 💡 เคล็ดลับสำหรับมือใหม่
|
||||
|
||||
- **อย่ารีบร้อน**: ใช้เวลาในการทำความเข้าใจแต่ละตัวอย่างก่อนที่จะไปยังตัวอย่างถัดไป
|
||||
- **พิมพ์โค้ดด้วยตัวเอง**: อย่าแค่คัดลอก-วาง การพิมพ์ช่วยให้คุณเรียนรู้และจดจำ
|
||||
- **ค้นหาความหมายของแนวคิดที่ไม่คุ้นเคย**: หากคุณเห็นสิ่งที่คุณไม่เข้าใจ ค้นหาข้อมูลออนไลน์หรือในบทเรียนหลัก
|
||||
- **ถามคำถาม**: เข้าร่วม [ฟอรัมสนทนา](https://github.com/microsoft/Data-Science-For-Beginners/discussions) หากคุณต้องการความช่วยเหลือ
|
||||
- **ฝึกฝนอย่างสม่ำเสมอ**: พยายามเขียนโค้ดเล็กๆ น้อยๆ ทุกวันแทนที่จะทำเป็นช่วงยาวๆ สัปดาห์ละครั้ง
|
||||
|
||||
## 🔗 ขั้นตอนถัดไป
|
||||
|
||||
หลังจากทำตัวอย่างเหล่านี้เสร็จ คุณพร้อมที่จะ:
|
||||
- ทำบทเรียนในหลักสูตรหลัก
|
||||
- ลองทำแบบฝึกหัดในแต่ละโฟลเดอร์บทเรียน
|
||||
- สำรวจ Jupyter notebooks เพื่อการเรียนรู้ที่ลึกซึ้งยิ่งขึ้น
|
||||
- สร้างโครงการวิทยาศาสตร์ข้อมูลของคุณเอง
|
||||
|
||||
## 📚 แหล่งข้อมูลเพิ่มเติม
|
||||
|
||||
- [หลักสูตรหลัก](../README.md) - หลักสูตร 20 บทเรียนที่สมบูรณ์
|
||||
- [สำหรับครู](../for-teachers.md) - การใช้หลักสูตรนี้ในห้องเรียนของคุณ
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - แหล่งเรียนรู้ออนไลน์ฟรี
|
||||
- [เอกสาร Python](https://docs.python.org/3/) - เอกสารอ้างอิง Python อย่างเป็นทางการ
|
||||
|
||||
## 🤝 การมีส่วนร่วม
|
||||
|
||||
พบข้อผิดพลาดหรือมีไอเดียสำหรับตัวอย่างใหม่? เรายินดีต้อนรับการมีส่วนร่วม! โปรดดู [คู่มือการมีส่วนร่วม](../CONTRIBUTING.md)
|
||||
|
||||
---
|
||||
|
||||
**เรียนรู้อย่างมีความสุข! 🎉**
|
||||
|
||||
จำไว้ว่า: ผู้เชี่ยวชาญทุกคนเคยเป็นมือใหม่มาก่อน เรียนรู้ทีละขั้นตอน และอย่ากลัวที่จะทำผิดพลาด - เพราะมันเป็นส่วนหนึ่งของกระบวนการเรียนรู้!
|
||||
|
||||
---
|
||||
|
||||
**ข้อจำกัดความรับผิดชอบ**:
|
||||
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้
|
||||
@ -0,0 +1,145 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:05:40+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "tl"
|
||||
}
|
||||
-->
|
||||
# Mga Halimbawa ng Data Science para sa mga Baguhan
|
||||
|
||||
Maligayang pagdating sa direktoryo ng mga halimbawa! Ang koleksyong ito ng mga simpleng halimbawa na may malinaw na mga komento ay idinisenyo upang tulungan kang magsimula sa data science, kahit na ikaw ay ganap na baguhan.
|
||||
|
||||
## 📚 Ano ang Matatagpuan Dito
|
||||
|
||||
Ang bawat halimbawa ay kumpleto at naglalaman ng:
|
||||
- **Malinaw na mga komento** na nagpapaliwanag sa bawat hakbang
|
||||
- **Simple at madaling basahing code** na nagpapakita ng isang konsepto sa bawat pagkakataon
|
||||
- **Konteksto mula sa totoong mundo** upang maunawaan mo kung kailan at bakit gagamitin ang mga teknik na ito
|
||||
- **Inaasahang output** upang malaman mo kung ano ang dapat mong makita
|
||||
|
||||
## 🚀 Paano Magsimula
|
||||
|
||||
### Mga Kinakailangan
|
||||
Bago patakbuhin ang mga halimbawa, tiyaking mayroon ka ng mga sumusunod:
|
||||
- Nakainstall ang Python 3.7 o mas mataas
|
||||
- Pangunahing kaalaman kung paano patakbuhin ang mga Python script
|
||||
|
||||
### Pag-install ng Mga Kinakailangang Library
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Pangkalahatang-ideya ng Mga Halimbawa
|
||||
|
||||
### 1. Hello World - Data Science Style
|
||||
**File:** `01_hello_world_data_science.py`
|
||||
|
||||
Ang iyong unang programa sa data science! Matutunan kung paano:
|
||||
- Mag-load ng simpleng dataset
|
||||
- Ipakita ang pangunahing impormasyon tungkol sa iyong data
|
||||
- I-print ang iyong unang output sa data science
|
||||
|
||||
Perpekto para sa mga ganap na baguhan na gustong makita ang kanilang unang programa sa data science na gumagana.
|
||||
|
||||
---
|
||||
|
||||
### 2. Pag-load at Pag-explore ng Data
|
||||
**File:** `02_loading_data.py`
|
||||
|
||||
Matutunan ang mga pangunahing kaalaman sa pagtatrabaho sa data:
|
||||
- Magbasa ng data mula sa mga CSV file
|
||||
- Tingnan ang unang ilang mga hilera ng iyong dataset
|
||||
- Kumuha ng pangunahing istatistika tungkol sa iyong data
|
||||
- Unawain ang mga uri ng data
|
||||
|
||||
Ito ang madalas na unang hakbang sa anumang proyekto sa data science!
|
||||
|
||||
---
|
||||
|
||||
### 3. Simpleng Pagsusuri ng Data
|
||||
**File:** `03_simple_analysis.py`
|
||||
|
||||
Gawin ang iyong unang pagsusuri ng data:
|
||||
- Kalkulahin ang mga pangunahing istatistika (mean, median, mode)
|
||||
- Hanapin ang pinakamataas at pinakamababang halaga
|
||||
- Bilangin ang mga paglitaw ng mga halaga
|
||||
- I-filter ang data batay sa mga kondisyon
|
||||
|
||||
Tingnan kung paano sagutin ang mga simpleng tanong tungkol sa iyong data.
|
||||
|
||||
---
|
||||
|
||||
### 4. Mga Pangunahing Kaalaman sa Data Visualization
|
||||
**File:** `04_basic_visualization.py`
|
||||
|
||||
Gumawa ng iyong unang mga visualization:
|
||||
- Gumawa ng simpleng bar chart
|
||||
- Gumawa ng line plot
|
||||
- Gumawa ng pie chart
|
||||
- I-save ang iyong mga visualization bilang mga imahe
|
||||
|
||||
Matutunan kung paano ipahayag ang iyong mga natuklasan sa biswal na paraan!
|
||||
|
||||
---
|
||||
|
||||
### 5. Pagtatrabaho sa Totoong Data
|
||||
**File:** `05_real_world_example.py`
|
||||
|
||||
Pagsamahin ang lahat sa isang kumpletong halimbawa:
|
||||
- Mag-load ng totoong data mula sa repository
|
||||
- Linisin at ihanda ang data
|
||||
- Gawin ang pagsusuri
|
||||
- Gumawa ng makabuluhang mga visualization
|
||||
- Gumuhit ng mga konklusyon
|
||||
|
||||
Ipinapakita ng halimbawang ito ang isang kumpletong workflow mula simula hanggang matapos.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Paano Gamitin ang Mga Halimbawang Ito
|
||||
|
||||
1. **Magsimula sa simula**: Ang mga halimbawa ay nakaayos ayon sa antas ng kahirapan. Simulan sa `01_hello_world_data_science.py` at sundan ang pagkakasunod-sunod.
|
||||
2. **Basahin ang mga komento**: Ang bawat file ay may detalyadong mga komento na nagpapaliwanag kung ano ang ginagawa ng code at kung bakit. Basahin ang mga ito nang mabuti!
|
||||
3. **Mag-eksperimento**: Subukang baguhin ang code. Ano ang mangyayari kung babaguhin mo ang isang halaga? Subukang sirain ang mga bagay at ayusin ang mga ito - ganito ka matututo!
|
||||
4. **Patakbuhin ang code**: Ipatupad ang bawat halimbawa at obserbahan ang output. Ihambing ito sa inaasahan mo.
|
||||
5. **Palawakin ito**: Kapag naintindihan mo na ang isang halimbawa, subukang palawakin ito gamit ang sarili mong mga ideya.
|
||||
|
||||
## 💡 Mga Tip para sa mga Baguhan
|
||||
|
||||
- **Huwag magmadali**: Maglaan ng oras upang maunawaan ang bawat halimbawa bago lumipat sa susunod
|
||||
- **I-type ang code mo mismo**: Huwag lang kopyahin at i-paste. Ang pagta-type ay nakakatulong sa iyong matuto at matandaan
|
||||
- **Hanapin ang mga hindi pamilyar na konsepto**: Kung may makita kang hindi mo naiintindihan, maghanap online o sa mga pangunahing aralin
|
||||
- **Magtanong**: Sumali sa [discussion forum](https://github.com/microsoft/Data-Science-For-Beginners/discussions) kung kailangan mo ng tulong
|
||||
- **Magpraktis nang regular**: Subukang mag-code araw-araw kaysa sa mahabang sesyon isang beses sa isang linggo
|
||||
|
||||
## 🔗 Mga Susunod na Hakbang
|
||||
|
||||
Pagkatapos makumpleto ang mga halimbawa, handa ka nang:
|
||||
- Dumaan sa mga pangunahing aralin ng kurikulum
|
||||
- Subukan ang mga gawain sa bawat folder ng aralin
|
||||
- Tuklasin ang mga Jupyter notebook para sa mas malalim na pag-aaral
|
||||
- Gumawa ng sarili mong mga proyekto sa data science
|
||||
|
||||
## 📚 Karagdagang Mga Mapagkukunan
|
||||
|
||||
- [Main Curriculum](../README.md) - Ang kumpletong 20-aralin na kurso
|
||||
- [For Teachers](../for-teachers.md) - Paggamit ng kurikulum na ito sa iyong klase
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Libreng online na mga mapagkukunan sa pag-aaral
|
||||
- [Python Documentation](https://docs.python.org/3/) - Opisyal na sanggunian sa Python
|
||||
|
||||
## 🤝 Pagtulong
|
||||
|
||||
Nakakita ng bug o may ideya para sa bagong halimbawa? Malugod naming tinatanggap ang mga kontribusyon! Mangyaring tingnan ang aming [Contributing Guide](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Masayang Pag-aaral! 🎉**
|
||||
|
||||
Tandaan: Ang bawat eksperto ay minsang naging baguhan. Gawin ito nang paisa-isa, at huwag matakot na magkamali - bahagi ito ng proseso ng pagkatuto!
|
||||
|
||||
---
|
||||
|
||||
**Paunawa**:
|
||||
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, mangyaring tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na pinagmulan. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T12:56:59+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ur"
|
||||
}
|
||||
-->
|
||||
# ڈیٹا سائنس کے ابتدائی دوستانہ مثالیں
|
||||
|
||||
مثالوں کی ڈائریکٹری میں خوش آمدید! یہ سادہ اور واضح تبصرے والی مثالوں کا مجموعہ آپ کو ڈیٹا سائنس کے ساتھ شروعات کرنے میں مدد دینے کے لیے بنایا گیا ہے، چاہے آپ بالکل نئے ہوں۔
|
||||
|
||||
## 📚 یہاں آپ کو کیا ملے گا
|
||||
|
||||
ہر مثال خود مختار ہے اور شامل کرتی ہے:
|
||||
- **واضح تبصرے** جو ہر قدم کی وضاحت کرتے ہیں
|
||||
- **سادہ اور قابلِ فہم کوڈ** جو ایک وقت میں ایک تصور کو ظاہر کرتا ہے
|
||||
- **حقیقی دنیا کا سیاق و سباق** تاکہ آپ سمجھ سکیں کہ ان تکنیکوں کو کب اور کیوں استعمال کرنا ہے
|
||||
- **متوقع نتائج** تاکہ آپ جان سکیں کہ کیا دیکھنا ہے
|
||||
|
||||
## 🚀 شروعات کرنا
|
||||
|
||||
### ضروریات
|
||||
ان مثالوں کو چلانے سے پہلے، یقینی بنائیں کہ آپ کے پاس:
|
||||
- Python 3.7 یا اس سے زیادہ انسٹال ہے
|
||||
- Python اسکرپٹس چلانے کا بنیادی علم ہے
|
||||
|
||||
### مطلوبہ لائبریریاں انسٹال کرنا
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 مثالوں کا جائزہ
|
||||
|
||||
### 1. ہیلو ورلڈ - ڈیٹا سائنس انداز
|
||||
**فائل:** `01_hello_world_data_science.py`
|
||||
|
||||
آپ کا پہلا ڈیٹا سائنس پروگرام! سیکھیں کہ:
|
||||
- ایک سادہ ڈیٹا سیٹ لوڈ کریں
|
||||
- اپنے ڈیٹا کے بارے میں بنیادی معلومات دکھائیں
|
||||
- اپنا پہلا ڈیٹا سائنس آؤٹ پٹ پرنٹ کریں
|
||||
|
||||
بالکل نئے افراد کے لیے بہترین جو اپنا پہلا ڈیٹا سائنس پروگرام ایکشن میں دیکھنا چاہتے ہیں۔
|
||||
|
||||
---
|
||||
|
||||
### 2. ڈیٹا لوڈ کرنا اور دریافت کرنا
|
||||
**فائل:** `02_loading_data.py`
|
||||
|
||||
ڈیٹا کے ساتھ کام کرنے کی بنیادی باتیں سیکھیں:
|
||||
- CSV فائلوں سے ڈیٹا پڑھیں
|
||||
- اپنے ڈیٹا سیٹ کی ابتدائی چند قطاریں دیکھیں
|
||||
- اپنے ڈیٹا کے بارے میں بنیادی شماریات حاصل کریں
|
||||
- ڈیٹا کی اقسام کو سمجھیں
|
||||
|
||||
یہ اکثر کسی بھی ڈیٹا سائنس پروجیکٹ کا پہلا قدم ہوتا ہے!
|
||||
|
||||
---
|
||||
|
||||
### 3. سادہ ڈیٹا تجزیہ
|
||||
**فائل:** `03_simple_analysis.py`
|
||||
|
||||
اپنا پہلا ڈیٹا تجزیہ کریں:
|
||||
- بنیادی شماریات (اوسط، درمیانی، موڈ) کا حساب لگائیں
|
||||
- زیادہ سے زیادہ اور کم سے کم اقدار تلاش کریں
|
||||
- اقدار کی تعداد گنیں
|
||||
- شرائط کی بنیاد پر ڈیٹا فلٹر کریں
|
||||
|
||||
دیکھیں کہ اپنے ڈیٹا کے بارے میں سادہ سوالات کے جواب کیسے دیں۔
|
||||
|
||||
---
|
||||
|
||||
### 4. ڈیٹا کی بصری نمائندگی کی بنیادی باتیں
|
||||
**فائل:** `04_basic_visualization.py`
|
||||
|
||||
اپنی پہلی بصری نمائندگی بنائیں:
|
||||
- ایک سادہ بار چارٹ بنائیں
|
||||
- ایک لائن پلاٹ بنائیں
|
||||
- ایک پائی چارٹ تیار کریں
|
||||
- اپنی بصری نمائندگی کو تصاویر کے طور پر محفوظ کریں
|
||||
|
||||
اپنے نتائج کو بصری طور پر پیش کرنے کا طریقہ سیکھیں!
|
||||
|
||||
---
|
||||
|
||||
### 5. حقیقی ڈیٹا کے ساتھ کام کرنا
|
||||
**فائل:** `05_real_world_example.py`
|
||||
|
||||
سب کچھ ایک مکمل مثال کے ساتھ جوڑیں:
|
||||
- ریپوزٹری سے حقیقی ڈیٹا لوڈ کریں
|
||||
- ڈیٹا کو صاف کریں اور تیار کریں
|
||||
- تجزیہ کریں
|
||||
- معنی خیز بصری نمائندگی بنائیں
|
||||
- نتائج اخذ کریں
|
||||
|
||||
یہ مثال آپ کو شروع سے آخر تک مکمل ورک فلو دکھاتی ہے۔
|
||||
|
||||
---
|
||||
|
||||
## 🎯 ان مثالوں کو استعمال کرنے کا طریقہ
|
||||
|
||||
1. **شروع سے شروع کریں**: مثالیں مشکل کے لحاظ سے نمبر دی گئی ہیں۔ `01_hello_world_data_science.py` سے شروع کریں اور آگے بڑھیں۔
|
||||
|
||||
2. **تبصرے پڑھیں**: ہر فائل میں تفصیلی تبصرے ہیں جو کوڈ کیا کرتا ہے اور کیوں کرتا ہے۔ انہیں غور سے پڑھیں!
|
||||
|
||||
3. **تجربہ کریں**: کوڈ میں تبدیلی کرنے کی کوشش کریں۔ اگر آپ کوئی قدر تبدیل کریں تو کیا ہوتا ہے؟ چیزوں کو خراب کریں اور انہیں ٹھیک کریں - یہی سیکھنے کا طریقہ ہے!
|
||||
|
||||
4. **کوڈ چلائیں**: ہر مثال کو چلائیں اور نتائج دیکھیں۔ انہیں اپنے متوقع نتائج سے موازنہ کریں۔
|
||||
|
||||
5. **اس پر کام کریں**: جب آپ ایک مثال کو سمجھ لیں، تو اسے اپنے خیالات کے ساتھ بڑھانے کی کوشش کریں۔
|
||||
|
||||
## 💡 ابتدائی افراد کے لیے تجاویز
|
||||
|
||||
- **جلدی نہ کریں**: ہر مثال کو سمجھنے کے لیے وقت لیں، پھر اگلی پر جائیں
|
||||
- **خود کوڈ ٹائپ کریں**: صرف کاپی پیسٹ نہ کریں۔ ٹائپنگ آپ کو سیکھنے اور یاد رکھنے میں مدد دیتی ہے
|
||||
- **نامانوس تصورات کو تلاش کریں**: اگر آپ کچھ ایسا دیکھیں جو آپ نہیں سمجھتے، تو اسے آن لائن یا مرکزی اسباق میں تلاش کریں
|
||||
- **سوالات پوچھیں**: اگر آپ کو مدد کی ضرورت ہو تو [ڈسکشن فورم](https://github.com/microsoft/Data-Science-For-Beginners/discussions) میں شامل ہوں
|
||||
- **باقاعدگی سے مشق کریں**: ہفتے میں ایک بار طویل سیشنز کے بجائے روزانہ تھوڑا سا کوڈ کرنے کی کوشش کریں
|
||||
|
||||
## 🔗 اگلے اقدامات
|
||||
|
||||
ان مثالوں کو مکمل کرنے کے بعد، آپ تیار ہیں:
|
||||
- مرکزی نصاب کے اسباق پر کام کریں
|
||||
- ہر سبق کے فولڈر میں اسائنمنٹس آزمائیں
|
||||
- مزید گہرائی سے سیکھنے کے لیے Jupyter نوٹ بکس کو دریافت کریں
|
||||
- اپنے ڈیٹا سائنس پروجیکٹس بنائیں
|
||||
|
||||
## 📚 اضافی وسائل
|
||||
|
||||
- [مرکزی نصاب](../README.md) - مکمل 20 سبق کا کورس
|
||||
- [اساتذہ کے لیے](../for-teachers.md) - اس نصاب کو اپنی کلاس میں استعمال کرنا
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - مفت آن لائن سیکھنے کے وسائل
|
||||
- [Python Documentation](https://docs.python.org/3/) - آفیشل Python حوالہ
|
||||
|
||||
## 🤝 تعاون
|
||||
|
||||
کوئی مسئلہ ملا یا کسی نئی مثال کے لیے کوئی خیال ہے؟ ہم تعاون کا خیر مقدم کرتے ہیں! براہ کرم ہمارا [تعاون گائیڈ](../CONTRIBUTING.md) دیکھیں۔
|
||||
|
||||
---
|
||||
|
||||
**خوشگوار سیکھنا! 🎉**
|
||||
|
||||
یاد رکھیں: ہر ماہر کبھی ابتدائی تھا۔ ایک وقت میں ایک قدم اٹھائیں، اور غلطیاں کرنے سے نہ گھبرائیں - یہ سیکھنے کے عمل کا حصہ ہیں!
|
||||
|
||||
---
|
||||
|
||||
**ڈسکلیمر**:
|
||||
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔
|
||||
@ -0,0 +1,149 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-10-03T13:04:51+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "vi"
|
||||
}
|
||||
-->
|
||||
# Các Ví Dụ Khoa Học Dữ Liệu Dành Cho Người Mới Bắt Đầu
|
||||
|
||||
Chào mừng bạn đến với thư mục ví dụ! Bộ sưu tập các ví dụ đơn giản, được chú thích rõ ràng này được thiết kế để giúp bạn bắt đầu với khoa học dữ liệu, ngay cả khi bạn là người hoàn toàn mới.
|
||||
|
||||
## 📚 Những Gì Bạn Sẽ Tìm Thấy Ở Đây
|
||||
|
||||
Mỗi ví dụ đều độc lập và bao gồm:
|
||||
- **Các chú thích rõ ràng** giải thích từng bước
|
||||
- **Mã dễ đọc, đơn giản** minh họa từng khái niệm một
|
||||
- **Ngữ cảnh thực tế** giúp bạn hiểu khi nào và tại sao sử dụng các kỹ thuật này
|
||||
- **Kết quả mong đợi** để bạn biết cần tìm kiếm điều gì
|
||||
|
||||
## 🚀 Bắt Đầu
|
||||
|
||||
### Yêu Cầu Trước
|
||||
Trước khi chạy các ví dụ này, hãy đảm bảo bạn đã:
|
||||
- Cài đặt Python 3.7 hoặc cao hơn
|
||||
- Hiểu cơ bản về cách chạy các tập lệnh Python
|
||||
|
||||
### Cài Đặt Các Thư Viện Cần Thiết
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 Tổng Quan Các Ví Dụ
|
||||
|
||||
### 1. Hello World - Phong Cách Khoa Học Dữ Liệu
|
||||
**Tệp:** `01_hello_world_data_science.py`
|
||||
|
||||
Chương trình khoa học dữ liệu đầu tiên của bạn! Học cách:
|
||||
- Tải một tập dữ liệu đơn giản
|
||||
- Hiển thị thông tin cơ bản về dữ liệu của bạn
|
||||
- In kết quả khoa học dữ liệu đầu tiên của bạn
|
||||
|
||||
Hoàn hảo cho người mới bắt đầu muốn thấy chương trình khoa học dữ liệu đầu tiên của mình hoạt động.
|
||||
|
||||
---
|
||||
|
||||
### 2. Tải và Khám Phá Dữ Liệu
|
||||
**Tệp:** `02_loading_data.py`
|
||||
|
||||
Học các nguyên tắc cơ bản về làm việc với dữ liệu:
|
||||
- Đọc dữ liệu từ các tệp CSV
|
||||
- Xem vài dòng đầu tiên của tập dữ liệu
|
||||
- Nhận các thống kê cơ bản về dữ liệu của bạn
|
||||
- Hiểu các loại dữ liệu
|
||||
|
||||
Đây thường là bước đầu tiên trong bất kỳ dự án khoa học dữ liệu nào!
|
||||
|
||||
---
|
||||
|
||||
### 3. Phân Tích Dữ Liệu Đơn Giản
|
||||
**Tệp:** `03_simple_analysis.py`
|
||||
|
||||
Thực hiện phân tích dữ liệu đầu tiên của bạn:
|
||||
- Tính toán các thống kê cơ bản (trung bình, trung vị, mode)
|
||||
- Tìm giá trị lớn nhất và nhỏ nhất
|
||||
- Đếm số lần xuất hiện của các giá trị
|
||||
- Lọc dữ liệu dựa trên điều kiện
|
||||
|
||||
Xem cách trả lời các câu hỏi đơn giản về dữ liệu của bạn.
|
||||
|
||||
---
|
||||
|
||||
### 4. Cơ Bản Về Trực Quan Hóa Dữ Liệu
|
||||
**Tệp:** `04_basic_visualization.py`
|
||||
|
||||
Tạo các trực quan hóa đầu tiên của bạn:
|
||||
- Tạo biểu đồ cột đơn giản
|
||||
- Tạo biểu đồ đường
|
||||
- Tạo biểu đồ tròn
|
||||
- Lưu các trực quan hóa của bạn dưới dạng hình ảnh
|
||||
|
||||
Học cách truyền đạt kết quả của bạn một cách trực quan!
|
||||
|
||||
---
|
||||
|
||||
### 5. Làm Việc Với Dữ Liệu Thực Tế
|
||||
**Tệp:** `05_real_world_example.py`
|
||||
|
||||
Kết hợp tất cả với một ví dụ hoàn chỉnh:
|
||||
- Tải dữ liệu thực từ kho lưu trữ
|
||||
- Làm sạch và chuẩn bị dữ liệu
|
||||
- Thực hiện phân tích
|
||||
- Tạo các trực quan hóa có ý nghĩa
|
||||
- Rút ra kết luận
|
||||
|
||||
Ví dụ này cho bạn thấy một quy trình hoàn chỉnh từ đầu đến cuối.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 Cách Sử Dụng Các Ví Dụ Này
|
||||
|
||||
1. **Bắt đầu từ đầu**: Các ví dụ được đánh số theo mức độ khó. Bắt đầu với `01_hello_world_data_science.py` và làm theo thứ tự.
|
||||
|
||||
2. **Đọc các chú thích**: Mỗi tệp đều có các chú thích chi tiết giải thích mã làm gì và tại sao. Đọc kỹ chúng!
|
||||
|
||||
3. **Thử nghiệm**: Hãy thử sửa đổi mã. Điều gì xảy ra nếu bạn thay đổi một giá trị? Làm hỏng và sửa chữa - đó là cách bạn học!
|
||||
|
||||
4. **Chạy mã**: Thực thi từng ví dụ và quan sát kết quả. So sánh với những gì bạn mong đợi.
|
||||
|
||||
5. **Phát triển thêm**: Khi bạn hiểu một ví dụ, hãy thử mở rộng nó với ý tưởng của riêng bạn.
|
||||
|
||||
## 💡 Mẹo Dành Cho Người Mới Bắt Đầu
|
||||
|
||||
- **Đừng vội vàng**: Dành thời gian để hiểu từng ví dụ trước khi chuyển sang ví dụ tiếp theo
|
||||
- **Tự gõ mã**: Đừng chỉ sao chép-dán. Việc gõ giúp bạn học và ghi nhớ
|
||||
- **Tra cứu các khái niệm không quen thuộc**: Nếu bạn thấy điều gì đó không hiểu, hãy tìm kiếm trực tuyến hoặc trong các bài học chính
|
||||
- **Đặt câu hỏi**: Tham gia [diễn đàn thảo luận](https://github.com/microsoft/Data-Science-For-Beginners/discussions) nếu bạn cần trợ giúp
|
||||
- **Luyện tập thường xuyên**: Cố gắng viết mã một chút mỗi ngày thay vì các buổi học dài một lần mỗi tuần
|
||||
|
||||
## 🔗 Bước Tiếp Theo
|
||||
|
||||
Sau khi hoàn thành các ví dụ này, bạn đã sẵn sàng:
|
||||
- Làm các bài học chính trong chương trình học
|
||||
- Thử các bài tập trong từng thư mục bài học
|
||||
- Khám phá các notebook Jupyter để học sâu hơn
|
||||
- Tạo các dự án khoa học dữ liệu của riêng bạn
|
||||
|
||||
## 📚 Tài Nguyên Bổ Sung
|
||||
|
||||
- [Chương Trình Học Chính](../README.md) - Khóa học 20 bài học đầy đủ
|
||||
- [Dành Cho Giáo Viên](../for-teachers.md) - Sử dụng chương trình học này trong lớp học
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Tài nguyên học trực tuyến miễn phí
|
||||
- [Tài Liệu Python](https://docs.python.org/3/) - Tài liệu tham khảo chính thức của Python
|
||||
|
||||
## 🤝 Đóng Góp
|
||||
|
||||
Phát hiện lỗi hoặc có ý tưởng cho một ví dụ mới? Chúng tôi hoan nghênh các đóng góp! Vui lòng xem [Hướng Dẫn Đóng Góp](../CONTRIBUTING.md).
|
||||
|
||||
---
|
||||
|
||||
**Chúc Bạn Học Tốt! 🎉**
|
||||
|
||||
Hãy nhớ: Mỗi chuyên gia đều từng là người mới bắt đầu. Hãy đi từng bước một, và đừng ngại mắc lỗi - chúng là một phần của quá trình học tập!
|
||||
|
||||
---
|
||||
|
||||
**Tuyên bố miễn trừ trách nhiệm**:
|
||||
Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn thông tin chính thức. Đối với các thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này.
|
||||
Loading…
Reference in new issue