msb-public
/
Data-Science-For-Beginners
mirror of https://github.com/microsoft/Data-Science-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity

chore(i18n): sync translations with latest source changes (chunk 1/1, 69 changes)

Browse Source
update-translations
localizeflow[bot] 3 weeks ago
parent c69a963705
commit a31d1a0759
69 changed files with 990 additions and 948 deletions
Show Stats Download Patch File Download Diff File

22
translations/el/.co-op-translator.json
Unescape View File

@ -11,12 +11,24 @@
"source_file": "1-Introduction/01-defining-data-science/assignment.md",
"language_code": "el"
},
"1-Introduction/01-defining-data-science/notebook.ipynb": {
"original_hash": "8f5eb7b3f7cc89e6d98fb32e1de65dec",
"translation_date": "2026-02-27T09:32:05+00:00",
"source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
"language_code": "el"
},
"1-Introduction/01-defining-data-science/solution/assignment.md": {
"original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
"translation_date": "2025-08-26T21:35:06+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
"language_code": "el"
},
"1-Introduction/01-defining-data-science/solution/notebook.ipynb": {
"original_hash": "090bbfbfcb0c40d3d6e3236f836164ea",
"translation_date": "2026-02-27T09:32:42+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
"language_code": "el"
},
"1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-10-03T16:32:38+00:00",
@ -95,6 +107,12 @@
"source_file": "2-Working-With-Data/07-python/assignment.md",
"language_code": "el"
},
"2-Working-With-Data/07-python/notebook-covidspread.ipynb": {
"original_hash": "6335cccba01dc6ad7b15aba7a8c73f38",
"translation_date": "2026-02-27T09:33:47+00:00",
"source_file": "2-Working-With-Data/07-python/notebook-covidspread.ipynb",
"language_code": "el"
},
"2-Working-With-Data/08-data-preparation/README.md": {
"original_hash": "1b560955ff39a2bcf2a049fce474a951",
"translation_date": "2025-09-05T21:07:33+00:00",
@ -360,8 +378,8 @@
"language_code": "el"
},
"README.md": {
"original_hash": "9204a2806964384a56f5cb0f22bbe953",
"translation_date": "2026-02-06T08:16:34+00:00",
"original_hash": "f671e295a294a2559fc59d1524e001b4",
"translation_date": "2026-02-27T09:40:16+00:00",
"source_file": "README.md",
"language_code": "el"
},

4
translations/el/1-Introduction/01-defining-data-science/README.md
Unescape View File

@ -6,7 +6,7 @@
---
[![Βίντεο Ορισμός της Επιστήμης Δεδομένων](../../../../translated_images/el/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.png)](https://youtu.be/beZ7Mb_oz9I)
[![Βίντεο Ορισμός της Επιστήμης Δεδομένων](../../../../translated_images/el/video-def-ds.6623ee2392ef1abf.webp)](https://youtu.be/beZ7Mb_oz9I)
## [Προ-διάλεξη κουίζ](https://ff-quizzes.netlify.app/en/ds/quiz/0)
@ -126,7 +126,7 @@
Σε αυτή την πρόκληση, θα προσπαθήσουμε να βρούμε έννοιες σχετικές με τον τομέα της Επιστήμης Δεδομένων εξετάζοντας κείμενα. Θα πάρουμε ένα άρθρο από τη Wikipedia για την Επιστήμη Δεδομένων, θα κατεβάσουμε και θα επεξεργαστούμε το κείμενο και στη συνέχεια θα δημιουργήσουμε ένα σύννεφο λέξεων όπως αυτό:
![Σύννεφο λέξεων για την Επιστήμη Δεδομένων](../../../../translated_images/el/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.png)
![Σύννεφο λέξεων για την Επιστήμη Δεδομένων](../../../../translated_images/el/ds_wordcloud.664a7c07dca57de0.webp)
Επισκεφθείτε το [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') για να διαβάσετε τον κώδικα. Μπορείτε επίσης να εκτελέσετε τον κώδικα και να δείτε πώς πραγματοποιεί όλες τις μετατροπές δεδομένων σε πραγματικό χρόνο.

89
translations/el/1-Introduction/01-defining-data-science/notebook.ipynb
Unescape View File

@ -3,13 +3,13 @@
{
"cell_type": "markdown",
"source": [
"# Πρόκληση: Ανάλυση Κειμένου για την Επιστήμη Δεδομένων\n",
"# Πρόκληση: Ανάλυση Κειμένου για Επιστήμη Δεδομένων\n",
"\n",
"Σε αυτό το παράδειγμα, ας κάνουμε μια απλή άσκηση που καλύπτει όλα τα βήματα μιας παραδοσιακής διαδικασίας επιστήμης δεδομένων. Δεν χρειάζεται να γράψετε κώδικα, μπορείτε απλώς να κάνετε κλικ στα παρακάτω κελιά για να τα εκτελέσετε και να παρατηρήσετε το αποτέλεσμα. Ως πρόκληση, σας ενθαρρύνουμε να δοκιμάσετε αυτόν τον κώδικα με διαφορετικά δεδομένα.\n",
"Σε αυτό το παράδειγμα, ας κάνουμε μια απλή άσκηση που καλύπτει όλα τα βήματα μιας παραδοσιακής διαδικασίας επιστήμης δεδομένων. Δεν χρειάζεται να γράψετε κώδικα, μπορείτε απλώς να κάνετε κλικ στα κελιά παρακάτω για να τα εκτελέσετε και να παρατηρήσετε το αποτέλεσμα. Ως πρόκληση, σας ενθαρρύνουμε να δοκιμάσετε αυτόν τον κώδικα με διαφορετικά δεδομένα.\n",
"\n",
"## Στόχος\n",
"\n",
"Σε αυτό το μάθημα, συζητήσαμε διάφορες έννοιες που σχετίζονται με την Επιστήμη Δεδομένων. Ας προσπαθήσουμε να ανακαλύψουμε περισσότερες σχετικές έννοιες κάνοντας **εξόρυξη κειμένου**. Θα ξεκινήσουμε με ένα κείμενο για την Επιστήμη Δεδομένων, θα εξάγουμε λέξεις-κλειδιά από αυτό και στη συνέχεια θα προσπαθήσουμε να οπτικοποιήσουμε το αποτέλεσμα.\n",
"Σε αυτό το μάθημα, έχουμε συζητήσει διάφορες έννοιες που σχετίζονται με την Επιστήμη Δεδομένων. Ας προσπαθήσουμε να ανακαλύψουμε περισσότερες σχετικές έννοιες κάνοντας **εξόρυξη κειμένου**. Θα ξεκινήσουμε με ένα κείμενο για την Επιστήμη Δεδομένων, θα εξαγάγουμε λέξεις-κλειδιά από αυτό και στη συνέχεια θα προσπαθήσουμε να οπτικοποιήσουμε το αποτέλεσμα.\n",
"\n",
"Ως κείμενο, θα χρησιμοποιήσω τη σελίδα για την Επιστήμη Δεδομένων από τη Wikipedia:\n"
],
@ -32,9 +32,9 @@
{
"cell_type": "markdown",
"source": [
"## Βήμα 1: Απόκτηση Δεδομένων\n",
"## Βήμα 1: Απόκτηση των δεδομένων\n",
"\n",
"Το πρώτο βήμα σε κάθε διαδικασία επιστήμης δεδομένων είναι η απόκτηση των δεδομένων. Θα χρησιμοποιήσουμε τη βιβλιοθήκη `requests` για να το κάνουμε:\n"
"Το πρώτο βήμα σε κάθε διαδικασία επιστήμης δεδομένων είναι η απόκτηση των δεδομένων. Θα χρησιμοποιήσουμε τη βιβλιοθήκη `requests` για να το κάνουμε αυτό:\n"
],
"metadata": {}
},
@ -66,45 +66,43 @@
{
"cell_type": "markdown",
"source": [
"## Βήμα 2: Μετατροπή των Δεδομένων\n",
"## Step 2: Μετασχηματισμός των Δεδομένων\n",
"\n",
"Το επόμενο βήμα είναι να μετατρέψουμε τα δεδομένα σε μορφή κατάλληλη για επεξεργασία. Στην περίπτωσή μας, έχουμε κατεβάσει τον πηγαίο κώδικα HTML από τη σελίδα και πρέπει να τον μετατρέψουμε σε απλό κείμενο.\n",
"Το επόμενο βήμα είναι να μετατρέψουμε τα δεδομένα σε μορφή κατάλληλη για επεξεργασία. Στην περίπτωσή μας, έχουμε κατεβάσει τον κώδικα πηγής HTML από τη σελίδα και πρέπει να τον μετατρέψουμε σε απλό κείμενο.\n",
"\n",
"Υπάρχουν πολλοί τρόποι για να γίνει αυτό. Θα χρησιμοποιήσουμε το πιο απλό ενσωματωμένο αντικείμενο [HTMLParser](https://docs.python.org/3/library/html.parser.html) από τη Python. Πρέπει να υποκλάσουμε την κλάση `HTMLParser` και να ορίσουμε τον κώδικα που θα συλλέγει όλο το κείμενο μέσα στις ετικέτες HTML, εκτός από τις ετικέτες `<script>` και `<style>`.\n"
"Υπάρχουν πολλοί τρόποι για να γίνει αυτό. Θα χρησιμοποιήσουμε το [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/), μια δημοφιλή βιβλιοθήκη Python για ανάλυση HTML. Το BeautifulSoup μας επιτρέπει να στοχεύσουμε σε συγκεκριμένα στοιχεία HTML, ώστε να μπορούμε να εστιάσουμε στο κύριο περιεχόμενο του άρθρου από τη Wikipedia και να μειώσουμε κάποια μενού πλοήγησης, πλαϊνές μπάρες, υποσέλιδα και άλλο άσχετο περιεχόμενο (αν και κάποιο γενικό κείμενο ενδέχεται να παραμείνει).\n"
],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [
"Πρώτα, πρέπει να εγκαταστήσουμε τη βιβλιοθήκη BeautifulSoup για ανάλυση HTML:\n"
],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": null,
"source": [
"import sys\r\n",
"!{sys.executable} -m pip install beautifulsoup4"
],
"outputs": [],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 64,
"source": [
"from html.parser import HTMLParser\r\n",
"\r\n",
"class MyHTMLParser(HTMLParser):\r\n",
" script = False\r\n",
" res = \"\"\r\n",
" def handle_starttag(self, tag, attrs):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = True\r\n",
" def handle_endtag(self, tag):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = False\r\n",
" def handle_data(self, data):\r\n",
" if str.strip(data)==\"\" or self.script:\r\n",
" return\r\n",
" self.res += ' '+data.replace('[ edit ]','')\r\n",
"\r\n",
"parser = MyHTMLParser()\r\n",
"parser.feed(text)\r\n",
"text = parser.res\r\n",
"print(text[:1000])"
"from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n selectors = [\r\n '.mw-jump-link',\r\n '.navbox',\r\n '.reflist',\r\n 'sup.reference',\r\n '.mw-editsection',\r\n '.hatnote',\r\n '.metadata',\r\n '.infobox',\r\n '#toc',\r\n '.toc',\r\n '.sidebar',\r\n ]\r\n for selector in selectors:\r\n for el in content_node.select(selector):\r\n el.decompose()\r\n\r\nif content:\r\n # Clean the content node to better approximate article text only.\r\n clean_wikipedia_content(content)\r\n text = content.get_text(separator=' ', strip=True)\r\n print(text[:1000])\r\nelse:\r\n print(\"Could not find main content. Using full page text.\")\r\n text = soup.get_text(separator=' ', strip=True)\r\n print(text[:1000])"
],
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
" Data science - Wikipedia Data science From Wikipedia, the free encyclopedia Jump to navigation Jump to search Interdisciplinary field of study focused on deriving knowledge and insights from data Not to be confused with information science . The existence of Comet NEOWISE (here depicted as a series of red dots) was discovered by analyzing astronomical survey data acquired by a space telescope , the Wide-field Infrared Survey Explorer . Part of a series on Machine learning and data mining Problems Classification Clustering Regression Anomaly detection AutoML Association rules Reinforcement learning Structured prediction Feature engineering Feature learning Online learning Semi-supervised learning Unsupervised learning Learning to rank Grammar induction Supervised learning ( classification  • regression ) Decision trees Ensembles Bagging Boosting Random forest k -NN Linear regression Naive Bayes Artificial neural networks Logistic regression Perceptron Relevance vector machine \n"
"Data science From Wikipedia, the free encyclopedia Interdisciplinary field of study focused on deriving knowledge and insights from data Data science is an interdisciplinary academic field that uses statistics, scientific computing, scientific methods, processes, algorithms and systems to extract or extrapolate knowledge and insights from noisy, structured, and unstructured data. Data science also integrates domain knowledge from the underlying application domain. Data science is multifaceted and can be described as a science, a research paradigm, a research method, a discipline, a workflow, and a profession.\n"
]
}
],
@ -113,11 +111,11 @@
{
"cell_type": "markdown",
"source": [
"## Βήμα 3: Απόκτηση Ενδείξεων\n",
"## Step 3: Απόκτηση Εμπειριών\n",
"\n",
"Το πιο σημαντικό βήμα είναι να μετατρέψουμε τα δεδομένα μας σε μια μορφή από την οποία μπορούμε να αντλήσουμε ενδείξεις. Στην περίπτωσή μας, θέλουμε να εξάγουμε λέξεις-κλειδιά από το κείμενο και να δούμε ποιες λέξεις-κλειδιά είναι πιο σημαντικές.\n",
"Το πιο σημαντικό βήμα είναι να μετατρέψουμε τα δεδομένα μας σε μια μορφή από την οποία μπορούμε να αντλήσουμε εμπειρίες. Στην περίπτωσή μας, θέλουμε να εξάγουμε λέξεις-κλειδιά από το κείμενο και να δούμε ποιες λέξεις-κλειδιά είναι πιο σημαντικές.\n",
"\n",
"Θα χρησιμοποιήσουμε τη βιβλιοθήκη Python που ονομάζεται [RAKE](https://github.com/aneesha/RAKE) για την εξαγωγή λέξεων-κλειδιών. Πρώτα, ας εγκαταστήσουμε αυτή τη βιβλιοθήκη σε περίπτωση που δεν είναι ήδη εγκατεστημένη:\n"
"Θα χρησιμοποιήσουμε τη βιβλιοθήκη Python που ονομάζεται [RAKE](https://github.com/aneesha/RAKE) για την εξαγωγή λέξεων-κλειδιών. Αρχικά, ας εγκαταστήσουμε αυτή τη βιβλιοθήκη σε περίπτωση που δεν είναι εγκατεστημένη: \n"
],
"metadata": {}
},
@ -162,7 +160,7 @@
{
"cell_type": "markdown",
"source": [
"Η κύρια λειτουργικότητα είναι διαθέσιμη από το αντικείμενο `Rake`, το οποίο μπορούμε να προσαρμόσουμε χρησιμοποιώντας ορισμένες παραμέτρους. Στην περίπτωσή μας, θα ορίσουμε το ελάχιστο μήκος μιας λέξης-κλειδί σε 5 χαρακτήρες, την ελάχιστη συχνότητα μιας λέξης-κλειδί στο έγγραφο σε 3, και τον μέγιστο αριθμό λέξεων σε μια λέξη-κλειδί - σε 2. Μη διστάσετε να πειραματιστείτε με άλλες τιμές και να παρατηρήσετε το αποτέλεσμα.\n"
"Η κύρια λειτουργικότητα είναι διαθέσιμη από το αντικείμενο `Rake`, το οποίο μπορούμε να προσαρμόσουμε χρησιμοποιώντας ορισμένες παραμέτρους. Στη δική μας περίπτωση, θα ορίσουμε το ελάχιστο μήκος μιας λέξης-κλειδί σε 5 χαρακτήρες, τη ελάχιστη συχνότητα μιας λέξης-κλειδί στο έγγραφο σε 3, και τον μέγιστο αριθμό λέξεων σε μια λέξη-κλειδί - σε 2. Μη διστάσετε να πειραματιστείτε με άλλες τιμές και να παρατηρήσετε το αποτέλεσμα.\n"
],
"metadata": {}
},
@ -211,11 +209,12 @@
{
"cell_type": "markdown",
"source": [
"Αποκτήσαμε μια λίστα όρων μαζί με τον αντίστοιχο βαθμό σημασίας. Όπως μπορείτε να δείτε, οι πιο σημαντικοί κλάδοι, όπως η μηχανική μάθηση και τα μεγάλα δεδομένα, βρίσκονται στις κορυφαίες θέσεις της λίστας.\n",
"\n",
"Λάβαμε μια λίστα όρων μαζί με τον συνδεδεμένο βαθμό σημασίας. Όπως μπορείτε να δείτε, οι πιο σχετικές επιστημονικές περιοχές, όπως η μηχανική μάθηση και τα μεγάλα δεδομένα, είναι παρούσες στη λίστα στις κορυφαίες θέσεις.\n",
"\n",
"## Βήμα 4: Οπτικοποίηση του Αποτελέσματος\n",
"\n",
"Οι άνθρωποι μπορούν να ερμηνεύσουν καλύτερα τα δεδομένα σε οπτική μορφή. Επομένως, συχνά έχει νόημα να οπτικοποιούμε τα δεδομένα για να εξάγουμε κάποιες πληροφορίες. Μπορούμε να χρησιμοποιήσουμε τη βιβλιοθήκη `matplotlib` στην Python για να σχεδιάσουμε μια απλή κατανομή των λέξεων-κλειδιών με τη σημασία τους:\n"
"Οι άνθρωποι μπορούν να ερμηνεύσουν τα δεδομένα καλύτερα σε οπτική μορφή. Έτσι, συχνά έχει νόημα να οπτικοποιούμε τα δεδομένα για να αντλήσουμε κάποια συμπεράσματα. Μπορούμε να χρησιμοποιήσουμε τη βιβλιοθήκη `matplotlib` στην Python για να σχεδιάσουμε την απλή κατανομή των λέξεων-κλειδιών με τη σχετικότητά τους:\n"
],
"metadata": {}
},
@ -252,7 +251,7 @@
{
"cell_type": "markdown",
"source": [
"Υπάρχει, ωστόσο, ένας ακόμη καλύτερος τρόπος να οπτικοποιήσουμε τις συχνότητες λέξεων - χρησιμοποιώντας **Word Cloud**. Θα χρειαστεί να εγκαταστήσουμε μια άλλη βιβλιοθήκη για να δημιουργήσουμε το word cloud από τη λίστα των λέξεων-κλειδιών μας.\n"
"Υπάρχει, ωστόσο, ένας ακόμα καλύτερος τρόπος να οπτικοποιήσουμε τις συχνότητες των λέξεων - χρησιμοποιώντας **Word Cloud**. Θα χρειαστεί να εγκαταστήσουμε μια άλλη βιβλιοθήκη για να σχεδιάσουμε το word cloud από τη λίστα των λέξεων-κλειδιών μας.\n"
],
"metadata": {}
},
@ -268,7 +267,7 @@
{
"cell_type": "markdown",
"source": [
"`Το αντικείμενο WordCloud είναι υπεύθυνο για τη λήψη είτε του αρχικού κειμένου, είτε μιας προϋπολογισμένης λίστας λέξεων με τις συχνότητές τους, και επιστρέφει μια εικόνα, η οποία μπορεί στη συνέχεια να εμφανιστεί χρησιμοποιώντας το matplotlib:`\n"
"Το αντικείμενο `WordCloud` είναι υπεύθυνο για τη λήψη είτε του αρχικού κειμένου είτε μιας προ-υπολογισμένης λίστας λέξεων με τις συχνότητές τους, και επιστρέφει μια εικόνα, η οποία μπορεί στη συνέχεια να εμφανιστεί χρησιμοποιώντας το `matplotlib`:\n"
],
"metadata": {}
},
@ -312,7 +311,7 @@
{
"cell_type": "markdown",
"source": [
"Μπορούμε επίσης να περάσουμε το αρχικό κείμενο στο `WordCloud` - ας δούμε αν μπορούμε να έχουμε παρόμοιο αποτέλεσμα:\n"
"Μπορούμε επίσης να περάσουμε το αρχικό κείμενο στο `WordCloud` - ας δούμε αν μπορούμε να πάρουμε παρόμοιο αποτέλεσμα:\n"
],
"metadata": {}
},
@ -372,11 +371,11 @@
{
"cell_type": "markdown",
"source": [
"Μπορείτε να δείτε ότι το word cloud τώρα φαίνεται πιο εντυπωσιακό, αλλά περιέχει επίσης πολύ θόρυβο (π.χ. άσχετες λέξεις όπως `Retrieved on`). Επίσης, λαμβάνουμε λιγότερες λέξεις-κλειδιά που αποτελούνται από δύο λέξεις, όπως *data scientist* ή *computer science*. Αυτό συμβαίνει επειδή ο αλγόριθμος RAKE κάνει πολύ καλύτερη δουλειά στην επιλογή καλών λέξεων-κλειδιών από το κείμενο. Αυτό το παράδειγμα υπογραμμίζει τη σημασία της προεπεξεργασίας και του καθαρισμού των δεδομένων, καθώς μια καθαρή εικόνα στο τέλος θα μας επιτρέψει να πάρουμε καλύτερες αποφάσεις.\n",
"Μπορείτε να δείτε ότι το word cloud τώρα φαίνεται πιο εντυπωσιακό, αλλά περιέχει επίσης πολύ θόρυβο (π.χ. μη σχετικά λόγια όπως `Retrieved on`). Επιπλέον, λαμβάνουμε λιγότερες λέξεις-κλειδιά που αποτελούνται από δύο λέξεις, όπως *data scientist* ή *computer science*. Αυτό συμβαίνει επειδή ο αλγόριθμος RAKE κάνει πολύ καλύτερη δουλειά στην επιλογή καλών λέξεων-κλειδιών από το κείμενο. Αυτό το παράδειγμα δείχνει τη σημασία της προεπεξεργασίας και καθαρισμού των δεδομένων, γιατί μια καθαρή εικόνα στο τέλος θα μας επιτρέψει να παίρνουμε καλύτερες αποφάσεις.\n",
"\n",
"Σε αυτή την άσκηση περάσαμε από μια απλή διαδικασία εξαγωγής νοήματος από κείμενο της Wikipedia, με τη μορφή λέξεων-κλειδιών και word cloud. Αυτό το παράδειγμα είναι αρκετά απλό, αλλά δείχνει καλά όλα τα τυπικά βήματα που θα ακολουθήσει ένας data scientist όταν εργάζεται με δεδομένα, ξεκινώντας από την απόκτηση δεδομένων μέχρι την οπτικοποίηση.\n",
"Σε αυτή την άσκηση περάσαμε από μια απλή διαδικασία εξαγωγής κάποιου νοήματος από το κείμενο της Wikipedia, με τη μορφή λέξεων-κλειδιών και word cloud. Αυτό το παράδειγμα είναι αρκετά απλό, αλλά παρουσιάζει καλά όλα τα τυπικά βήματα που θα ακολουθήσει ένας data scientist όταν εργάζεται με δεδομένα, ξεκινώντας από την απόκτηση δεδομένων μέχρι την απεικόνιση.\n",
"\n",
"Στο μάθημά μας θα συζητήσουμε όλα αυτά τα βήματα με λεπτομέρεια.\n"
"Στο μάθημά μας θα συζητήσουμε όλα αυτά τα βήματα λεπτομερώς.\n"
],
"metadata": {}
},
@ -394,7 +393,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"\n---\n\n**Αποποίηση ευθύνης**: \nΑυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.\n"
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Αποποίηση ευθυνών**: \nΑυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ενώ καταβάλλουμε προσπάθεια για ακρίβεια, παρακαλούμε να γνωρίζετε ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στην αρχική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική μετάφραση από ανθρώπινο μεταφραστή. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
]
}
],
@ -418,12 +417,6 @@
},
"interpreter": {
"hash": "c28e7b6bf4e5b397b8288a85bf0a94ea8d3585ce2b01919feb195678ec71581b"
},
"coopTranslator": {
"original_hash": "50c0f0a5204a18405611cbe7e0fec56b",
"translation_date": "2025-09-01T23:31:22+00:00",
"source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
"language_code": "el"
}
},
"nbformat": 4,

87
translations/el/1-Introduction/01-defining-data-science/solution/notebook.ipynb
Unescape View File

@ -3,15 +3,15 @@
{
"cell_type": "markdown",
"source": [
"# Πρόκληση: Ανάλυση Κειμένου για την Επιστήμη Δεδομένων\n",
"# Πρόκληση: Ανάλυση Κειμένου σχετικά με την Επιστήμη Δεδομένων\n",
"\n",
"> *Σε αυτό το σημειωματάριο, πειραματιζόμαστε με τη χρήση διαφορετικών URL - άρθρο της Wikipedia για τη Μηχανική Μάθηση. Μπορείτε να δείτε ότι, σε αντίθεση με την Επιστήμη Δεδομένων, αυτό το άρθρο περιέχει πολλούς όρους, γεγονός που καθιστά την ανάλυση πιο προβληματική. Πρέπει να βρούμε έναν άλλο τρόπο να καθαρίσουμε τα δεδομένα μετά την εξαγωγή λέξεων-κλειδιών, ώστε να απαλλαγούμε από κάποιους συχνούς, αλλά όχι ουσιαστικούς συνδυασμούς λέξεων.*\n",
"> *Σε αυτό το τετράδιο, πειραματιζόμαστε με τη χρήση διαφορετικού URL - άρθρο της wikipedia για τη Μηχανική Μάθηση. Μπορείτε να δείτε ότι, σε αντίθεση με την Επιστήμη Δεδομένων, αυτό το άρθρο περιέχει πολλούς όρους, γεγονός που καθιστά την ανάλυση πιο προβληματική. Πρέπει να βρούμε έναν άλλο τρόπο να καθαρίσουμε τα δεδομένα μετά την εξαγωγή λέξεων-κλειδιών, για να απαλλαγούμε από κάποιους συχνούς, αλλά μη σημαντικούς συνδυασμούς λέξεων.*\n",
"\n",
"Σε αυτό το παράδειγμα, ας κάνουμε μια απλή άσκηση που καλύπτει όλα τα βήματα μιας παραδοσιακής διαδικασίας επιστήμης δεδομένων. Δεν χρειάζεται να γράψετε κανέναν κώδικα, μπορείτε απλώς να κάνετε κλικ στα παρακάτω κελιά για να τα εκτελέσετε και να παρατηρήσετε το αποτέλεσμα. Ως πρόκληση, σας ενθαρρύνουμε να δοκιμάσετε αυτόν τον κώδικα με διαφορετικά δεδομένα.\n",
"Σε αυτό το παράδειγμα, ας κάνουμε μια απλή άσκηση που καλύπτει όλα τα βήματα μιας παραδοσιακής διαδικασίας επιστήμης δεδομένων. Δεν χρειάζεται να γράψετε κώδικα, μπορείτε απλώς να κάνετε κλικ στα κελιά παρακάτω για να τα εκτελέσετε και να παρατηρήσετε το αποτέλεσμα. Ως πρόκληση, ενθαρρύνεστε να δοκιμάσετε αυτόν τον κώδικα με διαφορετικά δεδομένα.\n",
"\n",
"## Στόχος\n",
"\n",
"Σε αυτό το μάθημα, συζητήσαμε διάφορες έννοιες που σχετίζονται με την Επιστήμη Δεδομένων. Ας προσπαθήσουμε να ανακαλύψουμε περισσότερες σχετικές έννοιες κάνοντας **εξόρυξη κειμένου**. Θα ξεκινήσουμε με ένα κείμενο για την Επιστήμη Δεδομένων, θα εξάγουμε λέξεις-κλειδιά από αυτό και στη συνέχεια θα προσπαθήσουμε να οπτικοποιήσουμε το αποτέλεσμα.\n",
"Στο μάθημα αυτό, συζητάμε διάφορες έννοιες σχετικές με την Επιστήμη Δεδομένων. Ας προσπαθήσουμε να ανακαλύψουμε περισσότερες σχετικές έννοιες κάνοντας **εξόρυξη κειμένου**. Θα ξεκινήσουμε με ένα κείμενο για την Επιστήμη Δεδομένων, θα εξαγάγουμε λέξεις-κλειδιά από αυτό, και έπειτα θα προσπαθήσουμε να οπτικοποιήσουμε το αποτέλεσμα.\n",
"\n",
"Ως κείμενο, θα χρησιμοποιήσω τη σελίδα για την Επιστήμη Δεδομένων από τη Wikipedia:\n"
],
@ -35,9 +35,9 @@
{
"cell_type": "markdown",
"source": [
"## Βήμα 1: Απόκτηση Δεδομένων\n",
"## Βήμα 1: Απόκτηση των Δεδομένων\n",
"\n",
"Το πρώτο βήμα σε κάθε διαδικασία επιστήμης δεδομένων είναι η απόκτηση των δεδομένων. Θα χρησιμοποιήσουμε τη βιβλιοθήκη `requests` για να το κάνουμε:\n"
"Το πρώτο βήμα σε κάθε διαδικασία επιστήμης δεδομένων είναι η απόκτηση των δεδομένων. Θα χρησιμοποιήσουμε τη βιβλιοθήκη `requests` για να το κάνουμε αυτό:\n"
],
"metadata": {}
},
@ -73,41 +73,39 @@
"\n",
"Το επόμενο βήμα είναι να μετατρέψουμε τα δεδομένα σε μορφή κατάλληλη για επεξεργασία. Στην περίπτωσή μας, έχουμε κατεβάσει τον πηγαίο κώδικα HTML από τη σελίδα και πρέπει να τον μετατρέψουμε σε απλό κείμενο.\n",
"\n",
"Υπάρχουν πολλοί τρόποι για να γίνει αυτό. Θα χρησιμοποιήσουμε το πιο απλό ενσωματωμένο αντικείμενο [HTMLParser](https://docs.python.org/3/library/html.parser.html) από την Python. Πρέπει να υποκλάσουμε την κλάση `HTMLParser` και να ορίσουμε τον κώδικα που θα συλλέγει όλο το κείμενο μέσα στις ετικέτες HTML, εκτός από τις ετικέτες `<script>` και `<style>`.\n"
"Υπάρχουν πολλοί τρόποι για να γίνει αυτό. Θα χρησιμοποιήσουμε το [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/), μια δημοφιλής βιβλιοθήκη Python για την ανάλυση HTML. Το BeautifulSoup μας επιτρέπει να στοχεύουμε συγκεκριμένα στοιχεία HTML, ώστε να μπορούμε να εστιάσουμε στο κύριο περιεχόμενο του άρθρου από τη Wikipedia και να μειώσουμε κάποια μενού πλοήγησης, πλευρικές μπάρες, υποσέλιδα και άλλο άσχετο περιεχόμενο (αν και κάποιο κοινό κείμενο μπορεί να παραμείνει).\n"
],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [
"Πρώτα, πρέπει να εγκαταστήσουμε τη βιβλιοθήκη BeautifulSoup για ανάλυση HTML:\n"
],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": null,
"source": [
"import sys\r\n",
"!{sys.executable} -m pip install beautifulsoup4"
],
"outputs": [],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 4,
"source": [
"from html.parser import HTMLParser\r\n",
"\r\n",
"class MyHTMLParser(HTMLParser):\r\n",
" script = False\r\n",
" res = \"\"\r\n",
" def handle_starttag(self, tag, attrs):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = True\r\n",
" def handle_endtag(self, tag):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = False\r\n",
" def handle_data(self, data):\r\n",
" if str.strip(data)==\"\" or self.script:\r\n",
" return\r\n",
" self.res += ' '+data.replace('[ edit ]','')\r\n",
"\r\n",
"parser = MyHTMLParser()\r\n",
"parser.feed(text)\r\n",
"text = parser.res\r\n",
"print(text[:1000])"
"from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n selectors = [\r\n '.mw-jump-link',\r\n '.navbox',\r\n '.reflist',\r\n 'sup.reference',\r\n '.mw-editsection',\r\n '.hatnote',\r\n '.metadata',\r\n '.infobox',\r\n '#toc',\r\n '.toc',\r\n '.sidebar',\r\n ]\r\n for selector in selectors:\r\n for el in content_node.select(selector):\r\n el.decompose()\r\n\r\nif content:\r\n # Clean the content node to better approximate article text only.\r\n clean_wikipedia_content(content)\r\n text = content.get_text(separator=' ', strip=True)\r\n print(text[:1000])\r\nelse:\r\n print(\"Could not find main content. Using full page text.\")\r\n text = soup.get_text(separator=' ', strip=True)\r\n print(text[:1000])"
],
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
" Machine learning - Wikipedia Machine learning From Wikipedia, the free encyclopedia Jump to navigation Jump to search Study of algorithms that improve automatically through experience For the journal, see Machine Learning (journal) . \"Statistical learning\" redirects here. For statistical learning in linguistics, see statistical learning in language acquisition . Part of a series on Artificial intelligence Major goals Artificial general intelligence Planning Computer vision General game playing Knowledge reasoning Machine learning Natural language processing Robotics Approaches Symbolic Deep learning Bayesian networks Evolutionary algorithms Philosophy Ethics Existential risk Turing test Chinese room Control problem Friendly AI History Timeline Progress AI winter Technology Applications Projects Programming languages Glossary Glossary v t e Part of a series on Machine learning and data mining Problems Classification Clustering Regression Anomaly detection Data Cleaning AutoML Associ\n"
"Machine learning From Wikipedia, the free encyclopedia Study of algorithms that improve automatically through experience Machine learning (ML) is a field of study in artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data, and thus perform tasks without explicit instructions. Recently, artificial neural networks have been able to surpass many previous approaches in performance. ML finds application in many fields, including natural language processing, computer vision, speech recognition, email filtering, agriculture, and medicine.\n"
]
}
],
@ -116,11 +114,11 @@
{
"cell_type": "markdown",
"source": [
"## Βήμα 3: Απόκτηση Επισκοπήσεων\n",
"## Step 3: Απόκτηση Απεικονίσεων\n",
"\n",
"Το πιο σημαντικό βήμα είναι να μετατρέψουμε τα δεδομένα μας σε μορφή από την οποία μπορούμε να αντλήσουμε επισκοπήσεις. Στην περίπτωσή μας, θέλουμε να εξάγουμε λέξεις-κλειδιά από το κείμενο και να δούμε ποιες λέξεις-κλειδιά είναι πιο σημαντικές.\n",
"Το πιο σημαντικό βήμα είναι να μετατρέψουμε τα δεδομένα μας σε κάποια μορφή από την οποία μπορούμε να αντλήσουμε πληροφορίες. Στην περίπτωσή μας, θέλουμε να εξάγουμε λέξεις-κλειδιά από το κείμενο και να δούμε ποιες λέξεις-κλειδιά είναι πιο σημαντικές.\n",
"\n",
"Θα χρησιμοποιήσουμε τη βιβλιοθήκη Python που ονομάζεται [RAKE](https://github.com/aneesha/RAKE) για την εξαγωγή λέξεων-κλειδιών. Πρώτα, ας εγκαταστήσουμε αυτήν τη βιβλιοθήκη σε περίπτωση που δεν είναι ήδη διαθέσιμη:\n"
"Θα χρησιμοποιήσουμε τη βιβλιοθήκη Python που ονομάζεται [RAKE](https://github.com/aneesha/RAKE) για την εξαγωγή λέξεων-κλειδιών. Πρώτα, ας εγκαταστήσουμε αυτή τη βιβλιοθήκη σε περίπτωση που δεν είναι παρούσα:\n"
],
"metadata": {}
},
@ -172,7 +170,7 @@
{
"cell_type": "markdown",
"source": [
"Η κύρια λειτουργικότητα είναι διαθέσιμη από το αντικείμενο `Rake`, το οποίο μπορούμε να προσαρμόσουμε χρησιμοποιώντας ορισμένες παραμέτρους. Στην περίπτωσή μας, θα ορίσουμε το ελάχιστο μήκος μιας λέξης-κλειδί σε 5 χαρακτήρες, την ελάχιστη συχνότητα μιας λέξης-κλειδί στο έγγραφο σε 3, και τον μέγιστο αριθμό λέξεων σε μια λέξη-κλειδί - σε 2. Μη διστάσετε να πειραματιστείτε με άλλες τιμές και να παρατηρήσετε το αποτέλεσμα.\n"
"Η κύρια λειτουργικότητα είναι διαθέσιμη από το αντικείμενο `Rake`, το οποίο μπορούμε να προσαρμόσουμε χρησιμοποιώντας ορισμένες παραμέτρους. Στην περίπτωσή μας, θα ορίσουμε το ελάχιστο μήκος μιας λέξης-κλειδιού στα 5 χαρακτήρες, τη ελάχιστη συχνότητα μιας λέξης-κλειδιού στο έγγραφο σε 3 και τον μέγιστο αριθμό λέξεων σε μια λέξη-κλειδί - σε 2. Μη διστάσετε να πειραματιστείτε με άλλες τιμές και να παρατηρήσετε το αποτέλεσμα.\n"
],
"metadata": {}
},
@ -353,11 +351,12 @@
{
"cell_type": "markdown",
"source": [
"Λάβαμε μια λίστα όρων μαζί με τον αντίστοιχο βαθμό σημασίας. Όπως μπορείτε να δείτε, οι πιο σχετικές επιστημονικές περιοχές, όπως η μηχανική μάθηση και τα μεγάλα δεδομένα, βρίσκονται στις κορυφαίες θέσεις της λίστας.\n",
"\n",
"Λάβαμε μια λίστα όρων μαζί με τον αντίστοιχο βαθμό σημασίας. Όπως μπορείτε να δείτε, οι πιο σχετικές επιστήμες, όπως η μηχανική μάθηση και τα μεγάλα δεδομένα, είναι παρούσες στη λίστα στις κορυφαίες θέσεις.\n",
"\n",
"## Βήμα 4: Οπτικοποίηση του Αποτελέσματος\n",
"\n",
"Οι άνθρωποι μπορούν να ερμηνεύσουν τα δεδομένα καλύτερα σε οπτική μορφή. Έτσι, συχνά έχει νόημα να οπτικοποιούμε τα δεδομένα για να αντλήσουμε κάποιες πληροφορίες. Μπορούμε να χρησιμοποιήσουμε τη βιβλιοθήκη `matplotlib` στην Python για να σχεδιάσουμε μια απλή κατανομή των λέξεων-κλειδιών με τη σχετικότητά τους:\n"
"Οι άνθρωποι μπορούν να ερμηνεύσουν καλύτερα τα δεδομένα με οπτική μορφή. Συνεπώς, συχνά έχει νόημα να οπτικοποιήσουμε τα δεδομένα για να αντλήσουμε κάποιες γνώσεις. Μπορούμε να χρησιμοποιήσουμε τη βιβλιοθήκη `matplotlib` στη Python για να σχεδιάσουμε μια απλή κατανομή των λέξεων-κλειδιών με τη σχετικότητά τους:\n"
],
"metadata": {}
},
@ -392,7 +391,7 @@
{
"cell_type": "markdown",
"source": [
"Υπάρχει, ωστόσο, ένας ακόμη καλύτερος τρόπος να οπτικοποιήσουμε τις συχνότητες λέξεων - χρησιμοποιώντας **Word Cloud**. Θα χρειαστεί να εγκαταστήσουμε μια άλλη βιβλιοθήκη για να δημιουργήσουμε το word cloud από τη λίστα των λέξεων-κλειδιών μας.\n"
"Υπάρχει, ωστόσο, ένας ακόμα καλύτερος τρόπος να οπτικοποιήσουμε τις συχνότητες λέξεων - χρησιμοποιώντας **Word Cloud**. Θα χρειαστεί να εγκαταστήσουμε μια άλλη βιβλιοθήκη για να σχεδιάσουμε το word cloud από τη λίστα των λέξεων-κλειδιών μας.\n"
],
"metadata": {}
},
@ -408,7 +407,7 @@
{
"cell_type": "markdown",
"source": [
"Το αντικείμενο `WordCloud` είναι υπεύθυνο για τη λήψη είτε του αρχικού κειμένου, είτε μιας προϋπολογισμένης λίστας λέξεων με τις συχνότητές τους, και επιστρέφει μια εικόνα, η οποία μπορεί στη συνέχεια να εμφανιστεί χρησιμοποιώντας το `matplotlib`:\n"
"Το αντικείμενο `WordCloud` είναι υπεύθυνο για τη λήψη είτε του αρχικού κειμένου, είτε μιας προ-υπολογισμένης λίστας λέξεων με τις συχνότητές τους, και επιστρέφει μια εικόνα, η οποία μπορεί στη συνέχεια να εμφανιστεί χρησιμοποιώντας το `matplotlib`:\n"
],
"metadata": {}
},
@ -441,7 +440,7 @@
{
"cell_type": "markdown",
"source": [
"Μπορούμε επίσης να περάσουμε το αρχικό κείμενο στο `WordCloud` - ας δούμε αν μπορούμε να έχουμε παρόμοιο αποτέλεσμα:\n"
"Μπορούμε επίσης να περάσουμε το αρχικό κείμενο στο `WordCloud` - ας δούμε αν μπορούμε να πάρουμε παρόμοιο αποτέλεσμα:\n"
],
"metadata": {}
},
@ -490,11 +489,11 @@
{
"cell_type": "markdown",
"source": [
"Μπορείτε να δείτε ότι το word cloud τώρα φαίνεται πιο εντυπωσιακό, αλλά περιέχει επίσης πολύ θόρυβο (π.χ. άσχετες λέξεις όπως `Retrieved on`). Επίσης, λαμβάνουμε λιγότερες λέξεις-κλειδιά που αποτελούνται από δύο λέξεις, όπως *data scientist* ή *computer science*. Αυτό συμβαίνει επειδή ο αλγόριθμος RAKE κάνει πολύ καλύτερη δουλειά στην επιλογή καλών λέξεων-κλειδιών από το κείμενο. Αυτό το παράδειγμα υπογραμμίζει τη σημασία της προεπεξεργασίας και του καθαρισμού των δεδομένων, καθώς μια καθαρή εικόνα στο τέλος θα μας επιτρέψει να πάρουμε καλύτερες αποφάσεις.\n",
"Μπορείτε να δείτε ότι το σύννεφο λέξεων τώρα φαίνεται πιο εντυπωσιακό, αλλά επίσης περιέχει πολλή φασαρία (π.χ. λέξεις άσχετες όπως `Retrieved on`). Επίσης, λαμβάνουμε λιγότερες λέξεις-κλειδιά που αποτελούνται από δύο λέξεις, όπως *data scientist* ή *computer science*. Αυτό συμβαίνει επειδή ο αλγόριθμος RAKE κάνει πολύ καλύτερη δουλειά στην επιλογή καλών λέξεων-κλειδιών από το κείμενο. Αυτό το παράδειγμα αναδεικνύει τη σημασία της προεπεξεργασίας και καθαρισμού δεδομένων, επειδή μια καθαρή εικόνα στο τέλος θα μας επιτρέψει να πάρουμε καλύτερες αποφάσεις.\n",
"\n",
"Σε αυτή την άσκηση περάσαμε από μια απλή διαδικασία εξαγωγής νοήματος από κείμενο της Wikipedia, με τη μορφή λέξεων-κλειδιών και word cloud. Αυτό το παράδειγμα είναι αρκετά απλό, αλλά δείχνει καλά όλα τα τυπικά βήματα που ακολουθεί ένας data scientist όταν εργάζεται με δεδομένα, ξεκινώντας από την απόκτηση δεδομένων μέχρι την οπτικοποίηση.\n",
"Σε αυτήν την άσκηση έχουμε περάσει από μια απλή διαδικασία εξαγωγής κάποιου νοήματος από το κείμενο της Wikipedia, με τη μορφή λέξεων-κλειδιών και σύννεφου λέξεων. Αυτό το παράδειγμα είναι αρκετά απλό, αλλά δείχνει καλά όλα τα τυπικά βήματα που θα ακολουθήσει ένας data scientist όταν εργάζεται με δεδομένα, ξεκινώντας από την απόκτηση δεδομένων, μέχρι την οπτικοποίηση.\n",
"\n",
"Στο μάθημά μας θα συζητήσουμε όλα αυτά τα βήματα με λεπτομέρεια.\n"
"Στο μάθημά μας θα συζητήσουμε όλα αυτά τα βήματα αναλυτικά.\n"
],
"metadata": {}
},
@ -502,7 +501,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"\n---\n\n**Αποποίηση Ευθύνης**: \nΑυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.\n"
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Αποποίηση ευθυνών**: \nΑυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη [Co-op Translator](https://github.com/Azure/co-op-translator). Παρότι επιδιώκουμε ακρίβεια, παρακαλούμε να σημειώσετε ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η επίσημη πηγή. Για κρίσιμες πληροφορίες συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
]
}
],
@ -526,12 +525,6 @@
},
"interpreter": {
"hash": "86193a1ab0ba47eac1c69c1756090baa3b420b3eea7d4aafab8b85f8b312f0c5"
},
"coopTranslator": {
"original_hash": "dbdf34788efab64e5d817f1df38965a8",
"translation_date": "2025-09-01T23:42:50+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
"language_code": "el"
}
},
"nbformat": 4,

14
translations/el/1-Introduction/04-stats-and-probability/README.md
Unescape View File

@ -6,7 +6,7 @@
Η Στατιστική και η Θεωρία Πιθανοτήτων είναι δύο στενά συνδεδεμένοι κλάδοι των Μαθηματικών που είναι εξαιρετικά σημαντικοί για την Επιστήμη Δεδομένων. Είναι δυνατόν να δουλέψουμε με δεδομένα χωρίς βαθιά γνώση μαθηματικών, αλλά είναι καλύτερο να γνωρίζουμε τουλάχιστον κάποιες βασικές έννοιες. Εδώ θα παρουσιάσουμε μια σύντομη εισαγωγή που θα σας βοηθήσει να ξεκινήσετε.
[![Εισαγωγικό Βίντεο](../../../../translated_images/el/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.png)](https://youtu.be/Z5Zy85g4Yjw)
[![Εισαγωγικό Βίντεο](../../../../translated_images/el/video-prob-and-stats.e4282e5efa2f2543.webp)](https://youtu.be/Z5Zy85g4Yjw)
## [Κουίζ πριν το μάθημα](https://ff-quizzes.netlify.app/en/ds/quiz/6)
@ -30,7 +30,7 @@
Μπορούμε μόνο να μιλήσουμε για την πιθανότητα μιας μεταβλητής να πέσει σε ένα δεδομένο διάστημα τιμών, π.χ. P(t<sub>1</sub>≤X<t<sub>2</sub>). Σε αυτή την περίπτωση, η κατανομή πιθανότητας περιγράφεται από μια **συνάρτηση πυκνότητας πιθανότητας** p(x), έτσι ώστε
![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/el/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.png)
![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/el/probability-density.a8aad29f17a14afb.webp)
Ένα συνεχές ανάλογο της ομοιόμορφης κατανομής ονομάζεται **συνεχής ομοιόμορφη**, η οποία ορίζεται σε ένα πεπερασμένο διάστημα. Η πιθανότητα ότι η τιμή X πέφτει σε ένα διάστημα μήκους l είναι ανάλογη του l και φτάνει μέχρι το 1.
@ -73,11 +73,11 @@
Ακολουθεί το κουτίγραμμα που δείχνει τη μέση τιμή, τη διάμεσο και τα τεταρτημόρια για τα δεδομένα μας:
![Κουτίγραμμα Βάρους](../../../../translated_images/el/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.png)
![Κουτίγραμμα Βάρους](../../../../translated_images/el/weight-boxplot.1dbab1c03af26f8a.webp)
Επειδή τα δεδομένα μας περιέχουν πληροφορίες για διαφορετικούς **ρόλους** παικτών, μπορούμε επίσης να δημιουργήσουμε κουτίγραμμα ανά ρόλο - αυτό θα μας επιτρέψει να κατανοήσουμε πώς οι τιμές των παραμέτρων διαφέρουν ανάλογα με τους ρόλους. Αυτή τη φορά θα εξετάσουμε το ύψος:
![Κουτίγραμμα ανά ρόλο](../../../../translated_images/el/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.png)
![Κουτίγραμμα ανά ρόλο](../../../../translated_images/el/boxplot_byrole.036b27a1c3f52d42.webp)
Αυτό το διάγραμμα υποδεικνύει ότι, κατά μέσο όρο, το ύψος των πρώτων βασικών παικτών είναι μεγαλύτερο από το ύψος των δεύτερων βασικών παικτών. Αργότερα σε αυτό το μάθημα θα μάθουμε πώς μπορούμε να ελέγξουμε αυτή την υπόθεση πιο επίσημα και πώς να δείξουμε ότι τα δεδομένα μας είναι στατιστικά σημαντικά για να το αποδείξουν.
@ -85,7 +85,7 @@
Για να δούμε ποια είναι η κατανομή των δεδομένων μας, μπορούμε να σχεδιάσουμε ένα γράφημα που ονομάζεται **ιστόγραμμα**. Ο άξονας Χ θα περιέχει έναν αριθμό διαφορετικών διαστημάτων βάρους (τα λεγόμενα **bins**), και ο κάθετος άξονας θα δείχνει τον αριθμό των φορών που το δείγμα της τυχαίας μεταβλητής μας ήταν μέσα σε ένα δεδομένο διάστημα.
![Ιστόγραμμα δεδομένων πραγματικού κόσμου](../../../../translated_images/el/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.png)
![Ιστόγραμμα δεδομένων πραγματικού κόσμου](../../../../translated_images/el/weight-histogram.bfd00caf7fc30b14.webp)
Από αυτό το ιστόγραμμα μπορείτε να δείτε ότι όλες οι τιμές είναι συγκεντρωμένες γύρω από μια συγκεκριμένη μέση τιμή βάρους, και όσο πιο μακριά πηγαίνουμε από αυτή τη μέση τιμή - τόσο λιγότερα βάρη αυτής της τιμής συναντώνται. Δηλαδή, είναι πολύ απίθανο το βάρος ενός παίκτη μπέιζμπολ να είναι πολύ διαφορετικό από τη μέση τιμή. Η διασπορά των βαρών δείχνει την έκταση στην οποία τα βάρη είναι πιθανό να διαφέρουν από τη μέση τιμή.
@ -102,7 +102,7 @@ samples = np.random.normal(mean,std,1000)
Αν σχεδιάσουμε το ιστόγραμμα των παραγόμενων δειγμάτων, θα δούμε μια εικόνα πολύ παρόμοια με αυτή που φαίνεται παραπάνω. Και αν αυξήσουμε τον αριθμό των δειγμάτων και τον αριθμό των bins, μπορούμε να δημιουργήσουμε μια εικόνα της κανονικής κατανομής που είναι πιο κοντά στο ιδανικό:
![Κανονική Κατανομή με mean=0 και std.dev=1](../../../../translated_images/el/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.png)
![Κανονική Κατανομή με mean=0 και std.dev=1](../../../../translated_images/el/normal-histogram.dfae0d67c202137d.webp)
*Κανονική Κατανομή με mean=0 και std.dev=1*
@ -218,7 +218,7 @@ array([[1. , 0.52959196],
Στην περίπτωσή μας, η τιμή 0.53 υποδεικνύει ότι υπάρχει κάποια συσχέτιση μεταξύ του βάρους και του ύψους ενός ατόμου. Μπορούμε επίσης να κάνουμε το διάγραμμα διασποράς μιας τιμής έναντι της άλλης για να δούμε τη σχέση οπτικά:
![Σχέση μεταξύ βάρους και ύψους](../../../../translated_images/el/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.png)
![Σχέση μεταξύ βάρους και ύψους](../../../../translated_images/el/weight-height-relationship.3f06bde4ca2aba99.webp)
> Περισσότερα παραδείγματα συσχέτισης και συνδιακύμανσης μπορείτε να βρείτε στο [συνοδευτικό σημειωματάριο](notebook.ipynb).

2
translations/el/1-Introduction/README.md
Unescape View File

@ -1,6 +1,6 @@
# Εισαγωγή στην Επιστήμη Δεδομένων
![δεδομένα σε δράση](../../../translated_images/el/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.jpg)
![δεδομένα σε δράση](../../../translated_images/el/data.48e22bb7617d8d92.webp)
> Φωτογραφία από <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> στο <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
Σε αυτά τα μαθήματα, θα ανακαλύψετε πώς ορίζεται η Επιστήμη Δεδομένων και θα μάθετε για τις ηθικές παραμέτρους που πρέπει να λαμβάνει υπόψη ένας επιστήμονας δεδομένων. Θα μάθετε επίσης πώς ορίζονται τα δεδομένα και θα αποκτήσετε μια βασική κατανόηση της στατιστικής και της πιθανότητας, των βασικών ακαδημαϊκών πεδίων της Επιστήμης Δεδομένων.

12
translations/el/2-Working-With-Data/07-python/README.md
Unescape View File

@ -4,7 +4,7 @@
| :-------------------------------------------------------------------------------------------------------: |
| Εργασία με Python - _Σκίτσο από [@nitya](https://twitter.com/nitya)_ |
[![Εισαγωγικό Βίντεο](../../../../translated_images/el/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.png)](https://youtu.be/dZjWOGbsN4Y)
[![Εισαγωγικό Βίντεο](../../../../translated_images/el/video-ds-python.245247dc811db8e4.webp)](https://youtu.be/dZjWOGbsN4Y)
Ενώ οι βάσεις δεδομένων προσφέρουν πολύ αποτελεσματικούς τρόπους αποθήκευσης δεδομένων και ερωτημάτων μέσω γλωσσών ερωτημάτων, ο πιο ευέλικτος τρόπος επεξεργασίας δεδομένων είναι η δημιουργία του δικού σας προγράμματος για την επεξεργασία τους. Σε πολλές περιπτώσεις, η χρήση ερωτημάτων βάσης δεδομένων είναι πιο αποτελεσματική. Ωστόσο, σε ορισμένες περιπτώσεις όπου απαιτείται πιο σύνθετη επεξεργασία δεδομένων, αυτό δεν μπορεί να γίνει εύκολα με SQL.
Η επεξεργασία δεδομένων μπορεί να προγραμματιστεί σε οποιαδήποτε γλώσσα προγραμματισμού, αλλά υπάρχουν ορισμένες γλώσσες που είναι πιο κατάλληλες για εργασία με δεδομένα. Οι επιστήμονες δεδομένων συνήθως προτιμούν μία από τις παρακάτω γλώσσες:
@ -64,7 +64,7 @@ print(f"Length of index is {len(idx)}")
items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
items_sold.plot()
```
![Γράφημα Χρονικής Σειράς](../../../../translated_images/el/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.png)
![Γράφημα Χρονικής Σειράς](../../../../translated_images/el/timeseries-1.80de678ab1cf727e.webp)
Τώρα υποθέστε ότι κάθε εβδομάδα οργανώνουμε ένα πάρτι για φίλους και παίρνουμε επιπλέον 10 πακέτα παγωτού για το πάρτι. Μπορούμε να δημιουργήσουμε μια άλλη σειρά, με δείκτη εβδομάδας, για να το δείξουμε:
```python
@ -75,7 +75,7 @@ additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"
total_items = items_sold.add(additional_items,fill_value=0)
total_items.plot()
```
![Γράφημα Χρονικής Σειράς](../../../../translated_images/el/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.png)
![Γράφημα Χρονικής Σειράς](../../../../translated_images/el/timeseries-2.aae51d575c55181c.webp)
> **Σημείωση** ότι δεν χρησιμοποιούμε απλή σύνταξη `total_items+additional_items`. Εάν το κάναμε, θα λαμβάναμε πολλές τιμές `NaN` (*Not a Number*) στη σειρά που προκύπτει. Αυτό συμβαίνει επειδή υπάρχουν ελλείπουσες τιμές για ορισμένα σημεία δείκτη στη σειρά `additional_items`, και η προσθήκη `NaN` σε οτιδήποτε έχει ως αποτέλεσμα `NaN`. Έτσι, πρέπει να καθορίσουμε την παράμετρο `fill_value` κατά την πρόσθεση.
@ -84,7 +84,7 @@ total_items.plot()
monthly = total_items.resample("1M").mean()
ax = monthly.plot(kind='bar')
```
![Μηνιαίοι Μέσοι Όροι Χρονικής Σειράς](../../../../translated_images/el/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.png)
![Μηνιαίοι Μέσοι Όροι Χρονικής Σειράς](../../../../translated_images/el/timeseries-3.f3147cbc8c624881.webp)
### DataFrame
@ -194,7 +194,7 @@ df = pd.read_csv('file.csv')
Επειδή θέλουμε να δείξουμε πώς να χειριζόμαστε δεδομένα, σας προσκαλούμε να ανοίξετε το [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) και να το διαβάσετε από την αρχή μέχρι το τέλος. Μπορείτε επίσης να εκτελέσετε τα κελιά και να κάνετε κάποιες προκλήσεις που έχουμε αφήσει για εσάς στο τέλος.
![COVID Spread](../../../../translated_images/el/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.png)
![COVID Spread](../../../../translated_images/el/covidspread.f3d131c4f1d260ab.webp)
> Αν δεν γνωρίζετε πώς να εκτελέσετε κώδικα στο Jupyter Notebook, ρίξτε μια ματιά σε αυτό το [άρθρο](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
@ -216,7 +216,7 @@ df = pd.read_csv('file.csv')
Ανοίξτε το [`notebook-papers.ipynb`](notebook-papers.ipynb) και διαβάστε το από την αρχή μέχρι το τέλος. Μπορείτε επίσης να εκτελέσετε τα κελιά και να κάνετε κάποιες προκλήσεις που έχουμε αφήσει για εσάς στο τέλος.
![Covid Medical Treatment](../../../../translated_images/el/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.png)
![Covid Medical Treatment](../../../../translated_images/el/covidtreat.b2ba59f57ca45fbc.webp)
## Επεξεργασία Δεδομένων Εικόνας

103
translations/el/2-Working-With-Data/07-python/notebook-covidspread.ipynb
View File

File diff suppressed because one or more lines are too long

2
translations/el/2-Working-With-Data/README.md
Unescape View File

@ -1,6 +1,6 @@
# Εργασία με Δεδομένα
![data love](../../../translated_images/el/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.jpg)
![data love](../../../translated_images/el/data-love.a22ef29e6742c852.webp)
> Φωτογραφία από <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> στο <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
Σε αυτά τα μαθήματα, θα μάθετε μερικούς από τους τρόπους με τους οποίους μπορούν να διαχειριστούν, να τροποποιηθούν και να χρησιμοποιηθούν τα δεδομένα σε εφαρμογές. Θα μάθετε για σχεσιακές και μη σχεσιακές βάσεις δεδομένων και πώς μπορούν να αποθηκευτούν δεδομένα σε αυτές. Θα μάθετε τα βασικά της εργασίας με την Python για τη διαχείριση δεδομένων και θα ανακαλύψετε μερικούς από τους πολλούς τρόπους με τους οποίους μπορείτε να χρησιμοποιήσετε την Python για τη διαχείριση και την εξόρυξη δεδομένων.

14
translations/el/3-Data-Visualization/12-visualization-relationships/README.md
Unescape View File

@ -42,7 +42,7 @@ honey.head()
```python
sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
```
![scatterplot 1](../../../../translated_images/el/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.png)
![scatterplot 1](../../../../translated_images/el/scatter1.5e1aa5fd6706c5d1.webp)
Τώρα, δείξτε τα ίδια δεδομένα με μια χρωματική παλέτα που θυμίζει μέλι, για να δείξετε πώς εξελίσσεται η τιμή με την πάροδο των ετών. Μπορείτε να το κάνετε αυτό προσθέτοντας την παράμετρο 'hue' για να δείξετε την αλλαγή, χρόνο με τον χρόνο:
@ -51,7 +51,7 @@ sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
```python
sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
```
![scatterplot 2](../../../../translated_images/el/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.png)
![scatterplot 2](../../../../translated_images/el/scatter2.c0041a58621ca702.webp)
Με αυτή την αλλαγή χρωματικής παλέτας, μπορείτε να δείτε ότι υπάρχει προφανώς μια ισχυρή πρόοδος με την πάροδο των ετών όσον αφορά την τιμή του μελιού ανά λίβρα. Πράγματι, αν εξετάσετε ένα δείγμα δεδομένων (π.χ. την πολιτεία της Αριζόνα), μπορείτε να δείτε ένα μοτίβο αύξησης της τιμής χρόνο με τον χρόνο, με λίγες εξαιρέσεις:
@ -80,7 +80,7 @@ sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspec
```
Μπορείτε να δείτε το μέγεθος των κουκκίδων να αυξάνεται σταδιακά.
![scatterplot 3](../../../../translated_images/el/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.png)
![scatterplot 3](../../../../translated_images/el/scatter3.3c160a3d1dcb36b3.webp)
Είναι αυτό μια απλή περίπτωση προσφοράς και ζήτησης; Λόγω παραγόντων όπως η κλιματική αλλαγή και η κατάρρευση αποικιών, υπάρχει λιγότερο διαθέσιμο μέλι για αγορά χρόνο με τον χρόνο, και έτσι αυξάνεται η τιμή;
@ -95,7 +95,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
```
Απάντηση: Ναι, με κάποιες εξαιρέσεις γύρω στο έτος 2003:
![line chart 1](../../../../translated_images/el/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.png)
![line chart 1](../../../../translated_images/el/line1.f36eb465229a3b1f.webp)
✅ Επειδή το Seaborn συγκεντρώνει δεδομένα γύρω από μία γραμμή, εμφανίζει «τις πολλαπλές μετρήσεις σε κάθε τιμή x σχεδιάζοντας τον μέσο όρο και το διάστημα εμπιστοσύνης 95% γύρω από τον μέσο όρο». [Πηγή](https://seaborn.pydata.org/tutorial/relational.html). Αυτή η χρονοβόρα συμπεριφορά μπορεί να απενεργοποιηθεί προσθέτοντας `ci=None`.
@ -105,7 +105,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
sns.relplot(x="year", y="totalprod", kind="line", data=honey);
```
![line chart 2](../../../../translated_images/el/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.png)
![line chart 2](../../../../translated_images/el/line2.a5b3493dc01058af.webp)
Απάντηση: Όχι ακριβώς. Αν κοιτάξετε τη συνολική παραγωγή, φαίνεται να έχει αυξηθεί εκείνη τη χρονιά, παρόλο που γενικά η ποσότητα του παραγόμενου μελιού μειώνεται κατά τη διάρκεια αυτών των ετών.
@ -130,7 +130,7 @@ sns.relplot(
```
Σε αυτή την οπτικοποίηση, μπορείτε να συγκρίνετε την απόδοση ανά αποικία και τον αριθμό των αποικιών χρόνο με τον χρόνο, δίπλα-δίπλα, με το περιτύλιγμα να έχει οριστεί στις 3 στήλες:
![facet grid](../../../../translated_images/el/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.png)
![facet grid](../../../../translated_images/el/facet.6a34851dcd540050.webp)
Για αυτό το σύνολο δεδομένων, τίποτα ιδιαίτερο δεν ξεχωρίζει όσον αφορά τον αριθμό των αποικιών και την απόδοσή τους, χρόνο με τον χρόνο και πολιτεία με πολιτεία. Υπάρχει διαφορετικός τρόπος να βρείτε μια συσχέτιση μεταξύ αυτών των δύο μεταβλητών;
@ -153,7 +153,7 @@ sns.despine(right=False)
plt.ylabel('colony yield')
ax.figure.legend();
```
![superimposed plots](../../../../translated_images/el/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.png)
![superimposed plots](../../../../translated_images/el/dual-line.a4c28ce659603fab.webp)
Ενώ τίποτα δεν τραβάει την προσοχή γύρω στο έτος 2003, αυτό μας επιτρέπει να κλείσουμε το μάθημα με μια πιο αισιόδοξη νότα: ενώ υπάρχει συνολικά μια μείωση στον αριθμό των αποικιών, ο αριθμός των αποικιών σταθεροποιείται, ακόμα κι αν η απόδοσή τους ανά αποικία μειώνεται.

16
translations/el/3-Data-Visualization/R/09-visualization-quantities/README.md
Unescape View File

@ -57,7 +57,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
```
Εδώ, εγκαθιστάτε το πακέτο `ggplot2` και στη συνέχεια το εισάγετε στον χώρο εργασίας χρησιμοποιώντας την εντολή `library("ggplot2")`. Για να σχεδιάσετε οποιοδήποτε διάγραμμα στο ggplot, χρησιμοποιείται η συνάρτηση `ggplot()` και καθορίζετε το σύνολο δεδομένων, τις μεταβλητές x και y ως χαρακτηριστικά. Σε αυτή την περίπτωση, χρησιμοποιούμε τη συνάρτηση `geom_line()` καθώς σκοπεύουμε να σχεδιάσουμε ένα γραμμικό διάγραμμα.
![MaxWingspan-lineplot](../../../../../translated_images/el/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.png)
![MaxWingspan-lineplot](../../../../../translated_images/el/MaxWingspan-lineplot.b12169f99d26fdd2.webp)
Τι παρατηρείτε αμέσως; Φαίνεται να υπάρχει τουλάχιστον μία ακραία τιμή - αυτό είναι αρκετά μεγάλο άνοιγμα φτερών! Ένα άνοιγμα φτερών άνω των 2000 εκατοστών ισοδυναμεί με πάνω από 20 μέτρα - υπάρχουν Πτερόδακτυλοι που περιφέρονται στη Μινεσότα; Ας ερευνήσουμε.
@ -75,7 +75,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
```
Καθορίζουμε τη γωνία στο `theme` και καθορίζουμε τις ετικέτες των αξόνων x και y στα `xlab()` και `ylab()` αντίστοιχα. Το `ggtitle()` δίνει ένα όνομα στο γράφημα/διάγραμμα.
![MaxWingspan-lineplot-improved](../../../../../translated_images/el/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.png)
![MaxWingspan-lineplot-improved](../../../../../translated_images/el/MaxWingspan-lineplot-improved.04b73b4d5a59552a.webp)
Ακόμα και με την περιστροφή των ετικετών στις 45 μοίρες, υπάρχουν πάρα πολλές για να διαβαστούν. Ας δοκιμάσουμε μια διαφορετική στρατηγική: ετικέτα μόνο για τις ακραίες τιμές και τοποθέτηση των ετικετών μέσα στο διάγραμμα. Μπορείτε να χρησιμοποιήσετε ένα διάγραμμα διασποράς για να δημιουργήσετε περισσότερο χώρο για την επισήμανση:
@ -91,7 +91,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
Τι ανακαλύπτετε;
![MaxWingspan-scatterplot](../../../../../translated_images/el/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.png)
![MaxWingspan-scatterplot](../../../../../translated_images/el/MaxWingspan-scatterplot.60dc9e0e19d32700.webp)
## Φιλτράρετε τα δεδομένα σας
@ -110,7 +110,7 @@ ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
```
Δημιουργήσαμε ένα νέο dataframe `birds_filtered` και στη συνέχεια σχεδιάσαμε ένα διάγραμμα διασποράς. Φιλτράροντας τις ακραίες τιμές, τα δεδομένα σας είναι τώρα πιο συνεκτικά και κατανοητά.
![MaxWingspan-scatterplot-improved](../../../../../translated_images/el/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.png)
![MaxWingspan-scatterplot-improved](../../../../../translated_images/el/MaxWingspan-scatterplot-improved.7d0af81658c65f3e.webp)
Τώρα που έχουμε ένα καθαρότερο σύνολο δεδομένων τουλάχιστον όσον αφορά το άνοιγμα φτερών, ας ανακαλύψουμε περισσότερα για αυτά τα πουλιά.
@ -151,7 +151,7 @@ birds_filtered %>% group_by(Category) %>%
```
Στο παρακάτω απόσπασμα, εγκαθιστούμε τα πακέτα [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) και [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) για να βοηθήσουμε στη διαχείριση και ομαδοποίηση δεδομένων προκειμένου να σχεδιάσουμε ένα στοίβαγμα ραβδογράμματος. Πρώτα, ομαδοποιείτε τα δεδομένα ανά `Category` του πουλιού και στη συνέχεια συνοψίζετε τις στήλες `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Στη συνέχεια, σχεδιάζετε το ραβδόγραμμα χρησιμοποιώντας το πακέτο `ggplot2` και καθορίζετε τα χρώματα για τις διαφορετικές κατηγορίες και τις ετικέτες.
![Stacked bar chart](../../../../../translated_images/el/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.png)
![Stacked bar chart](../../../../../translated_images/el/stacked-bar-chart.0c92264e89da7b39.webp)
Αυτό το ραβδόγραμμα, ωστόσο, είναι δυσανάγνωστο επειδή υπάρχουν πάρα πολλά μη ομαδοποιημένα δεδομένα. Χρειάζεται να επιλέξετε μόνο τα δεδομένα που θέλετε να σχεδιάσετε, οπότε ας δούμε το μήκος των πουλιών με βάση την κατηγορία τους.
@ -166,7 +166,7 @@ ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
```
Πρώτα μετράτε μοναδικές τιμές στη στήλη `Category` και στη συνέχεια τις ταξινομείτε σε ένα νέο dataframe `birds_count`. Αυτά τα ταξινομημένα δεδομένα στη συνέχεια λαμβάνονται υπόψη στο ίδιο επίπεδο ώστε να σχεδιαστούν με ταξινομημένο τρόπο. Χρησιμοποιώντας το `ggplot2` σχεδιάζετε στη συνέχεια τα δεδομένα σε ένα ραβδόγραμμα. Το `coord_flip()` σχεδιάζει οριζόντιες μπάρες.
![category-length](../../../../../translated_images/el/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.png)
![category-length](../../../../../translated_images/el/category-length.7e34c296690e85d6.webp)
Αυτό το ραβδόγραμμα δείχνει μια καλή εικόνα του αριθμού των πουλιών σε κάθε κατηγορία. Με μια ματιά, βλέπετε ότι ο μεγαλύτερος αριθμός πουλιών σε αυτή την περιοχή ανήκει στην κατηγορία Πάπιες/Χήνες/Υδρόβια. Η Μινεσότα είναι η "γη των 10.000 λιμνών", οπότε αυτό δεν είναι έκπληξη!
@ -189,7 +189,7 @@ ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_fl
```
Ομαδοποιούμε τα δεδομένα `birds_filtered` ανά `Category` και στη συνέχεια σχεδιάζουμε ένα ραβδόγραμμα.
![comparing data](../../../../../translated_images/el/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.png)
![comparing data](../../../../../translated_images/el/comparingdata.f486a450d61c7ca5.webp)
Τίποτα δεν είναι εκπληκτικό εδώ: τα κολιμπρί έχουν το μικρότερο MaxLength σε σύγκριση με τους Πελεκάνους ή τις Χήνες. Είναι καλό όταν τα δεδομένα έχουν λογική!
@ -201,7 +201,7 @@ ggplot(data=birds_grouped, aes(x=Category)) +
geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
coord_flip()
```
![super-imposed values](../../../../../translated_images/el/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.png)
![super-imposed values](../../../../../translated_images/el/superimposed-values.5363f0705a1da416.webp)
## 🚀 Πρόκληση

20
translations/el/3-Data-Visualization/R/10-visualization-distributions/README.md
Unescape View File

@ -36,7 +36,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
geom_point() +
ggtitle("Max Length per order") + coord_flip()
```
![μέγιστο μήκος ανά τάξη](../../../../../translated_images/el/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.png)
![μέγιστο μήκος ανά τάξη](../../../../../translated_images/el/max-length-per-order.e5b283d952c78c12.webp)
Αυτό δίνει μια γενική εικόνα της κατανομής του μήκους σώματος ανά Τάξη πουλιών, αλλά δεν είναι ο βέλτιστος τρόπος για να εμφανιστούν οι πραγματικές κατανομές. Αυτή η εργασία συνήθως γίνεται με τη δημιουργία Ιστογραμμάτων.
## Εργασία με Ιστογράμματα
@ -47,7 +47,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
ggplot(data = birds_filtered, aes(x = MaxBodyMass)) +
geom_histogram(bins=10)+ylab('Frequency')
```
![κατανομή σε όλο το σύνολο δεδομένων](../../../../../translated_images/el/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.png)
![κατανομή σε όλο το σύνολο δεδομένων](../../../../../translated_images/el/distribution-over-the-entire-dataset.d22afd3fa96be854.webp)
Όπως βλέπετε, τα περισσότερα από τα 400+ πουλιά σε αυτό το σύνολο δεδομένων βρίσκονται στο εύρος κάτω από 2000 για τη Μέγιστη Μάζα Σώματος. Αποκτήστε περισσότερη εικόνα για τα δεδομένα αλλάζοντας την παράμετρο `bins` σε μεγαλύτερο αριθμό, όπως 30:
@ -55,7 +55,7 @@ ggplot(data = birds_filtered, aes(x = MaxBodyMass)) +
ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
```
![κατανομή-30 κάδοι](../../../../../translated_images/el/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.png)
![κατανομή-30 κάδοι](../../../../../translated_images/el/distribution-30bins.6a3921ea7a421bf7.webp)
Αυτό το γράφημα δείχνει την κατανομή με λίγο πιο λεπτομερή τρόπο. Ένα γράφημα λιγότερο προκατειλημμένο προς τα αριστερά θα μπορούσε να δημιουργηθεί διασφαλίζοντας ότι επιλέγετε μόνο δεδομένα εντός ενός συγκεκριμένου εύρους:
@ -67,7 +67,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
geom_histogram(bins=30)+ylab('Frequency')
```
![φιλτραρισμένο ιστόγραμμα](../../../../../translated_images/el/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.png)
![φιλτραρισμένο ιστόγραμμα](../../../../../translated_images/el/filtered-histogram.6bf5d2bfd8253322.webp)
✅ Δοκιμάστε άλλα φίλτρα και σημεία δεδομένων. Για να δείτε την πλήρη κατανομή των δεδομένων, αφαιρέστε το φίλτρο `['MaxBodyMass']` για να εμφανίσετε κατανομές με ετικέτες.
@ -81,7 +81,7 @@ ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
```
Φαίνεται να υπάρχει μια αναμενόμενη συσχέτιση μεταξύ αυτών των δύο στοιχείων κατά μήκος ενός αναμενόμενου άξονα, με ένα ιδιαίτερα ισχυρό σημείο σύγκλισης:
![2d διάγραμμα](../../../../../translated_images/el/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.png)
![2d διάγραμμα](../../../../../translated_images/el/2d-plot.c504786f439bd7eb.webp)
Τα Ιστογράμματα λειτουργούν καλά από προεπιλογή για αριθμητικά δεδομένα. Τι γίνεται αν χρειαστεί να δείτε κατανομές σύμφωνα με δεδομένα κειμένου;
## Εξερεύνηση του συνόλου δεδομένων για κατανομές χρησιμοποιώντας δεδομένα κειμένου
@ -112,7 +112,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
```
![άνοιγμα φτερών και κατάσταση διατήρησης](../../../../../translated_images/el/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.png)
![άνοιγμα φτερών και κατάσταση διατήρησης](../../../../../translated_images/el/wingspan-conservation-collation.4024e9aa6910866a.webp)
Δεν φαίνεται να υπάρχει καλή συσχέτιση μεταξύ του ελάχιστου ανοίγματος φτερών και της κατάστασης διατήρησης. Δοκιμάστε άλλα στοιχεία του συνόλου δεδομένων χρησιμοποιώντας αυτή τη μέθοδο. Μπορείτε να δοκιμάσετε διαφορετικά φίλτρα επίσης. Βρίσκετε κάποια συσχέτιση;
@ -126,7 +126,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
ggplot(data = birds_filtered_1, aes(x = MinWingspan)) +
geom_density()
```
![διάγραμμα πυκνότητας](../../../../../translated_images/el/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.png)
![διάγραμμα πυκνότητας](../../../../../translated_images/el/density-plot.675ccf865b76c690.webp)
Μπορείτε να δείτε πώς το διάγραμμα αντικατοπτρίζει το προηγούμενο για τα δεδομένα Ελάχιστου Ανοίγματος Φτερών· είναι απλώς λίγο πιο ομαλό. Αν θέλατε να επανεξετάσετε εκείνη τη "σκαλοπάτια" γραμμή της MaxBodyMass στο δεύτερο διάγραμμα που δημιουργήσατε, θα μπορούσατε να την εξομαλύνετε πολύ καλά αναδημιουργώντας την με αυτή τη μέθοδο:
@ -134,7 +134,7 @@ ggplot(data = birds_filtered_1, aes(x = MinWingspan)) +
ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
geom_density()
```
![πυκνότητα μάζας σώματος](../../../../../translated_images/el/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.png)
![πυκνότητα μάζας σώματος](../../../../../translated_images/el/bodymass-smooth.d31ce526d82b0a1f.webp)
Αν θέλατε μια ομαλή, αλλά όχι υπερβολικά ομαλή γραμμή, επεξεργαστείτε την παράμετρο `adjust`:
@ -142,7 +142,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
geom_density(adjust = 1/5)
```
![λιγότερο ομαλή μάζα σώματος](../../../../../translated_images/el/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.png)
![λιγότερο ομαλή μάζα σώματος](../../../../../translated_images/el/less-smooth-bodymass.10f4db8b683cc17d.webp)
✅ Διαβάστε για τις διαθέσιμες παραμέτρους για αυτόν τον τύπο διαγράμματος και πειραματιστείτε!
@ -152,7 +152,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
geom_density(alpha=0.5)
```
![μάζα σώματος ανά τάξη](../../../../../translated_images/el/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.png)
![μάζα σώματος ανά τάξη](../../../../../translated_images/el/bodymass-per-order.9d2b065dd931b928.webp)
## 🚀 Πρόκληση

6
translations/el/3-Data-Visualization/R/11-visualization-proportions/README.md
Unescape View File

@ -83,7 +83,7 @@ pie(grouped$count,grouped$class, main="Edible?")
```
Ορίστε, ένα γράφημα πίτας που δείχνει τις αναλογίες αυτών των δεδομένων σύμφωνα με αυτές τις δύο κατηγορίες μανιταριών. Είναι αρκετά σημαντικό να έχετε τη σωστή σειρά των ετικετών, ειδικά εδώ, οπότε βεβαιωθείτε ότι έχετε επαληθεύσει τη σειρά με την οποία δημιουργείται ο πίνακας ετικετών!
![pie chart](../../../../../translated_images/el/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.png)
![pie chart](../../../../../translated_images/el/pie1-wb.685df063673751f4.webp)
## Ντόνατ!
@ -117,7 +117,7 @@ library(webr)
PieDonut(habitat, aes(habitat, count=count))
```
![donut chart](../../../../../translated_images/el/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.png)
![donut chart](../../../../../translated_images/el/donut-wb.34e6fb275da9d834.webp)
Αυτός ο κώδικας χρησιμοποιεί τις δύο βιβλιοθήκες - ggplot2 και webr. Χρησιμοποιώντας τη συνάρτηση PieDonut της βιβλιοθήκης webr, μπορούμε να δημιουργήσουμε εύκολα ένα γράφημα ντόνατ!
@ -155,7 +155,7 @@ waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual
Χρησιμοποιώντας ένα γράφημα βάφλας, μπορείτε να δείτε ξεκάθαρα τις αναλογίες χρωμάτων καπέλων σε αυτό το σύνολο δεδομένων μανιταριών. Ενδιαφέρον είναι ότι υπάρχουν πολλά μανιτάρια με πράσινα καπέλα!
![waffle chart](../../../../../translated_images/el/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.png)
![waffle chart](../../../../../translated_images/el/waffle.aaa75c5337735a6e.webp)
Σε αυτό το μάθημα, μάθατε τρεις τρόπους για να οπτικοποιήσετε αναλογίες. Πρώτα, πρέπει να ομαδοποιήσετε τα δεδομένα σας σε κατηγορίες και στη συνέχεια να αποφασίσετε ποιος είναι ο καλύτερος τρόπος για να εμφανίσετε τα δεδομένα - πίτα, ντόνατ ή βάφλα. Όλα είναι νόστιμα και προσφέρουν στον χρήστη μια άμεση εικόνα ενός συνόλου δεδομένων.

14
translations/el/3-Data-Visualization/R/12-visualization-relationships/README.md
Unescape View File

@ -42,7 +42,7 @@ library(ggplot2)
ggplot(honey, aes(x = priceperlb, y = state)) +
geom_point(colour = "blue")
```
![scatterplot 1](../../../../../translated_images/el/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.png)
![scatterplot 1](../../../../../translated_images/el/scatter1.86b8900674d88b26.webp)
Τώρα, δείξτε τα ίδια δεδομένα με μια χρωματική παλέτα που θυμίζει μέλι, για να δείξετε πώς εξελίσσεται η τιμή με την πάροδο των ετών. Μπορείτε να το κάνετε αυτό προσθέτοντας την παράμετρο 'scale_color_gradientn' για να δείξετε την αλλαγή, χρόνο με τον χρόνο:
@ -52,7 +52,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
```
![scatterplot 2](../../../../../translated_images/el/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.png)
![scatterplot 2](../../../../../translated_images/el/scatter2.4d1cbc693bad20e2.webp)
Με αυτή την αλλαγή χρωματικής παλέτας, μπορείτε να δείτε ότι υπάρχει προφανώς μια ισχυρή εξέλιξη με την πάροδο των ετών όσον αφορά την τιμή του μελιού ανά λίβρα. Πράγματι, αν κοιτάξετε ένα δείγμα δεδομένων για να το επαληθεύσετε (επιλέξτε, για παράδειγμα, την Αριζόνα), μπορείτε να δείτε ένα μοτίβο αύξησης της τιμής χρόνο με τον χρόνο, με λίγες εξαιρέσεις:
@ -83,7 +83,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
```
Μπορείτε να δείτε το μέγεθος των κουκκίδων να αυξάνεται σταδιακά.
![scatterplot 3](../../../../../translated_images/el/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.png)
![scatterplot 3](../../../../../translated_images/el/scatter3.722d21e6f20b3ea2.webp)
Είναι αυτό μια απλή περίπτωση προσφοράς και ζήτησης; Λόγω παραγόντων όπως η κλιματική αλλαγή και η κατάρρευση αποικιών, υπάρχει λιγότερο διαθέσιμο μέλι για αγορά χρόνο με τον χρόνο, και έτσι αυξάνεται η τιμή;
@ -98,7 +98,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
```
Απάντηση: Ναι, με κάποιες εξαιρέσεις γύρω στο 2003:
![line chart 1](../../../../../translated_images/el/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.png)
![line chart 1](../../../../../translated_images/el/line1.299b576fbb2a59e6.webp)
Ερώτηση: Λοιπόν, το 2003 μπορούμε επίσης να δούμε μια αύξηση στην προσφορά μελιού; Τι γίνεται αν κοιτάξετε τη συνολική παραγωγή χρόνο με τον χρόνο;
@ -106,7 +106,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
```
![line chart 2](../../../../../translated_images/el/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.png)
![line chart 2](../../../../../translated_images/el/line2.3b18fcda7176ceba.webp)
Απάντηση: Όχι ακριβώς. Αν κοιτάξετε τη συνολική παραγωγή, φαίνεται να έχει αυξηθεί εκείνη τη χρονιά, παρόλο που γενικά η ποσότητα του παραγόμενου μελιού μειώνεται κατά τη διάρκεια αυτών των ετών.
@ -126,7 +126,7 @@ ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) +
```
Σε αυτή την οπτικοποίηση, μπορείτε να συγκρίνετε την απόδοση ανά αποικία και τον αριθμό των αποικιών χρόνο με τον χρόνο, δίπλα-δίπλα, με το περιτύλιγμα να έχει οριστεί στις 3 στήλες:
![facet grid](../../../../../translated_images/el/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.png)
![facet grid](../../../../../translated_images/el/facet.491ad90d61c2a7cc.webp)
Για αυτό το σύνολο δεδομένων, τίποτα ιδιαίτερο δεν ξεχωρίζει όσον αφορά τον αριθμό των αποικιών και την απόδοσή τους, χρόνο με τον χρόνο και πολιτεία με πολιτεία. Υπάρχει διαφορετικός τρόπος να βρείτε μια συσχέτιση μεταξύ αυτών των δύο μεταβλητών;
@ -143,7 +143,7 @@ plot(honey$year, honey$yieldpercol, pch = 17, col = 3,
axis(side = 4, at = pretty(range(y2)))
mtext("colony yield", side = 4, line = 3)
```
![superimposed plots](../../../../../translated_images/el/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.png)
![superimposed plots](../../../../../translated_images/el/dual-line.fc4665f360a54018.webp)
Ενώ τίποτα δεν τραβάει την προσοχή γύρω στο 2003, αυτό μας επιτρέπει να κλείσουμε το μάθημα με μια πιο αισιόδοξη νότα: ενώ υπάρχει συνολικά μείωση στον αριθμό των αποικιών, ο αριθμός των αποικιών σταθεροποιείται, ακόμα κι αν η απόδοση ανά αποικία μειώνεται.

16
translations/el/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
Unescape View File

@ -38,25 +38,25 @@
Ακόμα κι αν ένας επιστήμονας δεδομένων είναι προσεκτικός στην επιλογή του σωστού γραφήματος για τα σωστά δεδομένα, υπάρχουν πολλοί τρόποι με τους οποίους τα δεδομένα μπορούν να παρουσιαστούν με τρόπο που να αποδεικνύει ένα σημείο, συχνά εις βάρος της αλήθειας των δεδομένων. Υπάρχουν πολλά παραδείγματα παραπλανητικών γραφημάτων και infographics!
[![Πώς Ψεύδονται τα Γραφήματα από τον Alberto Cairo](../../../../../translated_images/el/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Πώς Ψεύδονται τα Γραφήματα")
[![Πώς Ψεύδονται τα Γραφήματα από τον Alberto Cairo](../../../../../translated_images/el/tornado.2880ffc7f135f82b.webp)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Πώς Ψεύδονται τα Γραφήματα")
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για μια ομιλία συνεδρίου σχετικά με παραπλανητικά γραφήματα
Αυτό το γράφημα αντιστρέφει τον άξονα X για να δείξει το αντίθετο της αλήθειας, βάσει ημερομηνίας:
![κακό γράφημα 1](../../../../../translated_images/el/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.png)
![κακό γράφημα 1](../../../../../translated_images/el/bad-chart-1.596bc93425a8ac30.webp)
[Αυτό το γράφημα](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) είναι ακόμα πιο παραπλανητικό, καθώς το μάτι τραβιέται προς τα δεξιά για να συμπεράνει ότι, με την πάροδο του χρόνου, τα κρούσματα COVID έχουν μειωθεί στις διάφορες κομητείες. Στην πραγματικότητα, αν κοιτάξετε προσεκτικά τις ημερομηνίες, θα διαπιστώσετε ότι έχουν αναδιαταχθεί για να δώσουν αυτήν την παραπλανητική πτωτική τάση.
![κακό γράφημα 2](../../../../../translated_images/el/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.jpg)
![κακό γράφημα 2](../../../../../translated_images/el/bad-chart-2.62edf4d2f30f4e51.webp)
Αυτό το διαβόητο παράδειγμα χρησιμοποιεί χρώμα ΚΑΙ έναν αναστραμμένο άξονα Y για να παραπλανήσει: αντί να συμπεράνουμε ότι οι θάνατοι από όπλα αυξήθηκαν μετά την ψήφιση νομοθεσίας φιλικής προς τα όπλα, στην πραγματικότητα το μάτι ξεγελιέται να πιστεύει το αντίθετο:
![κακό γράφημα 3](../../../../../translated_images/el/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.jpg)
![κακό γράφημα 3](../../../../../translated_images/el/bad-chart-3.e201e2e915a230bc.webp)
Αυτό το παράξενο γράφημα δείχνει πώς η αναλογία μπορεί να χειραγωγηθεί, με ξεκαρδιστικό αποτέλεσμα:
![κακό γράφημα 4](../../../../../translated_images/el/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.jpg)
![κακό γράφημα 4](../../../../../translated_images/el/bad-chart-4.8872b2b881ffa96c.webp)
Η σύγκριση του ασύγκριτου είναι ακόμα ένα ύπουλο κόλπο. Υπάρχει ένας [υπέροχος ιστότοπος](https://tylervigen.com/spurious-correlations) γεμάτος με 'ψευδείς συσχετίσεις' που εμφανίζουν 'γεγονότα' που συσχετίζουν πράγματα όπως το ποσοστό διαζυγίων στο Maine και την κατανάλωση μαργαρίνης. Μια ομάδα στο Reddit συλλέγει επίσης τις [άσχημες χρήσεις](https://www.reddit.com/r/dataisugly/top/?t=all) των δεδομένων.
@ -91,13 +91,13 @@
Αν τα δεδομένα σας είναι κείμενο και εκτενή στον άξονα X, μπορείτε να γωνιάσετε το κείμενο για καλύτερη ευανάγνωστοτητα. Το [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) προσφέρει 3D σχεδιασμό, αν τα δεδομένα σας το υποστηρίζουν. Μπορούν να παραχθούν εξελιγμένες οπτικοποιήσεις δεδομένων χρησιμοποιώντας το.
![3d γραφήματα](../../../../../translated_images/el/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.png)
![3d γραφήματα](../../../../../translated_images/el/3d.db1734c151eee87d.webp)
## Animation και 3D απεικόνιση γραφημάτων
Μερικές από τις καλύτερες οπτικοποιήσεις δεδομένων σήμερα είναι κινούμενες. Η Shirley Wu έχει εκπληκτικές δημιουργίες με D3, όπως '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', όπου κάθε λουλούδι είναι μια οπτικοποίηση μιας ταινίας. Ένα άλλο παράδειγμα για τον Guardian είναι το 'bussed out', μια διαδραστική εμπειρία που συνδυάζει οπτικοποιήσεις με Greensock και D3 καθώς και ένα άρθρο σε μορφή scrollytelling για να δείξει πώς η Νέα Υόρκη διαχειρίζεται το πρόβλημα των αστέγων της, στέλνοντας ανθρώπους εκτός πόλης.
![busing](../../../../../translated_images/el/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.png)
![busing](../../../../../translated_images/el/busing.8157cf1bc89a3f65.webp)
> "Bussed Out: Πώς η Αμερική Μετακινεί τους Άστεγους" από [τον Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Οπτικοποιήσεις από Nadieh Bremer & Shirley Wu
@ -107,7 +107,7 @@
Θα ολοκληρώσετε μια εφαρμογή ιστού που θα εμφανίζει μια κινούμενη προβολή αυτού του κοινωνικού δικτύου. Χρησιμοποιεί μια βιβλιοθήκη που δημιουργήθηκε για να δημιουργήσει μια [οπτικοποίηση ενός δικτύου](https://github.com/emiliorizzo/vue-d3-network) χρησιμοποιώντας Vue.js και D3. Όταν η εφαρμογή τρέχει, μπορείτε να μετακινήσετε τους κόμβους στην οθόνη για να ανακατέψετε τα δεδομένα.
![liaisons](../../../../../translated_images/el/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.png)
![liaisons](../../../../../translated_images/el/liaisons.90ce7360bcf84765.webp)
## Έργο: Δημιουργήστε ένα γράφημα για να δείξετε ένα δίκτυο χρησιμοποιώντας D3.js

2
translations/el/3-Data-Visualization/README.md
Unescape View File

@ -1,6 +1,6 @@
# Οπτικοποιήσεις
![μια μέλισσα σε ένα άνθος λεβάντας](../../../translated_images/el/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.jpg)
![μια μέλισσα σε ένα άνθος λεβάντας](../../../translated_images/el/bee.0aa1d91132b12e3a.webp)
> Φωτογραφία από <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> στο <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
Η οπτικοποίηση δεδομένων είναι μία από τις πιο σημαντικές εργασίες ενός επιστήμονα δεδομένων. Μια εικόνα αξίζει όσο χίλιες λέξεις, και μια οπτικοποίηση μπορεί να σας βοηθήσει να εντοπίσετε κάθε είδους ενδιαφέροντα στοιχεία στα δεδομένα σας, όπως αιχμές, ακραίες τιμές, ομαδοποιήσεις, τάσεις και πολλά άλλα, που μπορούν να σας βοηθήσουν να κατανοήσετε την ιστορία που προσπαθούν να σας πουν τα δεδομένα σας.

4
translations/el/4-Data-Science-Lifecycle/14-Introduction/README.md
Unescape View File

@ -16,7 +16,7 @@
Αυτό το μάθημα επικεντρώνεται σε 3 μέρη του κύκλου ζωής: συλλογή, επεξεργασία και συντήρηση.
![Διάγραμμα του κύκλου ζωής της επιστήμης δεδομένων](../../../../translated_images/el/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.jpg)
![Διάγραμμα του κύκλου ζωής της επιστήμης δεδομένων](../../../../translated_images/el/data-science-lifecycle.a1e362637503c4fb.webp)
> Φωτογραφία από [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
## Συλλογή
@ -92,7 +92,7 @@
|Διαδικασία Ομάδας Επιστήμης Δεδομένων (TDSP)|Δια-βιομηχανικό πρότυπο διαδικασίας για εξόρυξη δεδομένων (CRISP-DM)|
|--|--|
|![Κύκλος Ζωής Ομάδας Επιστήμης Δεδομένων](../../../../translated_images/el/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.png) | ![Εικόνα Διαδικασίας Επιστήμης Δεδομένων Alliance](../../../../translated_images/el/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.png) |
|![Κύκλος Ζωής Ομάδας Επιστήμης Δεδομένων](../../../../translated_images/el/tdsp-lifecycle2.e19029d598e2e73d.webp) | ![Εικόνα Διαδικασίας Επιστήμης Δεδομένων Alliance](../../../../translated_images/el/CRISP-DM.8bad2b4c66e62aa7.webp) |
| Εικόνα από [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Εικόνα από [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
## [Κουίζ Μετά τη Διάλεξη](https://ff-quizzes.netlify.app/en/ds/quiz/27)

2
translations/el/4-Data-Science-Lifecycle/README.md
Unescape View File

@ -1,6 +1,6 @@
# Ο Κύκλος Ζωής της Επιστήμης Δεδομένων
![communication](../../../translated_images/el/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.jpg)
![communication](../../../translated_images/el/communication.06d8e2a88d30d168.webp)
> Φωτογραφία από <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> στο <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
Σε αυτά τα μαθήματα, θα εξερευνήσετε ορισμένες πτυχές του κύκλου ζωής της Επιστήμης Δεδομένων, συμπεριλαμβανομένης της ανάλυσης και της επικοινωνίας γύρω από τα δεδομένα.

4
translations/el/5-Data-Science-In-Cloud/README.md
Unescape View File

@ -1,12 +1,12 @@
# Επιστήμη Δεδομένων στο Cloud
![cloud-picture](../../../translated_images/el/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.jpg)
![cloud-picture](../../../translated_images/el/cloud-picture.f5526de3c6c6387b.webp)
> Φωτογραφία από [Jelleke Vanooteghem](https://unsplash.com/@ilumire) στο [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
Όταν πρόκειται για την επιστήμη δεδομένων με μεγάλα δεδομένα, το cloud μπορεί να αλλάξει τα δεδομένα. Στα επόμενα τρία μαθήματα, θα δούμε τι είναι το cloud και γιατί μπορεί να είναι πολύ χρήσιμο. Θα εξερευνήσουμε επίσης ένα σύνολο δεδομένων για καρδιακή ανεπάρκεια και θα δημιουργήσουμε ένα μοντέλο για να βοηθήσουμε στην εκτίμηση της πιθανότητας κάποιος να έχει καρδιακή ανεπάρκεια. Θα χρησιμοποιήσουμε τη δύναμη του cloud για να εκπαιδεύσουμε, να αναπτύξουμε και να χρησιμοποιήσουμε ένα μοντέλο με δύο διαφορετικούς τρόπους. Ο ένας τρόπος είναι χρησιμοποιώντας μόνο το περιβάλλον χρήστη με μια προσέγγιση "Low code/No code", και ο άλλος τρόπος είναι χρησιμοποιώντας το Azure Machine Learning Software Developer Kit (Azure ML SDK).
![project-schema](../../../translated_images/el/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.png)
![project-schema](../../../translated_images/el/project-schema.420e56d495624541.webp)
### Θέματα

2
translations/el/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
Unescape View File

@ -32,7 +32,7 @@
* [Επιστήμη Δεδομένων στην Υγειονομική Περίθαλψη](https://data-flair.training/blogs/data-science-in-healthcare/) - αναδεικνύει εφαρμογές όπως η ιατρική απεικόνιση (π.χ., MRI, ακτινογραφία, CT-Scan), η γονιδιωματική (αλληλούχιση DNA), η ανάπτυξη φαρμάκων (αξιολόγηση κινδύνου, πρόβλεψη επιτυχίας), η προβλεπτική ανάλυση (φροντίδα ασθενών και εφοδιαστική), η παρακολούθηση και πρόληψη ασθενειών κ.λπ.
![Εφαρμογές Επιστήμης Δεδομένων στον Πραγματικό Κόσμο](../../../../translated_images/el/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.png) Πηγή Εικόνας: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
![Εφαρμογές Επιστήμης Δεδομένων στον Πραγματικό Κόσμο](../../../../translated_images/el/data-science-applications.4e5019cd8790ebac.webp) Πηγή Εικόνας: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
Η εικόνα δείχνει άλλους τομείς και παραδείγματα για την εφαρμογή τεχνικών επιστήμης δεδομένων. Θέλετε να εξερευνήσετε άλλες εφαρμογές; Δείτε την ενότητα [Ανασκόπηση & Αυτομελέτη](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) παρακάτω.

2
translations/el/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
Unescape View File

@ -13,7 +13,7 @@
2. Εξερευνήστε τον [Κατάλογο](https://planetarycomputer.microsoft.com/catalog) συνόλων δεδομένων - μάθετε τον σκοπό του καθενός.
3. Χρησιμοποιήστε το Explorer - επιλέξτε ένα σύνολο δεδομένων που σας ενδιαφέρει, επιλέξτε μια σχετική ερώτηση και επιλογή απεικόνισης.
![Το Planetary Computer Explorer](../../../../translated_images/el/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.png)
![Το Planetary Computer Explorer](../../../../translated_images/el/planetary-computer-explorer.c1e95a9b053167d6.webp)
`Η Αποστολή σας:`
Μελετήστε τώρα την οπτικοποίηση που δημιουργείται στον περιηγητή και απαντήστε στα εξής:

244
translations/el/README.md
Unescape View File

@ -1,90 +1,100 @@
# Data Science για Αρχάριους - Ένα Πρόγραμμα Σπουδών
# Επιστήμη Δεδομένων για Αρχάριους - Ένα Αναλυτικό Πρόγραμμα
[![Open in GitHub Codespaces](https://github.com/codespaces/badge.svg)](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[![Ανοιχτό στο GitHub Codespaces](https://github.com/codespaces/badge.svg)](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[![GitHub license](https://img.shields.io/github/license/microsoft/Data-Science-For-Beginners.svg)](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE)
[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
[![GitHub issues](https://img.shields.io/github/issues/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/issues/)
[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/)
[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
[![Άδεια GitHub](https://img.shields.io/github/license/microsoft/Data-Science-For-Beginners.svg)](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE)
[![Συνεισφέροντες στο GitHub](https://img.shields.io/github/contributors/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
[![Θέματα GitHub](https://img.shields.io/github/issues/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/issues/)
[![Αιτήματα Ένταξης GitHub](https://img.shields.io/github/issues-pr/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/)
[![Καλωσορίζουμε PRs](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/Data-Science-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/Data-Science-For-Beginners/watchers/)
[![GitHub forks](https://img.shields.io/github/forks/microsoft/Data-Science-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/Data-Science-For-Beginners/network/)
[![GitHub stars](https://img.shields.io/github/stars/microsoft/Data-Science-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/Data-Science-For-Beginners/stargazers/)
[![Παρατηρητές GitHub](https://img.shields.io/github/watchers/microsoft/Data-Science-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/Data-Science-For-Beginners/watchers/)
[![Forks GitHub](https://img.shields.io/github/forks/microsoft/Data-Science-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/Data-Science-For-Beginners/network/)
[![Αστέρια GitHub](https://img.shields.io/github/stars/microsoft/Data-Science-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/Data-Science-For-Beginners/stargazers/)
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
[![Forum Προγραμματιστών Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
Οι Πρεσβευτές του Azure Cloud στη Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα δεκαεβδομαδιαίο πρόγραμμα σπουδών 10 εβδομάδων και 20 μαθημάτων που αφορά αποκλειστικά την Επιστήμη Δεδομένων. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, μία λύση και μία εργασία. Η παιδαγωγική μας που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε καθώς δημιουργείτε, ένας αποδεδειγμένος τρόπος για να "εγκατασταθούν" νέες δεξιότητες.
Οι Azure Cloud Advocates της Microsoft έχουν τη χαρά να προσφέρουν ένα 10-εβδομάδων, 20-μαθημάτων πρόγραμμα που αφορά όλη την Επιστήμη Δεδομένων. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες ολοκλήρωσης του μαθήματος, μια λύση και μια εργασία. Η εκπαιδευτική προσέγγισή μας με βάση έργα σας επιτρέπει να μαθαίνετε ενώ δημιουργείτε, ένας αποδεδειγμένος τρόπος ώστε οι νέες δεξιότητες να «καρφώνονται».
**Καρδιές ευχαριστίες στους συγγραφείς μας:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
**Θερμές ευχαριστίες στους συγγραφείς μας:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
**🙏 Ειδικές ευχαριστίες 🙏 στους [Πρεσβευτές Φοιτητών Microsoft](https://studentambassadors.microsoft.com/) συγγραφείς, αξιολογητές και συνεισφέροντες περιεχόμενο,** ιδιαίτερα στους Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
**🙏 Ειδικές ευχαριστίες 🙏 στους συγγραφείς, αξιολογητές και συνεισφέροντες περιεχόμενο μας [Πρεσβευτές Φοιτητών της Microsoft](https://studentambassadors.microsoft.com/),** μεταξύ των οποίων οι Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
[Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar , [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
|![Sketchnote by @sketchthedocs https://sketchthedocs.dev](../../translated_images/el/00-Title.8af36cd35da1ac55.webp)|
|![Σημείωση σχεδίασης από @sketchthedocs https://sketchthedocs.dev](../../translated_images/el/00-Title.8af36cd35da1ac55.webp)|
|:---:|
| Data Science για Αρχάριους - _Συντομόγραμμα από [@nitya](https://twitter.com/nitya)_ |
| Επιστήμη Δεδομένων για Αρχάριους - _Σημείωση σχεδίασης από [@nitya](https://twitter.com/nitya)_ |
### 🌐 Υποστήριξη Πολλών Γλωσσών
### 🌐 Υποστήριξη για Πολλές Γλώσσες
#### Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](./README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
> **Προτιμάτε να Κλωνοποιήσετε Τοπικά;**
> Αυτό το αποθετήριο περιλαμβάνει 50+ μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κάνετε κλωνοποίηση χωρίς τις μεταφράσεις, χρησιμοποιήστε sparse checkout:
> **Προτιμάτε να κάνετε κλωνοποίηση τοπικά;**
>
> Αυτό το αποθετήριο περιλαμβάνει πάνω από 50 μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κλωνοποιήσετε χωρίς τις μεταφράσεις, χρησιμοποιήστε το sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
> cd Data-Science-For-Beginners
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
> Αυτό σας δίνει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ ταχύτερη λήψη.
>
> **CMD (Windows):**
> ```cmd
> git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
> cd Data-Science-For-Beginners
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Αυτό σας δίνει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
**Εάν θέλετε να υποστηριχθούν επιπλέον γλώσσες μετάφρασης, αυτές αναφέρονται [εδώ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
**Εάν θέλετε να υποστηρίζονται επιπλέον γλώσσες μετάφρασης, αναφέρονται [εδώ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
#### Ελάτε στην Κοινότητά μας
#### Ενταχθείτε στην Κοινότητά μας
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
Έχουμε σε εξέλιξη μια σειρά Discord μάθησης με AI, μάθετε περισσότερα και γίνετε μέλος μας στο [Learn with AI Series](https://aka.ms/learnwithai/discord) από 18 - 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για την Επιστήμη Δεδομένων.
Διοργανώνουμε μια σειρά Discord "Μάθετε με τη βοήθεια Τεχνητής Νοημοσύνης", μάθετε περισσότερα και συμμετέχετε στη [Σειρά Μάθησης με AI](https://aka.ms/learnwithai/discord) από 18 - 30 Σεπτεμβρίου, 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot στην Επιστήμη Δεδομένων.
![Learn with AI series](../../translated_images/el/1.2b28cdc6205e26fe.webp)
![Σειρά Μάθησης με AI](../../translated_images/el/1.2b28cdc6205e26fe.webp)
# Είσαι φοιτητής;
# Είσαι φοιτητής/φοιτήτρια;
Ξεκίνα με τους παρακάτω πόρους:
- [Σελίδα Κέντρου Φοιτητών](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Σε αυτή τη σελίδα, θα βρεις πόρους για αρχάριους, πακέτα για φοιτητές και ακόμη τρόπους να πάρεις δωρεάν κουπόνι πιστοποίησης. Αυτή είναι μια σελίδα που θέλεις να αποθηκεύσεις στα αγαπημένα σου και να την ελέγχεις από καιρό σε καιρό καθώς ενημερώνουμε το περιεχόμενο τουλάχιστον κάθε μήνα.
- [Πρεσβευτές Φοιτητών Microsoft](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Γίνε μέλος μιας παγκόσμιας κοινότητας φοιτητών πρεσβευτών, αυτό μπορεί να είναι ο δρόμος σου προς τη Microsoft.
- [Σελίδα Φοιτητών](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Σε αυτή τη σελίδα, θα βρεις πόρους για αρχάριους, πακέτα φοιτητών και ακόμη τρόπους για να αποκτήσεις δωρεάν κουπόνι πιστοποίησης. Αυτή είναι μια σελίδα που αξίζει να προσθέσεις στα αγαπημένα και να ελέγχεις συχνά καθώς ανανεώνουμε το περιεχόμενο τουλάχιστον μηνιαίως.
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Εντάξου σε μια παγκόσμια κοινότητα πρεσβευτών φοιτητών, αυτή μπορεί να είναι η είσοδός σου στη Microsoft.
# Ξεκινώντας
## 📚 Τεκμηρίωση
- **[Οδηγός Εγκατάστασης](INSTALLATION.md)** - Οδηγίες βήμα προς βήμα για αρχάριους
- **[Οδηγός Χρήσης](USAGE.md)** - Παραδείγματα και συνηθισμένες εργασίες
- **[Αντιμετώπιση Προβλημάτων](TROUBLESHOOTING.md)** - Λύσεις σε συνηθισμένα θέματα
- **[Οδηγός Συνεργασίας](CONTRIBUTING.md)** - Πώς να συμβάλλετε σε αυτό το έργο
- **[Για Εκπαιδευτικούς](for-teachers.md)** - Κατευθύνσεις διδασκαλίας και υλικό τάξης
- **[Οδηγός Εγκατάστασης](INSTALLATION.md)** - βήμα προς βήμα οδηγίες εγκατάστασης για αρχάριους
- **[Οδηγός Χρήσης](USAGE.md)** - παραδείγματα και συνήθεις ροές εργασίας
- **[Αντιμετώπιση Προβλημάτων](TROUBLESHOOTING.md)** - λύσεις σε συνηθισμένα προβλήματα
- **[Οδηγός Συνεισφοράς](CONTRIBUTING.md)** - πώς να συνεισφέρετε σε αυτό το έργο
- **[Για Εκπαιδευτικούς](for-teachers.md)** - οδηγίες διδασκαλίας και πόροι τάξης
## 👨‍🎓 Για Φοιτητές
> **Απόλυτοι Αρχάριοι**: Νέοι στην επιστήμη δεδομένων; Ξεκινήστε με τα [φιλικά προς αρχάριους παραδείγματά μας](examples/README.md)! Αυτά τα απλά, καλά σχολιασμένα παραδείγματα θα σας βοηθήσουν να κατανοήσετε τα βασικά πριν βουτήξετε στο πλήρες πρόγραμμα σπουδών.
> **[Φοιτητές](https://aka.ms/student-page)**: για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών μόνοι σας, κάντε fork όλο το repository και ολοκληρώστε τις ασκήσεις μόνοι σας, ξεκινώντας με ένα κουίζ πριν το μάθημα. Στη συνέχεια διαβάστε το μάθημα και ολοκληρώστε τις υπόλοιπες δραστηριότητες. Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να αντιγράψετε τον κώδικα λύσης· ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solutions σε κάθε μάθημα με προσανατολισμό σε έργο. Μια άλλη ιδέα είναι να δημιουργήσετε μια ομάδα μελέτης με φίλους και να περάσετε το περιεχόμενο μαζί. Για περαιτέρω μελέτη, προτείνουμε το [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
> **Πλήρης Αρχάριος:** Νέος στην επιστήμη δεδομένων; Ξεκίνα με τα [φιλικά για αρχάριους παραδείγματά μας](examples/README.md)! Αυτά τα απλά, καλογραμμένα παραδείγματα θα σε βοηθήσουν να κατανοήσεις τα βασικά πριν βυθιστείς στο πλήρες πρόγραμμα.
> **[Φοιτητές](https://aka.ms/student-page):** για να χρησιμοποιήσετε αυτό το πρόγραμμα μόνοι σας, κάντε fork ολόκληρου του αποθετηρίου και ολοκληρώστε τις ασκήσεις μόνοι σας, ξεκινώντας με ένα κουίζ πριν τη διάλεξη. Διαβάστε την διάλεξη και ολοκληρώστε τις υπόλοιπες δραστηριότητες. Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα παρά να αντιγράφετε τον κώδικα λύσης· ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solutions σε κάθε μάθημα προσανατολισμένο σε έργο. Μια άλλη ιδέα είναι να σχηματίσετε μια ομάδα μελέτης με φίλους και να μελετήσετε μαζί το περιεχόμενο. Για περαιτέρω μελέτη, προτείνουμε το [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
**Γρήγορη Εκκίνηση:**
1. Ελέγξτε τον [Οδηγό Εγκατάστασης](INSTALLATION.md) για να ρυθμίσετε το περιβάλλον σας
2. Ανασκοπήστε τον [Οδηγό Χρήσης](USAGE.md) για να μάθετε πώς να δουλέψετε με το πρόγραμμα σπουδών
**Γρήγορη εκκίνηση:**
1. Τσεκάρετε τον [Οδηγό Εγκατάστασης](INSTALLATION.md) για να ρυθμίσετε το περιβάλλον σας
2. Εξετάστε τον [Οδηγό Χρήσης](USAGE.md) για να μάθετε πώς να δουλεύετε με το πρόγραμμα
3. Ξεκινήστε με το Μάθημα 1 και συνεχίστε διαδοχικά
4. Γίνετε μέλος της [κοινότητας Discord μας](https://aka.ms/ds4beginners/discord) για υποστήριξη
4. Ενταχθείτε στην κοινότητά μας στο [Discord](https://aka.ms/ds4beginners/discord) για υποστήριξη
## 👩‍🏫 Για Εκπαιδευτικούς
> **Καθηγητές**: έχουμε [συμπεριλάβει μερικές προτάσεις](for-teachers.md) για το πώς να χρησιμοποιήσετε αυτό το αναλυτικό πρόγραμμα. Θα εκτιμούσαμε τα σχόλιά σας [στο φόρουμ συζητήσεών μας](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
> **Εκπαιδευτικοί**: έχουμε [συμπεριλάβει μερικές προτάσεις](for-teachers.md) για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών. Θα χαρούμε να λάβουμε τα σχόλιά σας [στο φόρουμ συζητήσεών μας](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
## Γνωρίστε την Ομάδα
[![Προωθητικό βίντεο](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Προωθητικό βίντεο")
@ -93,161 +103,161 @@
> 🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!
## Παιδαγωγική
## Διδακτική Μεθοδολογία
Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά την κατασκευή αυτού του προγράμματος σπουδών: να είναι βασισμένο σε έργα και να περιλαμβάνει συχνά κουίζ. Στο τέλος αυτής της σειράς, οι μαθητές θα έχουν μάθει βασικές αρχές της επιστήμης δεδομένων, συμπεριλαμβανομένων ηθικών εννοιών, προετοιμασίας δεδομένων, διαφόρων τρόπων εργασίας με δεδομένα, οπτικοποίησης δεδομένων, ανάλυσης δεδομένων, πραγματικών περιπτώσεων χρήσης της επιστήμης δεδομένων και άλλα.
Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά τη δημιουργία αυτού του προγράμματος σπουδών: την εξασφάλιση ότι βασίζεται σε έργα και ότι περιλαμβάνει συχνά κουίζ. Μέχρι το τέλος αυτής της σειράς, οι μαθητές θα έχουν μάθει βασικές αρχές της επιστήμης δεδομένων, συμπεριλαμβανομένων ηθικών εννοιών, προετοιμασίας δεδομένων, διαφορετικούς τρόπους εργασίας με δεδομένα, οπτικοποίηση δεδομένων, ανάλυση δεδομένων, πραγματικά παραδείγματα χρήσης της επιστήμης δεδομένων και άλλα.
Επιπλέον, ένα μικρής κλίμακας κουίζ πριν από ένα μάθημα θέτει την πρόθεση του μαθητή προς την εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω συγκράτηση. Αυτό το πρόγραμμα σπουδών σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή μεμονωμένα. Τα έργα ξεκινούν μικρά και γίνονται ολοένα και πιο πολύπλοκα μέχρι το τέλος του κύκλου των 10 εβδομάδων.
Επιπλέον, ένα απλό κουίζ πριν από το μάθημα θέτει την πρόθεση του μαθητή για εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σπουδών έχει σχεδιαστεί να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή τμηματικά. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο περίπλοκα έως το τέλος του κύκλου των 10 εβδομάδων.
> Βρείτε τους [Κανόνες Συμπεριφοράς μας](CODE_OF_CONDUCT.md), [Κατευθυντήριες Οδηγίες Συμμετοχής](CONTRIBUTING.md), [Μετάφρασης](TRANSLATIONS.md). Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!
> Βρείτε τους [Κανόνες Συμπεριφοράς μας](CODE_OF_CONDUCT.md), [Οδηγίες Συνεισφοράς](CONTRIBUTING.md), [Μετάφρασης](TRANSLATIONS.md). Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!
## Κάθε μάθημα περιλαμβάνει:
- Προαιρετικό σκίτσο σημειώσεων
- Προαιρετικό sketchnote
- Προαιρετικό συμπληρωματικό βίντεο
- Προ-μάθημα ζέσταμα κουίζ
- Κουίζ προθέρμανσης πριν το μάθημα
- Γραπτό μάθημα
- Για μαθήματα βασισμένα σε έργα, βήμα-βήμα οδηγίες για την κατασκευή του έργου
- Για μαθήματα βασισμένα σε έργα, οδηγίες βήμα προς βήμα για την κατασκευή του έργου
- Έλεγχοι γνώσεων
- Μια πρόκληση
- Μία πρόκληση
- Συμπληρωματική ανάγνωση
- Ανάθεση
- [Μετα-μάθημα κουίζ](https://ff-quizzes.netlify.app/en/)
- Άσκηση
- [Κουίζ μετά το μάθημα](https://ff-quizzes.netlify.app/en/)
> **Σημείωση για τα κουίζ**: Όλα τα κουίζ βρίσκονται στον φάκελο Quiz-App, συνολικά 40 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα στα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στο φάκελο `quiz-app`. Βρίσκονται σταδιακά σε διαδικασία τοπικοποίησης.
> **Μια σημείωση για τα κουίζ**: Όλα τα κουίζ περιέχονται στον φάκελο Quiz-App, συνολικά 40 κουίζ των τριών ερωτήσεων το καθένα. Συνδέονται εντός των μαθημάτων, αλλά η εφαρμογή κουίζ μπορεί να εκτελεστεί τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο `quiz-app`. Μεταφράζονται σταδιακά.
## 🎓 Παραδείγματα Φιλικά για Αρχάριους
**Νέος στην Επιστήμη Δεδομένων;** Δημιουργήσαμε έναν ειδικό [κατάλογο παραδειγμάτων](examples/README.md) με απλό, καλο-σχολιασμένο κώδικα για να σας βοηθήσει να ξεκινήσετε:
**Νέοι στην Επιστήμη Δεδομένων;** Δημιουργήσαμε έναν ειδικό [φάκελο παραδειγμάτων](examples/README.md) με απλό, καλά σχολιασμένο κώδικα για να σας βοηθήσουμε να ξεκινήσετε:
- 🌟 **Hello World** - Το πρώτο σας πρόγραμμα επιστήμης δεδομένων
- 🌟 **Γειά σου Κόσμε** - Το πρώτο σας πρόγραμμα επιστήμης δεδομένων
- 📂 **Φόρτωση Δεδομένων** - Μάθετε να διαβάζετε και να εξερευνάτε σύνολα δεδομένων
- 📊 **Απλή Ανάλυση** - Υπολογίστε στατιστικά και βρείτε μοτίβα
- 📈 **Βασική Οπτικοποίηση** - Δημιουργήστε γραφήματα και διαγράμματα
- 🔬 **Πραγματικό Έργο** - Πλήρης ροή εργασίας από την αρχή έως το τέλος
- 📈 **Βασική Οπτικοποίηση** - Δημιουργήστε διαγράμματα και γραφήματα
- 🔬 **Πραγματικό Έργο** - Πλήρης ροή εργασίας από την αρχή ως το τέλος
Κάθε παράδειγμα περιλαμβάνει λεπτομερή σχόλια που εξηγούν κάθε βήμα, καθιστώντας το τέλειο για απόλυτους αρχάριους!
Κάθε παράδειγμα περιλαμβάνει λεπτομερείς σχόλια που εξηγούν κάθε βήμα, καθιστώντας το τέλειο για απόλυτους αρχάριους!
👉 **[Ξεκινήστε με τα παραδείγματα](examples/README.md)** 👈
## Μαθήματα
|![ Σκίτσο σημειώσεων από @sketchthedocs https://sketchthedocs.dev](../../translated_images/el/00-Roadmap.4905d6567dff4753.webp)|
|![ Sketchnote από @sketchthedocs https://sketchthedocs.dev](../../translated_images/el/00-Roadmap.4905d6567dff4753.webp)|
|:---:|
| Επιστήμη Δεδομένων για Αρχάριους: Χάρτης Διαδρομών - _Σκίτσο σημειώσεων από [@nitya](https://twitter.com/nitya)_ |
| Επιστήμη Δεδομένων για Αρχάριους: Χάρτης Πορείας - _Sketchnote από [@nitya](https://twitter.com/nitya)_ |
| Αριθμός Μαθήματος | Θέμα | Ομάδα Μαθημάτων | Μαθησιακοί Στόχοι | Συνδεδεμένο Μάθημα | Συγγραφέας |
| Αριθμός Μαθήματος | Θέμα | Ομαδοποίηση Μαθήματος | Μαθησιακοί Στόχοι | Συνδεδεμένο Μάθημα | Συγγραφέας |
| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
| 01 | Ορισμός Επιστήμης Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Μάθετε τις βασικές έννοιες γύρω από την επιστήμη δεδομένων και πώς σχετίζεται με την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τα μεγάλα δεδομένα. | [μάθημα](1-Introduction/01-defining-data-science/README.md) [βίντεο](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 02 | Ηθική στην Επιστήμη Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Έννοιες ηθικής δεδομένων, προκλήσεις και πλαίσια. | [μάθημα](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
| 01 | Ορισμός της Επιστήμης Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Μάθετε τις βασικές έννοιες πίσω από την επιστήμη δεδομένων και πώς σχετίζεται με την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τα μεγάλα δεδομένα. | [μάθημα](1-Introduction/01-defining-data-science/README.md) [βίντεο](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 02 | Ηθική στην Επιστήμη Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Έννοιες Ηθικής Δεδομένων, Προκλήσεις & Πλαίσια. | [μάθημα](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
| 03 | Ορισμός Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Πώς ταξινομούνται τα δεδομένα και οι κοινές πηγές τους. | [μάθημα](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | Εισαγωγή στη Στατιστική & Πιθανότητες | [Εισαγωγή](1-Introduction/README.md) | Οι μαθηματικές τεχνικές πιθανότητας και στατιστικής για κατανόηση των δεδομένων. | [μάθημα](1-Introduction/04-stats-and-probability/README.md) [βίντεο](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | Εργασία με Σχεσιακά Δεδομένα | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή στα σχεσιακά δεδομένα και στα βασικά της εξερεύνησης και ανάλυσης σχεσιακών δεδομένων με τη Γλώσσα Δομημένων Ερωτημάτων, γνωστή και ως SQL (προφέρεται “σι-κουελ”). | [μάθημα](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | Εργασία με NoSQL Δεδομένα | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή σε μη σχεσιακά δεδομένα, τους διάφορους τύπους τους και τα βασικά της εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων. | [μάθημα](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | Εργασία με Python | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Βασικά της χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως οι Pandas. Συνιστάται θεμελιώδης κατανόηση προγραμματισμού Python. | [μάθημα](2-Working-With-Data/07-python/README.md) [βίντεο](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | Προετοιμασία Δεδομένων | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Θέματα τεχνικών καθαρισμού και μετασχηματισμού δεδομένων για αντιμετώπιση προκλήσεων όπως ελλιπή, ανακριβή ή ατελή δεδομένα. | [μάθημα](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | Εισαγωγή στη Στατιστική & Πιθανότητες | [Εισαγωγή](1-Introduction/README.md) | Οι μαθηματικές τεχνικές πιθανοτήτων και στατιστικής για την κατανόηση δεδομένων. | [μάθημα](1-Introduction/04-stats-and-probability/README.md) [βίντεο](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | Εργασία με Σχεσιακά Δεδομένα | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή στα σχεσιακά δεδομένα και στα βασικά της εξερεύνησης και ανάλυσης σχεσιακών δεδομένων με τη Γλώσσα Δομημένων Ερωτημάτων, γνωστή και ως SQL (προφέρεται "σι-κουελ"). | [μάθημα](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | Εργασία με Δεδομένα NoSQL | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή στα μη σχεσιακά δεδομένα, τους διάφορους τύπους τους και στα βασικά της εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων. | [μάθημα](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | Εργασία με Python | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Βασικά της χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως η Pandas. Συνιστάται βασική κατανόηση προγραμματισμού Python. | [μάθημα](2-Working-With-Data/07-python/README.md) [βίντεο](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | Προετοιμασία Δεδομένων | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Θέματα τεχνικών καθαρισμού και μετατροπής δεδομένων για την αντιμετώπιση προκλήσεων όπως τα ελλιπή, ανακριβή ή ατελή δεδομένα. | [μάθημα](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 09 | Οπτικοποίηση Ποσοτήτων | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Μάθετε πώς να χρησιμοποιείτε το Matplotlib για να οπτικοποιήσετε δεδομένα πουλιών 🦆 | [μάθημα](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
| 10 | Οπτικοποίηση Κατανομών Δεδομένων | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση παρατηρήσεων και τάσεων μέσα σε ένα διάστημα. | [μάθημα](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 11 | Οπτικοποίηση Αναλογιών | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση διακριτών και ομαδοποιημένων ποσοστών. | [μάθημα](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 12 | Οπτικοποίηση Σχέσεων | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση συνδέσεων και συσχετίσεων μεταξύ συνόλων δεδομένων και των μεταβλητών τους. | [μάθημα](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | Σημαντικές Οπτικοποιήσεις | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Τεχνικές και οδηγίες για να κάνετε τις οπτικοποιήσεις σας πολύτιμες για αποτελεσματική επίλυση προβλημάτων και ανάλυση. | [μάθημα](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | Εισαγωγή στον κύκλο ζωής της Επιστήμης Δεδομένων | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Εισαγωγή στον κύκλο ζωής της επιστήμης δεδομένων και το πρώτο βήμα της απόκτησης και εξαγωγής δεδομένων. | [μάθημα](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 15 | Ανάλυση | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων επικεντρώνεται σε τεχνικές ανάλυσης δεδομένων. | [μάθημα](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
| 16 | Επικοινωνία | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων εστιάζει στην παρουσίαση των ευρημάτων από τα δεδομένα με τρόπο που διευκολύνει τους φορείς λήψης αποφάσεων να κατανοήσουν. | [μάθημα](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | Επιστήμη Δεδομένων στο Νέφος | [Δεδομένα στο Νέφος](5-Data-Science-In-Cloud/README.md) | Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο νέφος και τα οφέλη της. | [μάθημα](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) και [Maud](https://twitter.com/maudstweets) |
| 18 | Επιστήμη Δεδομένων στο Νέφος | [Δεδομένα στο Νέφος](5-Data-Science-In-Cloud/README.md) | Εκπαίδευση μοντέλων χρησιμοποιώντας εργαλεία Low Code. |[μάθημα](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) και [Maud](https://twitter.com/maudstweets) |
| 19 | Επιστήμη Δεδομένων στο Νέφος | [Δεδομένα στο Νέφος](5-Data-Science-In-Cloud/README.md) | Ανάπτυξη μοντέλων με το Azure Machine Learning Studio. | [μάθημα](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) και [Maud](https://twitter.com/maudstweets) |
| 20 | Επιστήμη Δεδομένων στην Πράξη | [Στην Πράξη](6-Data-Science-In-Wild/README.md) | Έργα επιστήμης δεδομένων στον πραγματικό κόσμο. | [μάθημα](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
| 11 | Οπτικοποίηση Ποσοστών | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση διακριτών και ομαδοποιημένων ποσοστών. | [μάθημα](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 12 | Οπτικοποίηση Σχέσεων | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση συνδέσεων και συσχετίσεων μεταξύ σετ δεδομένων και των μεταβλητών τους. | [μάθημα](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | Σημαντικές Οπτικοποιήσεις | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Τεχνικές και καθοδήγηση για να κάνετε τις οπτικοποιήσεις σας πολύτιμες για αποτελεσματική επίλυση προβλημάτων και αποκάλυψη πληροφοριών. | [μάθημα](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | Εισαγωγή στον Κύκλο Ζωής της Επιστήμης Δεδομένων | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Εισαγωγή στον κύκλο ζωής της επιστήμης δεδομένων και το πρώτο βήμα της απόκτησης και εξαγωγής δεδομένων. | [μάθημα](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 15 | Ανάλυση | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων εστιάζει σε τεχνικές ανάλυσης δεδομένων. | [μάθημα](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
| 16 | Επικοινωνία | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων εστιάζει στην παρουσίαση των συμπερασμάτων από τα δεδομένα με τρόπο που καθιστά ευκολότερη την κατανόηση από τους αποφασιστές. | [μάθημα](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | Επιστήμη Δεδομένων στο Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο cloud και τα οφέλη της. | [μάθημα](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
| 18 | Επιστήμη Δεδομένων στο Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Εκπαίδευση μοντέλων με εργαλεία Low Code. |[μάθημα](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
| 19 | Επιστήμη Δεδομένων στο Cloud | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Ανάπτυξη μοντέλων με το Azure Machine Learning Studio. | [μάθημα](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) |
| 20 | Επιστήμη Δεδομένων στην Πράξη | [In the Wild](6-Data-Science-In-Wild/README.md) | Έργα επιστήμης δεδομένων στον πραγματικό κόσμο. | [μάθημα](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
## GitHub Codespaces
Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το δείγμα σε μία Codespace:
1. Κάντε κλικ στο αναπτυσσόμενο μενού Code και επιλέξτε την επιλογή Open with Codespaces.
2. Επιλέξτε + New codespace στο κάτω μέρος του παραθύρου.
Για περισσότερες πληροφορίες, δείτε την [τεκμηρίωση του GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το δείγμα σε Codespace:
1. Κάντε κλικ στο αναπτυσσόμενο μενού Κώδικα και επιλέξτε την επιλογή Άνοιγμα με Codespaces.
2. Επιλέξτε + Νέο codespace στο κάτω μέρος του παραθύρου.
Για περισσότερες πληροφορίες, δείτε την [τεκμηρίωση GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
## VSCode Remote - Containers
Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το αποθετήριο σε container χρησιμοποιώντας τον τοπικό σας υπολογιστή και το VSCode μέσω της επέκτασης VS Code Remote - Containers:
Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το αποθετήριο μέσα σε κοντέινερ χρησιμοποιώντας τον τοπικό σας υπολογιστή και το VSCode με την επέκταση VS Code Remote - Containers:
1. Αν είναι η πρώτη φορά που χρησιμοποιείτε development container, βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (π.χ. έχει εγκατεστημένο το Docker) σύμφωνα με [την τεκμηρίωση εκκίνησης](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
1. Αν είναι η πρώτη φορά που χρησιμοποιείτε κοντέινερ ανάπτυξης, παρακαλούμε βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (π.χ. έχει εγκατασταθεί το Docker) στη [τεκμηρίωση για να ξεκινήσετε](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
Για να χρησιμοποιήσετε αυτό το αποθετήριο, μπορείτε είτε να το ανοίξετε σε έναν απομονωμένο τόμο Docker:
Για να χρησιμοποιήσετε αυτό το αποθετήριο, μπορείτε είτε να ανοίξετε το αποθετήριο σε έναν απομονωμένο τόμο Docker:
**Σημείωση**: Στο παρασκήνιο, αυτό θα χρησιμοποιήσει την εντολή Remote-Containers: **Clone Repository in Container Volume...** για να κλωνοποιήσει τον πηγαίο κώδικα σε ένα Docker volume αντί του τοπικού συστήματος αρχείων. [Volumes](https://docs.docker.com/storage/volumes/) είναι ο προτιμώμενος μηχανισμός για την αποθήκευση δεδομένων container.
**Σημείωση**: Στο παρασκήνιο, αυτή η εντολή θα χρησιμοποιήσει το Remote-Containers: **Κλωνοποίηση Αποθετηρίου σε Τόμο Κοντέινερ...** για να κλωνοποιήσει τον πηγαίο κώδικα σε τόμο Docker αντί για το τοπικό σύστημα αρχείων. Οι [Τόμοι](https://docs.docker.com/storage/volumes/) είναι ο προτιμώμενος μηχανισμός για τη διατήρηση δεδομένων κοντέινερ.
Ή να ανοίξετε μια τοπικά κλωνοποιημένη ή κατεβασμένη έκδοση του αποθετηρίου:
Ή ανοίξτε μια τοπικά κλωνοποιημένη ή ληφθείσα έκδοση του αποθετηρίου:
- Κλωνοποιήστε αυτό το αποθετήριο στο τοπικό σας σύστημα αρχείων.
- Πατήστε F1 και επιλέξτε την εντολή **Remote-Containers: Open Folder in Container...**.
- Επιλέξτε το κλωνοποιημένο αντίγραφο αυτού του φακέλου, περιμένετε να ξεκινήσει το container και δοκιμάστε λειτουργίες.
- Επιλέξτε το κλωνοποιημένο αντίγραφο αυτού του φακέλου, περιμένετε να ξεκινήσει το κοντέινερ και δοκιμάστε.
## Πρόσβαση εκτός σύνδεσης
Μπορείτε να εκτελέσετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το [Docsify](https://docsify.js.org/#/). Φτιάξτε ένα fork αυτού του αποθετηρίου, [εγκαταστήστε το Docsify](https://docsify.js.org/#/quickstart) στον τοπικό σας υπολογιστή, και στη ρίζα του φακέλου αυτού του αποθετηρίου πληκτρολογήστε `docsify serve`. Ο ιστότοπος θα σερβιριστεί στην θύρα 3000 στο localhost σας: `localhost:3000`.
Μπορείτε να εκτελέσετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας [Docsify](https://docsify.js.org/#/). Φτιάξτε ένα fork αυτού του αποθετηρίου, [εγκαταστήστε το Docsify](https://docsify.js.org/#/quickstart) στον τοπικό υπολογιστή σας, και στη ριζική διαδρομή αυτού του αποθετηρίου, πληκτρολογήστε `docsify serve`. Η ιστοσελίδα θα σερβίρεται στην πόρτα 3000 στο localhost σας: `localhost:3000`.
> Σημείωση, τα notebooks δεν προβάλλονται μέσω Docsify, οπότε όταν χρειάζεται να εκτελέσετε ένα notebook, κάντε το ξεχωριστά στο VS Code χρησιμοποιώντας ένα Python kernel.
> Σημειώστε, τα notebooks δεν θα αποδοθούν μέσω του Docsify, οπότε όταν χρειαστεί να εκτελέσετε ένα notebook, κάντε το ξεχωριστά στο VS Code με έναν πυρήνα Python.
## Άλλα Προγράμματα Σπουδών
## Άλλα Αναλυτικά Προγράμματα
Η ομάδα μας παράγει και άλλα προγράμματα σπουδών! Δείτε:
Η ομάδα μας παράγει και άλλα αναλυτικά προγράμματα! Δείτε:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[![LangChain4j για Αρχάριους](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
[![LangChain.js για Αρχάριους](https://img.shields.io/badge/LangChain.js%20για%20Αρχάριους-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[![LangChain για Αρχάριους](https://img.shields.io/badge/LangChain%20για%20Αρχάριους-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[![LangChain.js για Αρχάριους](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[![LangChain για Αρχάριους](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Πράκτορες
[![AZD για Αρχάριους](https://img.shields.io/badge/AZD%20για%20Αρχάριους-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Edge AI για Αρχάριους](https://img.shields.io/badge/Edge%20AI%20για%20Αρχάριους-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![MCP για Αρχάριους](https://img.shields.io/badge/MCP%20για%20Αρχάριους-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[![AI Πράκτορες για Αρχάριους](https://img.shields.io/badge/AI%20Πράκτορες%20για%20Αρχάριους-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agents
[![AZD για Αρχάριους](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Edge AI για Αρχάριους](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![MCP για Αρχάριους](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[![AI Agents για Αρχάριους](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Σειρά Δημιουργικού AI
[![Δημιουργικό AI για Αρχάριους](https://img.shields.io/badge/Δημιουργικό%20AI%20για%20Αρχάριους-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Δημιουργικό AI (.NET)](https://img.shields.io/badge/Δημιουργικό%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[![Δημιουργικό AI (Java)](https://img.shields.io/badge/Δημιουργικό%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[![Δημιουργικό AI (JavaScript)](https://img.shields.io/badge/Δημιουργικό%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### Σειρά Δημιουργικής Τεχνητής Νοημοσύνης
[![Δημιουργική Τεχνητή Νοημοσύνη για Αρχάριους](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Δημιουργική Τεχνητή Νοημοσύνη (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[![Δημιουργική Τεχνητή Νοημοσύνη (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[![Δημιουργική Τεχνητή Νοημοσύνη (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Βασική Μάθηση
[![ML για Αρχάριους](https://img.shields.io/badge/ML%20για%20Αρχάριους-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[![Επιστήμη Δεδομένων για Αρχάριους](https://img.shields.io/badge/Επιστήμη%20Δεδομένων%20για%20Αρχάριους-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[![AI για Αρχάριους](https://img.shields.io/badge/AI%20για%20Αρχάριους-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[![Ασφάλεια Κυβερνοχώρου για Αρχάριους](https://img.shields.io/badge/Ασφάλεια%20Κυβερνοχώρου%20για%20Αρχάριους-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[![Ανάπτυξη Ιστοσελίδων για Αρχάριους](https://img.shields.io/badge/Ανάπτυξη%20Ιστοσελίδων%20για%20Αρχάριους-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[![IoT για Αρχάριους](https://img.shields.io/badge/IoT%20για%20Αρχάριους-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[![Ανάπτυξη XR για Αρχάριους](https://img.shields.io/badge/Ανάπτυξη%20XR%20για%20Αρχάριους-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Μηχανική Μάθηση για Αρχάριους](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[![Επιστήμη Δεδομένων για Αρχάριους](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[![Τεχνητή Νοημοσύνη για Αρχάριους](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[![Ασφάλεια στον Κυβερνοχώρο για Αρχάριους](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[![Ανάπτυξη Ιστού για Αρχάριους](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[![IoT για Αρχάριους](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[![Ανάπτυξη XR για Αρχάριους](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Σειρά Copilot
[![Copilot για Συνεργατικό Προγραμματισμό με AI](https://img.shields.io/badge/Copilot%20για%20Συνεργατικό%20Προγραμματισμό%20με%20AI-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot για C#/.NET](https://img.shields.io/badge/Copilot%20για%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![Περιπέτεια Copilot](https://img.shields.io/badge/Περιπέτεια%20Copilot-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
[![Copilot για προγραμματισμό με τεχνητή νοημοσύνη σε ζευγάρια](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot για C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![Περιπέτεια Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## Λήψη Βοήθειας
**Αντιμετωπίζετε προβλήματα;** Δείτε τον [Οδηγό Επίλυσης Προβλημάτων](TROUBLESHOOTING.md) για λύσεις σε συνηθισμένα θέματα.
**Αν αντιμετωπίζετε προβλήματα;** Ελέγξτε τον [Οδηγό Επίλυσης Προβλημάτων](TROUBLESHOOTING.md) για λύσεις σε συνηθισμένα ζητήματα.
Αν κολλήσετε ή έχετε οποιεσδήποτε ερωτήσεις σχετικά με την κατασκευή εφαρμογών AI, συμμετέχετε με άλλους μαθητές και έμπειρους προγραμματιστές σε συζητήσεις για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.
Αν κολλήσετε ή έχετε ερωτήσεις σχετικά με την κατασκευή εφαρμογών τεχνητής νοημοσύνης, συμμετέχετε σε συζητήσεις με συναδέλφους μαθητές και έμπειρους προγραμματιστές σχετικά με το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
Αν έχετε σχόλια προϊόντος ή σφάλματα κατά την κατασκευή επισκεφτείτε:
Αν έχετε σχόλια για το προϊόν ή σφάλματα κατά την κατασκευή, επισκεφτείτε:
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Αποποίηση ευθυνών**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης AI [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να γνωρίζετε ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το αρχικό έγγραφο στη γλώσσα του αποτελεί την αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται η επαγγελματική μετάφραση από ανθρώπους. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
**Αποποίηση ευθύνης**:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα του πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται η επαγγελματική ανθρώπινη μετάφραση. Δεν φαινόμαστε υπεύθυνοι για οποιαδήποτε παρερμηνεία ή λανθασμένη κατανόηση προκύψει από τη χρήση αυτής της μετάφρασης.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

2
translations/el/sketchnotes/README.md
Unescape View File

@ -4,7 +4,7 @@
Nitya Narasimhan, καλλιτέχνης
![roadmap sketchnote](../../../translated_images/el/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.png)
![roadmap sketchnote](../../../translated_images/el/00-Roadmap.4905d6567dff4753.webp)
---

22
translations/sv/.co-op-translator.json
Unescape View File

@ -11,12 +11,24 @@
"source_file": "1-Introduction/01-defining-data-science/assignment.md",
"language_code": "sv"
},
"1-Introduction/01-defining-data-science/notebook.ipynb": {
"original_hash": "8f5eb7b3f7cc89e6d98fb32e1de65dec",
"translation_date": "2026-02-27T09:36:35+00:00",
"source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
"language_code": "sv"
},
"1-Introduction/01-defining-data-science/solution/assignment.md": {
"original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
"translation_date": "2025-08-26T21:35:37+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
"language_code": "sv"
},
"1-Introduction/01-defining-data-science/solution/notebook.ipynb": {
"original_hash": "090bbfbfcb0c40d3d6e3236f836164ea",
"translation_date": "2026-02-27T09:37:12+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
"language_code": "sv"
},
"1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-10-03T16:36:54+00:00",
@ -95,6 +107,12 @@
"source_file": "2-Working-With-Data/07-python/assignment.md",
"language_code": "sv"
},
"2-Working-With-Data/07-python/notebook-covidspread.ipynb": {
"original_hash": "6335cccba01dc6ad7b15aba7a8c73f38",
"translation_date": "2026-02-27T09:38:09+00:00",
"source_file": "2-Working-With-Data/07-python/notebook-covidspread.ipynb",
"language_code": "sv"
},
"2-Working-With-Data/08-data-preparation/README.md": {
"original_hash": "1b560955ff39a2bcf2a049fce474a951",
"translation_date": "2025-09-05T21:45:19+00:00",
@ -360,8 +378,8 @@
"language_code": "sv"
},
"README.md": {
"original_hash": "9204a2806964384a56f5cb0f22bbe953",
"translation_date": "2026-02-06T08:20:09+00:00",
"original_hash": "f671e295a294a2559fc59d1524e001b4",
"translation_date": "2026-02-27T09:43:47+00:00",
"source_file": "README.md",
"language_code": "sv"
},

4
translations/sv/1-Introduction/01-defining-data-science/README.md
Unescape View File

@ -6,7 +6,7 @@
---
[![Video om att definiera Data Science](../../../../translated_images/sv/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.png)](https://youtu.be/beZ7Mb_oz9I)
[![Video om att definiera Data Science](../../../../translated_images/sv/video-def-ds.6623ee2392ef1abf.webp)](https://youtu.be/beZ7Mb_oz9I)
## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ds/quiz/0)
@ -144,7 +144,7 @@ Om vi vill göra det ännu mer komplicerat kan vi plotta den tid som krävs för
I denna utmaning ska vi försöka hitta koncept som är relevanta för området Data Science genom att analysera texter. Vi kommer att ta en Wikipedia-artikel om Data Science, ladda ner och bearbeta texten, och sedan skapa ett ordmoln som detta:
![Ordmoln för Data Science](../../../../translated_images/sv/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.png)
![Ordmoln för Data Science](../../../../translated_images/sv/ds_wordcloud.664a7c07dca57de0.webp)
Besök [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') för att läsa igenom koden. Du kan också köra koden och se hur den utför alla datatransformationer i realtid.

82
translations/sv/1-Introduction/01-defining-data-science/notebook.ipynb
Unescape View File

@ -5,13 +5,13 @@
"source": [
"# Utmaning: Analysera text om datavetenskap\n",
"\n",
"I det här exemplet ska vi göra en enkel övning som täcker alla steg i en traditionell datavetenskapsprocess. Du behöver inte skriva någon kod, du kan bara klicka på cellerna nedan för att köra dem och observera resultatet. Som en utmaning uppmuntras du att testa koden med olika data.\n",
"I detta exempel ska vi göra en enkel övning som täcker alla steg i en traditionell datavetenskapsprocess. Du behöver inte skriva någon kod, du kan bara klicka på cellerna nedan för att köra dem och observera resultatet. Som en utmaning uppmuntras du att prova denna kod med olika data.\n",
"\n",
"## Mål\n",
"\n",
"I den här lektionen har vi diskuterat olika koncept relaterade till datavetenskap. Låt oss försöka upptäcka fler relaterade koncept genom att göra lite **textutvinning**. Vi kommer att börja med en text om datavetenskap, extrahera nyckelord från den och sedan försöka visualisera resultatet.\n",
"I denna lektion har vi diskuterat olika begrepp relaterade till datavetenskap. Låt oss försöka upptäcka fler relaterade begrepp genom att göra lite **textgruvdrift**. Vi börjar med en text om datavetenskap, extraherar nyckelord från den och försöker sedan visualisera resultatet.\n",
"\n",
"Som text kommer jag att använda sidan om datavetenskap från Wikipedia:\n"
"Som text kommer jag använda sidan om datavetenskap från Wikipedia:\n"
],
"metadata": {}
},
@ -34,7 +34,7 @@
"source": [
"## Steg 1: Hämta data\n",
"\n",
"Första steget i varje datavetenskapsprocess är att hämta data. Vi kommer att använda biblioteket `requests` för att göra detta:\n"
"Första steget i varje datavetenskapsprocess är att hämta data. Vi kommer att använda biblioteket `requests` för att göra det:\n"
],
"metadata": {}
},
@ -66,45 +66,43 @@
{
"cell_type": "markdown",
"source": [
"## Steg 2: Omvandla data\n",
"## Steg 2: Transformering av data\n",
"\n",
"Nästa steg är att konvertera data till en form som är lämplig för bearbetning. I vårt fall har vi laddat ner HTML-källkoden från sidan, och vi behöver omvandla den till ren text.\n",
"Nästa steg är att konvertera data till ett format som är lämpligt för bearbetning. I vårt fall har vi laddat ner HTML-källkoden från sidan, och vi behöver konvertera den till vanlig text.\n",
"\n",
"Det finns många sätt att göra detta. Vi kommer att använda det enklaste inbyggda objektet [HTMLParser](https://docs.python.org/3/library/html.parser.html) från Python. Vi behöver skapa en subklass av `HTMLParser`-klassen och definiera koden som samlar in all text inuti HTML-taggar, förutom `<script>`- och `<style>`-taggar.\n"
"Det finns många sätt att göra detta på. Vi kommer att använda [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/), ett populärt Python-bibliotek för att tolka HTML. BeautifulSoup låter oss rikta in oss på specifika HTML-element, så vi kan fokusera på det huvudsakliga artikelinnehållet från Wikipedia och minska vissa navigationsmenyer, sidopaneler, sidfötter och annat irrelevant innehåll (även om viss standardtext fortfarande kan finnas kvar).\n"
],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [
"Först behöver vi installera BeautifulSoup-biblioteket för HTML-parsning:\n"
],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": null,
"source": [
"import sys\r\n",
"!{sys.executable} -m pip install beautifulsoup4"
],
"outputs": [],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 64,
"source": [
"from html.parser import HTMLParser\r\n",
"\r\n",
"class MyHTMLParser(HTMLParser):\r\n",
" script = False\r\n",
" res = \"\"\r\n",
" def handle_starttag(self, tag, attrs):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = True\r\n",
" def handle_endtag(self, tag):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = False\r\n",
" def handle_data(self, data):\r\n",
" if str.strip(data)==\"\" or self.script:\r\n",
" return\r\n",
" self.res += ' '+data.replace('[ edit ]','')\r\n",
"\r\n",
"parser = MyHTMLParser()\r\n",
"parser.feed(text)\r\n",
"text = parser.res\r\n",
"print(text[:1000])"
"from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n selectors = [\r\n '.mw-jump-link',\r\n '.navbox',\r\n '.reflist',\r\n 'sup.reference',\r\n '.mw-editsection',\r\n '.hatnote',\r\n '.metadata',\r\n '.infobox',\r\n '#toc',\r\n '.toc',\r\n '.sidebar',\r\n ]\r\n for selector in selectors:\r\n for el in content_node.select(selector):\r\n el.decompose()\r\n\r\nif content:\r\n # Clean the content node to better approximate article text only.\r\n clean_wikipedia_content(content)\r\n text = content.get_text(separator=' ', strip=True)\r\n print(text[:1000])\r\nelse:\r\n print(\"Could not find main content. Using full page text.\")\r\n text = soup.get_text(separator=' ', strip=True)\r\n print(text[:1000])"
],
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
" Data science - Wikipedia Data science From Wikipedia, the free encyclopedia Jump to navigation Jump to search Interdisciplinary field of study focused on deriving knowledge and insights from data Not to be confused with information science . The existence of Comet NEOWISE (here depicted as a series of red dots) was discovered by analyzing astronomical survey data acquired by a space telescope , the Wide-field Infrared Survey Explorer . Part of a series on Machine learning and data mining Problems Classification Clustering Regression Anomaly detection AutoML Association rules Reinforcement learning Structured prediction Feature engineering Feature learning Online learning Semi-supervised learning Unsupervised learning Learning to rank Grammar induction Supervised learning ( classification  • regression ) Decision trees Ensembles Bagging Boosting Random forest k -NN Linear regression Naive Bayes Artificial neural networks Logistic regression Perceptron Relevance vector machine \n"
"Data science From Wikipedia, the free encyclopedia Interdisciplinary field of study focused on deriving knowledge and insights from data Data science is an interdisciplinary academic field that uses statistics, scientific computing, scientific methods, processes, algorithms and systems to extract or extrapolate knowledge and insights from noisy, structured, and unstructured data. Data science also integrates domain knowledge from the underlying application domain. Data science is multifaceted and can be described as a science, a research paradigm, a research method, a discipline, a workflow, and a profession.\n"
]
}
],
@ -115,9 +113,9 @@
"source": [
"## Steg 3: Få insikter\n",
"\n",
"Det viktigaste steget är att omvandla vår data till en form där vi kan dra insikter. I vårt fall vill vi extrahera nyckelord från texten och se vilka nyckelord som är mer betydelsefulla.\n",
"Det viktigaste steget är att omvandla våra data till någon form från vilken vi kan dra insikter. I vårt fall vill vi extrahera nyckelord från texten och se vilka nyckelord som är mer meningsfulla.\n",
"\n",
"Vi kommer att använda Python-biblioteket [RAKE](https://github.com/aneesha/RAKE) för nyckelordsutvinning. Först installerar vi detta bibliotek om det inte redan finns:\n"
"Vi kommer att använda ett Python-bibliotek som heter [RAKE](https://github.com/aneesha/RAKE) för nyckelordsextraktion. Först, låt oss installera detta bibliotek ifall det inte finns: \n"
],
"metadata": {}
},
@ -162,7 +160,7 @@
{
"cell_type": "markdown",
"source": [
"Huvudfunktionen är tillgänglig från `Rake`-objektet, som vi kan anpassa med hjälp av några parametrar. I vårt fall kommer vi att ställa in den minsta längden på ett nyckelord till 5 tecken, den minsta frekvensen av ett nyckelord i dokumentet till 3 och det maximala antalet ord i ett nyckelord till 2. Känn dig fri att experimentera med andra värden och observera resultatet.\n"
"Huvudfunktionen finns tillgänglig från `Rake`-objektet, vilket vi kan anpassa med några parametrar. I vårt fall kommer vi att ställa in minsta längd för ett nyckelord till 5 tecken, minsta förekomst av ett nyckelord i dokumentet till 3 och maximalt antal ord i ett nyckelord till 2. Känn dig fri att experimentera med andra värden och observera resultatet.\n"
],
"metadata": {}
},
@ -211,11 +209,11 @@
{
"cell_type": "markdown",
"source": [
"Vi fick en lista med termer tillsammans med deras tillhörande viktighet. Som du kan se finns de mest relevanta områdena, såsom maskininlärning och big data, med i listan på toppositioner.\n",
"Vi fick en lista över termer tillsammans med tillhörande viktighetsgrad. Som du kan se finns de mest relevanta disciplinerna, såsom maskininlärning och big data, med i listan på toppositionerna.\n",
"\n",
"## Steg 4: Visualisera resultatet\n",
"\n",
"Människor tolkar data bäst i visuell form. Därför är det ofta vettigt att visualisera data för att dra vissa insikter. Vi kan använda biblioteket `matplotlib` i Python för att plotta en enkel fördelning av nyckelorden med deras relevans:\n"
"Människor kan tolka data bäst i visuell form. Därför är det ofta meningsfullt att visualisera data för att dra några insikter. Vi kan använda biblioteket `matplotlib` i Python för att rita en enkel fördelning av nyckelorden med deras relevans:\n"
],
"metadata": {}
},
@ -252,7 +250,7 @@
{
"cell_type": "markdown",
"source": [
"Det finns dock ett ännu bättre sätt att visualisera ordfrekvenser - att använda **Word Cloud**. Vi behöver installera ett annat bibliotek för att skapa ett ordmoln från vår nyckelordslista.\n"
"Det finns dock ett ännu bättre sätt att visualisera ordfrekvenser - med hjälp av **Word Cloud**. Vi kommer att behöva installera ett annat bibliotek för att rita ordmolnet från vår nyckelordslista.\n"
],
"metadata": {}
},
@ -268,7 +266,7 @@
{
"cell_type": "markdown",
"source": [
"`WordCloud`-objektet är ansvarigt för att ta emot antingen originaltext eller en förberäknad lista med ord och deras frekvenser, och returnerar en bild som sedan kan visas med hjälp av `matplotlib`:\n"
"`WordCloud`-objektet ansvarar för att ta emot antingen originaltext eller en förberäknad lista med ord och deras frekvenser, och returnerar en bild som sedan kan visas med hjälp av `matplotlib`:\n"
],
"metadata": {}
},
@ -312,7 +310,7 @@
{
"cell_type": "markdown",
"source": [
"Vi kan också skicka in den ursprungliga texten till `WordCloud` - låt oss se om vi kan få ett liknande resultat:\n"
"Vi kan också skicka in originaltexten till `WordCloud` – låt oss se om vi kan få ett liknande resultat:\n"
],
"metadata": {}
},
@ -372,9 +370,9 @@
{
"cell_type": "markdown",
"source": [
"Du kan se att ordmolnet nu ser mer imponerande ut, men det innehåller också mycket brus (t.ex. orelaterade ord som `Retrieved on`). Dessutom får vi färre nyckelord som består av två ord, såsom *data scientist* eller *computer science*. Detta beror på att RAKE-algoritmen gör ett mycket bättre jobb med att välja ut bra nyckelord från texten. Detta exempel illustrerar vikten av datarensning och förbehandling, eftersom en tydlig bild i slutändan gör det möjligt för oss att fatta bättre beslut.\n",
"Du kan se att ordmolnet nu ser mer imponerande ut, men det innehåller också mycket brus (t.ex. orelaterade ord som `Retrieved on`). Dessutom får vi färre nyckelord som består av två ord, såsom *data scientist* eller *computer science*. Detta beror på att RAKE-algoritmen gör ett mycket bättre jobb med att välja ut bra nyckelord från texten. Detta exempel illustrerar vikten av dataförbehandling och rengöring, eftersom en tydlig bild i slutet gör att vi kan fatta bättre beslut.\n",
"\n",
"I denna övning har vi gått igenom en enkel process för att extrahera viss mening från Wikipedia-text, i form av nyckelord och ordmoln. Detta exempel är ganska enkelt, men det visar tydligt alla typiska steg en data scientist tar när de arbetar med data, från datainsamling till visualisering.\n",
"I denna övning har vi gått igenom en enkel process för att extrahera mening från Wikipedia-text, i form av nyckelord och ordmoln. Detta exempel är ganska enkelt, men det visar tydligt alla typiska steg som en data scientist tar när hen arbetar med data, från dataförvärv till visualisering.\n",
"\n",
"I vår kurs kommer vi att diskutera alla dessa steg i detalj.\n"
],
@ -394,7 +392,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"\n---\n\n**Ansvarsfriskrivning**: \nDetta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på sitt 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.\n"
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Ansvarsfriskrivning**:\nDetta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen observera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål ska betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som kan uppstå vid användning av denna översättning.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
]
}
],
@ -418,12 +416,6 @@
},
"interpreter": {
"hash": "c28e7b6bf4e5b397b8288a85bf0a94ea8d3585ce2b01919feb195678ec71581b"
},
"coopTranslator": {
"original_hash": "50c0f0a5204a18405611cbe7e0fec56b",
"translation_date": "2025-09-02T10:07:55+00:00",
"source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
"language_code": "sv"
}
},
"nbformat": 4,

86
translations/sv/1-Introduction/01-defining-data-science/solution/notebook.ipynb
Unescape View File

@ -5,13 +5,13 @@
"source": [
"# Utmaning: Analysera text om datavetenskap\n",
"\n",
"> *I den här notebooken experimenterar vi med att använda olika URL:er - Wikipedia-artikeln om maskininlärning. Du kan se att, till skillnad från datavetenskap, innehåller den här artikeln många termer, vilket gör analysen mer problematisk. Vi behöver komma på ett annat sätt att städa upp data efter att ha gjort nyckelordsutvinning, för att bli av med vissa frekventa, men inte meningsfulla, ordkombinationer.*\n",
"> *I denna anteckningsbok experimenterar vi med att använda olika URL - Wikipedia-artikel om maskininlärning. Du kan se att, till skillnad från datavetenskap, innehåller denna artikel många termer, vilket gör analysen mer problematisk. Vi behöver hitta ett annat sätt att rensa upp data efter att ha gjort nyckelordsextraktion, för att bli av med vissa frekventa, men inte meningsfulla ordkombinationer.*\n",
"\n",
"I det här exemplet ska vi göra en enkel övning som täcker alla steg i en traditionell datavetenskapsprocess. Du behöver inte skriva någon kod, du kan bara klicka på cellerna nedan för att köra dem och observera resultatet. Som en utmaning uppmuntras du att testa den här koden med olika data.\n",
"I detta exempel ska vi göra en enkel övning som täcker alla steg i en traditionell datavetenskapsprocess. Du behöver inte skriva någon kod, du kan bara klicka på cellerna nedan för att köra dem och observera resultatet. Som en utmaning uppmuntras du att prova denna kod med olika data.\n",
"\n",
"## Mål\n",
"\n",
"I den här lektionen har vi diskuterat olika koncept relaterade till datavetenskap. Låt oss försöka upptäcka fler relaterade koncept genom att göra lite **textutvinning**. Vi börjar med en text om datavetenskap, extraherar nyckelord från den och försöker sedan visualisera resultatet.\n",
"I denna lektion har vi diskuterat olika koncept relaterade till datavetenskap. Låt oss försöka upptäcka fler relaterade koncept genom att göra lite **text mining**. Vi börjar med en text om datavetenskap, extraherar nyckelord från den och försöker sedan visualisera resultatet.\n",
"\n",
"Som text kommer jag att använda sidan om datavetenskap från Wikipedia:\n"
],
@ -35,9 +35,9 @@
{
"cell_type": "markdown",
"source": [
"## Steg 1: Hämta data\n",
"## Steg 1: Hämta datan\n",
"\n",
"Första steget i varje datavetenskaplig process är att hämta data. Vi kommer att använda biblioteket `requests` för detta:\n"
"Första steget i varje data science-process är att hämta datan. Vi kommer att använda biblioteket `requests` för att göra det:\n"
],
"metadata": {}
},
@ -69,45 +69,43 @@
{
"cell_type": "markdown",
"source": [
"## Steg 2: Omvandla data\n",
"## Steg 2: Omvandla datan\n",
"\n",
"Nästa steg är att konvertera data till en form som är lämplig för bearbetning. I vårt fall har vi laddat ner HTML-källkoden från sidan, och vi behöver omvandla den till ren text.\n",
"Nästa steg är att konvertera datan till den form som är lämplig för bearbetning. I vårt fall har vi laddat ner HTML-källkoden från sidan, och vi behöver omvandla den till vanlig text.\n",
"\n",
"Det finns många sätt att göra detta. Vi kommer att använda det enklaste inbyggda objektet [HTMLParser](https://docs.python.org/3/library/html.parser.html) från Python. Vi behöver skapa en subklass av `HTMLParser`-klassen och definiera koden som samlar in all text inuti HTML-taggar, förutom `<script>`- och `<style>`-taggar.\n"
"Det finns många sätt att göra detta på. Vi kommer att använda [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/), ett populärt Python-bibliotek för att tolka HTML. BeautifulSoup tillåter oss att rikta in oss på specifika HTML-element, så vi kan fokusera på huvudinnehållet i artikeln från Wikipedia och minska vissa navigationsmenyer, sidopaneler, sidfot och annat irrelevanta innehåll (även om viss malltext fortfarande kan finnas kvar).\n"
],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [
"Först behöver vi installera biblioteket BeautifulSoup för HTML-parsing:\n"
],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": null,
"source": [
"import sys\r\n",
"!{sys.executable} -m pip install beautifulsoup4"
],
"outputs": [],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 4,
"source": [
"from html.parser import HTMLParser\r\n",
"\r\n",
"class MyHTMLParser(HTMLParser):\r\n",
" script = False\r\n",
" res = \"\"\r\n",
" def handle_starttag(self, tag, attrs):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = True\r\n",
" def handle_endtag(self, tag):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = False\r\n",
" def handle_data(self, data):\r\n",
" if str.strip(data)==\"\" or self.script:\r\n",
" return\r\n",
" self.res += ' '+data.replace('[ edit ]','')\r\n",
"\r\n",
"parser = MyHTMLParser()\r\n",
"parser.feed(text)\r\n",
"text = parser.res\r\n",
"print(text[:1000])"
"from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n selectors = [\r\n '.mw-jump-link',\r\n '.navbox',\r\n '.reflist',\r\n 'sup.reference',\r\n '.mw-editsection',\r\n '.hatnote',\r\n '.metadata',\r\n '.infobox',\r\n '#toc',\r\n '.toc',\r\n '.sidebar',\r\n ]\r\n for selector in selectors:\r\n for el in content_node.select(selector):\r\n el.decompose()\r\n\r\nif content:\r\n # Clean the content node to better approximate article text only.\r\n clean_wikipedia_content(content)\r\n text = content.get_text(separator=' ', strip=True)\r\n print(text[:1000])\r\nelse:\r\n print(\"Could not find main content. Using full page text.\")\r\n text = soup.get_text(separator=' ', strip=True)\r\n print(text[:1000])"
],
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
" Machine learning - Wikipedia Machine learning From Wikipedia, the free encyclopedia Jump to navigation Jump to search Study of algorithms that improve automatically through experience For the journal, see Machine Learning (journal) . \"Statistical learning\" redirects here. For statistical learning in linguistics, see statistical learning in language acquisition . Part of a series on Artificial intelligence Major goals Artificial general intelligence Planning Computer vision General game playing Knowledge reasoning Machine learning Natural language processing Robotics Approaches Symbolic Deep learning Bayesian networks Evolutionary algorithms Philosophy Ethics Existential risk Turing test Chinese room Control problem Friendly AI History Timeline Progress AI winter Technology Applications Projects Programming languages Glossary Glossary v t e Part of a series on Machine learning and data mining Problems Classification Clustering Regression Anomaly detection Data Cleaning AutoML Associ\n"
"Machine learning From Wikipedia, the free encyclopedia Study of algorithms that improve automatically through experience Machine learning (ML) is a field of study in artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data, and thus perform tasks without explicit instructions. Recently, artificial neural networks have been able to surpass many previous approaches in performance. ML finds application in many fields, including natural language processing, computer vision, speech recognition, email filtering, agriculture, and medicine.\n"
]
}
],
@ -116,11 +114,11 @@
{
"cell_type": "markdown",
"source": [
"## Steg 3: Få insikter\n",
"## Step 3: Få insikter\n",
"\n",
"Det viktigaste steget är att omvandla vår data till en form där vi kan dra insikter. I vårt fall vill vi extrahera nyckelord från texten och se vilka nyckelord som är mest betydelsefulla.\n",
"Det viktigaste steget är att omvandla vår data till en form från vilken vi kan dra insikter. I vårt fall vill vi extrahera nyckelord från texten och se vilka nyckelord som är mer meningsfulla.\n",
"\n",
"Vi kommer att använda ett Python-bibliotek som heter [RAKE](https://github.com/aneesha/RAKE) för att extrahera nyckelord. Först ska vi installera detta bibliotek om det inte redan är installerat:\n"
"Vi kommer att använda Python-biblioteket [RAKE](https://github.com/aneesha/RAKE) för nyckelordsutvinning. Först ska vi installera detta bibliotek om det inte redan finns: \n"
],
"metadata": {}
},
@ -172,7 +170,7 @@
{
"cell_type": "markdown",
"source": [
"Huvudfunktionen är tillgänglig från `Rake`-objektet, som vi kan anpassa med hjälp av några parametrar. I vårt fall kommer vi att ställa in den minsta längden på ett nyckelord till 5 tecken, den minsta frekvensen av ett nyckelord i dokumentet till 3, och det maximala antalet ord i ett nyckelord till 2. Känn dig fri att experimentera med andra värden och observera resultatet.\n"
"Huvudfunktionen är tillgänglig från `Rake`-objektet, som vi kan anpassa med några parametrar. I vårt fall kommer vi att ställa in minimilängden för ett nyckelord till 5 tecken, minsta frekvens för ett nyckelord i dokumentet till 3, och maximalt antal ord i ett nyckelord till 2. Känn dig fri att experimentera med andra värden och observera resultatet.\n"
],
"metadata": {}
},
@ -353,11 +351,11 @@
{
"cell_type": "markdown",
"source": [
"Vi fick en lista med termer tillsammans med deras tillhörande viktighet. Som du kan se finns de mest relevanta områdena, såsom maskininlärning och big data, med i listan på toppositioner.\n",
"Vi fick en lista med termer tillsammans med tillhörande viktighetsgrad. Som du kan se finns de mest relevanta disciplinerna, såsom maskininlärning och big data, med bland de översta positionerna i listan.\n",
"\n",
"## Steg 4: Visualisera resultatet\n",
"\n",
"Människor tolkar data bäst i visuell form. Därför är det ofta vettigt att visualisera data för att dra vissa insikter. Vi kan använda biblioteket `matplotlib` i Python för att plotta en enkel fördelning av nyckelorden med deras relevans:\n"
"Människor kan bäst tolka data i visuell form. Därför är det ofta meningsfullt att visualisera data för att dra några insikter. Vi kan använda biblioteket `matplotlib` i Python för att rita en enkel fördelning av nyckelorden med deras relevans:\n"
],
"metadata": {}
},
@ -392,7 +390,7 @@
{
"cell_type": "markdown",
"source": [
"Det finns dock ett ännu bättre sätt att visualisera ordfrekvenser - att använda **Word Cloud**. Vi behöver installera ett annat bibliotek för att skapa ett ordmoln från vår nyckelordslista.\n"
"Det finns dock ett ännu bättre sätt att visualisera ordfrekvenser – med hjälp av **Word Cloud**. Vi behöver installera ett annat bibliotek för att plotta ordmolnet från vår nyckelordslista.\n"
],
"metadata": {}
},
@ -408,7 +406,7 @@
{
"cell_type": "markdown",
"source": [
"`WordCloud`-objektet är ansvarigt för att ta emot antingen originaltext eller en förberäknad lista med ord och deras frekvenser, och returnerar en bild som sedan kan visas med hjälp av `matplotlib`:\n"
"`WordCloud`-objektet ansvarar för att ta emot antingen originaltext eller en förberäknad lista av ord med deras frekvenser, och returnerar en bild som sedan kan visas med `matplotlib`:\n"
],
"metadata": {}
},
@ -441,7 +439,7 @@
{
"cell_type": "markdown",
"source": [
"Vi kan också skicka in den ursprungliga texten till `WordCloud` - låt oss se om vi kan få ett liknande resultat:\n"
"Vi kan också skicka in originaltexten till `WordCloud` - låt oss se om vi kan få ett liknande resultat:\n"
],
"metadata": {}
},
@ -490,9 +488,9 @@
{
"cell_type": "markdown",
"source": [
"Du kan se att ordmolnet nu ser mer imponerande ut, men det innehåller också mycket brus (t.ex. orelaterade ord som `Retrieved on`). Dessutom får vi färre nyckelord som består av två ord, såsom *data scientist* eller *computer science*. Detta beror på att RAKE-algoritmen gör ett mycket bättre jobb med att välja ut bra nyckelord från texten. Detta exempel illustrerar vikten av datarensning och förbehandling, eftersom en tydlig bild i slutändan gör det möjligt för oss att fatta bättre beslut.\n",
"Du kan se att ordmolnet nu ser mer imponerande ut, men det innehåller också mycket brus (t.ex. orelaterade ord såsom `Retrieved on`). Dessutom får vi färre nyckelord som består av två ord, såsom *data scientist* eller *computer science*. Detta beror på att RAKE-algoritmen gör ett mycket bättre jobb med att välja bra nyckelord från texten. Detta exempel illustrerar vikten av datarensning och förbehandling, eftersom en tydlig bild i slutändan gör att vi kan fatta bättre beslut.\n",
"\n",
"I denna övning har vi gått igenom en enkel process för att extrahera viss mening från Wikipedia-text, i form av nyckelord och ordmoln. Detta exempel är ganska enkelt, men det visar tydligt alla typiska steg en data scientist tar när de arbetar med data, från datainsamling till visualisering.\n",
"I denna övning har vi gått igenom en enkel process för att utvinna viss betydelse från Wikipediatext, i form av nyckelord och ordmoln. Detta exempel är ganska enkelt, men det visar tydligt alla typiska steg som en data scientist tar när hen arbetar med data, från datainsamling till visualisering.\n",
"\n",
"I vår kurs kommer vi att diskutera alla dessa steg i detalj.\n"
],
@ -502,7 +500,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"\n---\n\n**Ansvarsfriskrivning**: \nDetta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen notera att automatiska 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.\n"
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Ansvarsfriskrivning**:\nDetta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, var vänlig notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk ska betraktas som den auktoritativa källan. För viktig information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
]
}
],
@ -526,12 +524,6 @@
},
"interpreter": {
"hash": "86193a1ab0ba47eac1c69c1756090baa3b420b3eea7d4aafab8b85f8b312f0c5"
},
"coopTranslator": {
"original_hash": "dbdf34788efab64e5d817f1df38965a8",
"translation_date": "2025-09-02T10:22:08+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
"language_code": "sv"
}
},
"nbformat": 4,

14
translations/sv/1-Introduction/04-stats-and-probability/README.md
Unescape View File

@ -6,7 +6,7 @@
Statistik och sannolikhetsteori är två nära besläktade områden inom matematiken som är mycket relevanta för datavetenskap. Det är möjligt att arbeta med data utan djupa kunskaper i matematik, men det är ändå bättre att känna till åtminstone några grundläggande begrepp. Här presenterar vi en kort introduktion som hjälper dig att komma igång.
[![Introduktionsvideo](../../../../translated_images/sv/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.png)](https://youtu.be/Z5Zy85g4Yjw)
[![Introduktionsvideo](../../../../translated_images/sv/video-prob-and-stats.e4282e5efa2f2543.webp)](https://youtu.be/Z5Zy85g4Yjw)
## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ds/quiz/6)
@ -30,7 +30,7 @@ Det är svårare att beskriva sannolikhetsfördelningen för en kontinuerlig var
Vi kan bara prata om sannolikheten att en variabel faller inom ett givet intervall av värden, t.ex. P(t<sub>1</sub>≤X<t<sub>2</sub>). I detta fall beskrivs sannolikhetsfördelningen av en **sannolikhetstäthetsfunktion** p(x), sådan att
![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/sv/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.png)
![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/sv/probability-density.a8aad29f17a14afb.webp)
En kontinuerlig analog till likformig fördelning kallas **kontinuerligt likformig**, som definieras på ett ändligt intervall. Sannolikheten att värdet X faller inom ett intervall av längd l är proportionell mot l och stiger upp till 1.
@ -73,11 +73,11 @@ När vi analyserar data från verkligheten är de ofta inte slumpmässiga variab
Här är låddiagrammet som visar medelvärde, median och kvartiler för våra data:
![Låddiagram för vikt](../../../../translated_images/sv/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.png)
![Låddiagram för vikt](../../../../translated_images/sv/weight-boxplot.1dbab1c03af26f8a.webp)
Eftersom våra data innehåller information om olika spelares **roller**, kan vi också göra ett låddiagram per roll - det låter oss få en uppfattning om hur parametrarnas värden skiljer sig mellan roller. Den här gången tittar vi på längd:
![Låddiagram per roll](../../../../translated_images/sv/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.png)
![Låddiagram per roll](../../../../translated_images/sv/boxplot_byrole.036b27a1c3f52d42.webp)
Detta diagram antyder att, i genomsnitt, är längden på första basmän högre än längden på andra basmän. Senare i denna lektion kommer vi att lära oss hur vi kan testa denna hypotes mer formellt och hur vi kan visa att våra data är statistiskt signifikanta för att bevisa detta.
@ -85,7 +85,7 @@ Detta diagram antyder att, i genomsnitt, är längden på första basmän högre
För att se hur fördelningen av våra data ser ut kan vi rita ett diagram som kallas **histogram**. X-axeln innehåller ett antal olika viktintervall (så kallade **bins**), och Y-axeln visar antalet gånger vårt stickprov av slumpmässiga variabler hamnade inom ett givet intervall.
![Histogram av verkliga data](../../../../translated_images/sv/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.png)
![Histogram av verkliga data](../../../../translated_images/sv/weight-histogram.bfd00caf7fc30b14.webp)
Från detta histogram kan du se att alla värden är centrerade runt ett visst medelvärde, och ju längre vi går från det medelvärdet - desto färre vikter av det värdet förekommer. Det vill säga, det är mycket osannolikt att vikten på en basebollspelare skulle skilja sig mycket från medelvikten. Variansen i vikterna visar i vilken utsträckning vikterna sannolikt skiljer sig från medelvärdet.
@ -102,7 +102,7 @@ samples = np.random.normal(mean,std,1000)
Om vi ritar histogrammet för de genererade stickproven kommer vi att se en bild mycket lik den som visas ovan. Och om vi ökar antalet stickprov och antalet bins, kan vi generera en bild av en normalfördelning som är närmare idealet:
![Normalfördelning med medelvärde=0 och std.avvikelse=1](../../../../translated_images/sv/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.png)
![Normalfördelning med medelvärde=0 och std.avvikelse=1](../../../../translated_images/sv/normal-histogram.dfae0d67c202137d.webp)
*Normalfördelning med medelvärde=0 och std.avvikelse=1*
@ -224,7 +224,7 @@ array([[1. , 0.52959196],
I vårt fall indikerar värdet 0.53 att det finns viss korrelation mellan en persons vikt och längd. Vi kan också göra ett spridningsdiagram av ett värde mot det andra för att se relationen visuellt:
![Relation mellan vikt och längd](../../../../translated_images/sv/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.png)
![Relation mellan vikt och längd](../../../../translated_images/sv/weight-height-relationship.3f06bde4ca2aba99.webp)
> Fler exempel på korrelation och kovarians finns i [medföljande anteckningsbok](notebook.ipynb).

2
translations/sv/1-Introduction/README.md
Unescape View File

@ -1,6 +1,6 @@
# Introduktion till Data Science
![data i aktion](../../../translated_images/sv/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.jpg)
![data i aktion](../../../translated_images/sv/data.48e22bb7617d8d92.webp)
> Foto av <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> på <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
I dessa lektioner kommer du att upptäcka hur Data Science definieras och lära dig om etiska överväganden som en dataanalytiker måste ta hänsyn till. Du kommer också att lära dig hur data definieras och få en introduktion till statistik och sannolikhet, de centrala akademiska områdena inom Data Science.

12
translations/sv/2-Working-With-Data/07-python/README.md
Unescape View File

@ -4,7 +4,7 @@
| :-------------------------------------------------------------------------------------------------------: |
| Arbeta med Python - _Sketchnote av [@nitya](https://twitter.com/nitya)_ |
[![Introduktionsvideo](../../../../translated_images/sv/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.png)](https://youtu.be/dZjWOGbsN4Y)
[![Introduktionsvideo](../../../../translated_images/sv/video-ds-python.245247dc811db8e4.webp)](https://youtu.be/dZjWOGbsN4Y)
Även om databaser erbjuder mycket effektiva sätt att lagra och söka data med hjälp av frågespråk, är det mest flexibla sättet att bearbeta data att skriva sitt eget program för att manipulera data. I många fall är en databasfråga ett mer effektivt sätt. Men i vissa fall, när mer komplex databehandling behövs, kan det inte enkelt göras med SQL.
Databehandling kan programmeras i vilket programmeringsspråk som helst, men det finns vissa språk som är mer högspecialiserade för att arbeta med data. Dataforskare föredrar vanligtvis ett av följande språk:
@ -64,7 +64,7 @@ print(f"Length of index is {len(idx)}")
items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
items_sold.plot()
```
![Tidsserieplott](../../../../translated_images/sv/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.png)
![Tidsserieplott](../../../../translated_images/sv/timeseries-1.80de678ab1cf727e.webp)
Anta nu att vi varje vecka organiserar en fest för vänner och tar med ytterligare 10 paket glass till festen. Vi kan skapa en annan Series, indexerad per vecka, för att visa detta:
```python
@ -75,7 +75,7 @@ När vi adderar två Series får vi det totala antalet:
total_items = items_sold.add(additional_items,fill_value=0)
total_items.plot()
```
![Tidsserieplott](../../../../translated_images/sv/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.png)
![Tidsserieplott](../../../../translated_images/sv/timeseries-2.aae51d575c55181c.webp)
> **Notera** att vi inte använder den enkla syntaxen `total_items+additional_items`. Om vi gjorde det skulle vi få många `NaN` (*Not a Number*)-värden i den resulterande serien. Detta beror på att det saknas värden för vissa indexpunkter i serien `additional_items`, och att addera `NaN` till något resulterar i `NaN`. Därför måste vi specificera parametern `fill_value` under additionen.
@ -84,7 +84,7 @@ Med tidsserier kan vi också **resampla** serien med olika tidsintervall. Till e
monthly = total_items.resample("1M").mean()
ax = monthly.plot(kind='bar')
```
![Månadsvisa tidsseriegenomsnitt](../../../../translated_images/sv/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.png)
![Månadsvisa tidsseriegenomsnitt](../../../../translated_images/sv/timeseries-3.f3147cbc8c624881.webp)
### DataFrame
@ -211,7 +211,7 @@ Det första problemet vi kommer att fokusera på är modellering av epidemisk sp
Eftersom vi vill demonstrera hur man hanterar data, uppmanar vi dig att öppna [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) och läsa den från början till slut. Du kan också köra cellerna och göra några utmaningar som vi har lämnat åt dig i slutet.
![COVID-spridning](../../../../translated_images/sv/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.png)
![COVID-spridning](../../../../translated_images/sv/covidspread.f3d131c4f1d260ab.webp)
> Om du inte vet hur man kör kod i Jupyter Notebook, ta en titt på [denna artikel](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
@ -233,7 +233,7 @@ Ett komplett exempel på att analysera detta dataset med hjälp av [Text Analyti
Öppna [`notebook-papers.ipynb`](notebook-papers.ipynb) och läs den från början till slut. Du kan också köra cellerna och göra några utmaningar som vi har lämnat åt dig i slutet.
![Covid Medicinsk Behandling](../../../../translated_images/sv/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.png)
![Covid Medicinsk Behandling](../../../../translated_images/sv/covidtreat.b2ba59f57ca45fbc.webp)
## Bearbeta bilddata

95
translations/sv/2-Working-With-Data/07-python/notebook-covidspread.ipynb
View File

File diff suppressed because one or more lines are too long

2
translations/sv/2-Working-With-Data/README.md
Unescape View File

@ -1,6 +1,6 @@
# Arbeta med data
![data love](../../../translated_images/sv/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.jpg)
![data love](../../../translated_images/sv/data-love.a22ef29e6742c852.webp)
> Foto av <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> på <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
I dessa lektioner kommer du att lära dig några av de sätt som data kan hanteras, manipuleras och användas i applikationer. Du kommer att lära dig om relations- och icke-relationsdatabaser och hur data kan lagras i dem. Du kommer att lära dig grunderna i att arbeta med Python för att hantera data, och du kommer att upptäcka några av de många sätten du kan använda Python för att hantera och analysera data.

14
translations/sv/3-Data-Visualization/12-visualization-relationships/README.md
Unescape View File

@ -42,7 +42,7 @@ Skapa ett grundläggande spridningsdiagram för att visa relationen mellan prise
```python
sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
```
![spridningsdiagram 1](../../../../translated_images/sv/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.png)
![spridningsdiagram 1](../../../../translated_images/sv/scatter1.5e1aa5fd6706c5d1.webp)
Visa nu samma data med ett honungsfärgschema för att visa hur priset utvecklas över åren. Du kan göra detta genom att lägga till en 'hue'-parameter för att visa förändringen år för år:
@ -51,7 +51,7 @@ Visa nu samma data med ett honungsfärgschema för att visa hur priset utvecklas
```python
sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
```
![spridningsdiagram 2](../../../../translated_images/sv/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.png)
![spridningsdiagram 2](../../../../translated_images/sv/scatter2.c0041a58621ca702.webp)
Med denna färgschemaförändring kan du tydligt se en stark progression över åren när det gäller priset på honung per pound. Om du tittar på ett urval av data för att verifiera (välj en viss delstat, till exempel Arizona) kan du se ett mönster av prisökningar år för år, med få undantag:
@ -80,7 +80,7 @@ sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspec
```
Du kan se att storleken på punkterna gradvis ökar.
![spridningsdiagram 3](../../../../translated_images/sv/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.png)
![spridningsdiagram 3](../../../../translated_images/sv/scatter3.3c160a3d1dcb36b3.webp)
Är detta ett enkelt fall av utbud och efterfrågan? På grund av faktorer som klimatförändringar och kollaps av bisamhällen, finns det mindre honung tillgänglig för köp år för år, och därmed ökar priset?
@ -95,7 +95,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
```
Svar: Ja, med vissa undantag runt år 2003:
![linjediagram 1](../../../../translated_images/sv/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.png)
![linjediagram 1](../../../../translated_images/sv/line1.f36eb465229a3b1f.webp)
✅ Eftersom Seaborn aggregerar data runt en linje, visar den "de flera mätningarna vid varje x-värde genom att plotta medelvärdet och 95 % konfidensintervallet runt medelvärdet". [Källa](https://seaborn.pydata.org/tutorial/relational.html). Detta tidskrävande beteende kan inaktiveras genom att lägga till `ci=None`.
@ -105,7 +105,7 @@ Fråga: Kan vi också se en topp i honungstillgången runt 2003? Vad händer om
sns.relplot(x="year", y="totalprod", kind="line", data=honey);
```
![linjediagram 2](../../../../translated_images/sv/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.png)
![linjediagram 2](../../../../translated_images/sv/line2.a5b3493dc01058af.webp)
Svar: Inte riktigt. Om du tittar på den totala produktionen verkar den faktiskt ha ökat det året, även om mängden producerad honung generellt sett minskar under dessa år.
@ -130,7 +130,7 @@ sns.relplot(
```
I denna visualisering kan du jämföra avkastning per samhälle och antal samhällen år för år, sida vid sida med en wrap inställd på 3 för kolumnerna:
![facet grid](../../../../translated_images/sv/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.png)
![facet grid](../../../../translated_images/sv/facet.6a34851dcd540050.webp)
För detta dataset framträder inget särskilt med avseende på antalet samhällen och deras avkastning, år för år och delstat för delstat. Finns det ett annat sätt att hitta en korrelation mellan dessa två variabler?
@ -153,7 +153,7 @@ sns.despine(right=False)
plt.ylabel('colony yield')
ax.figure.legend();
```
![överlagrade diagram](../../../../translated_images/sv/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.png)
![överlagrade diagram](../../../../translated_images/sv/dual-line.a4c28ce659603fab.webp)
Även om inget särskilt framträder runt år 2003, låter det oss avsluta denna lektion på en lite gladare not: även om antalet samhällen totalt sett minskar, stabiliseras antalet samhällen även om deras avkastning per samhälle minskar.

16
translations/sv/3-Data-Visualization/R/09-visualization-quantities/README.md
Unescape View File

@ -57,7 +57,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
```
Här installerar du `ggplot2`-paketet och importerar det sedan till arbetsytan med kommandot `library("ggplot2")`. För att plotta ett diagram i ggplot används funktionen `ggplot()` och du specificerar datasetet, x- och y-variabler som attribut. I detta fall använder vi funktionen `geom_line()` eftersom vi vill plotta ett linjediagram.
![MaxVingbredd-linjediagram](../../../../../translated_images/sv/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.png)
![MaxVingbredd-linjediagram](../../../../../translated_images/sv/MaxWingspan-lineplot.b12169f99d26fdd2.webp)
Vad märker du direkt? Det verkar finnas åtminstone en avvikelse - det är en ganska imponerande vingbredd! En vingbredd på över 2000 centimeter motsvarar mer än 20 meter - finns det Pterodactyler som strövar omkring i Minnesota? Låt oss undersöka.
@ -75,7 +75,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
```
Vi specificerar vinkeln i `theme` och anger x- och y-axelns etiketter i `xlab()` och `ylab()` respektive. `ggtitle()` ger diagrammet/plotten ett namn.
![MaxVingbredd-linjediagram-förbättrat](../../../../../translated_images/sv/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.png)
![MaxVingbredd-linjediagram-förbättrat](../../../../../translated_images/sv/MaxWingspan-lineplot-improved.04b73b4d5a59552a.webp)
Även med rotationen av etiketterna inställd på 45 grader är det för många för att läsa. Låt oss prova en annan strategi: märk endast avvikelserna och placera etiketterna inom diagrammet. Du kan använda ett spridningsdiagram för att skapa mer utrymme för märkningen:
@ -91,7 +91,7 @@ Vad händer här? Du använde funktionen `geom_point()` för att plotta spridnin
Vad upptäcker du?
![MaxVingbredd-spridningsdiagram](../../../../../translated_images/sv/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.png)
![MaxVingbredd-spridningsdiagram](../../../../../translated_images/sv/MaxWingspan-scatterplot.60dc9e0e19d32700.webp)
## Filtrera din data
@ -110,7 +110,7 @@ ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
```
Vi skapade en ny dataframe `birds_filtered` och plottade sedan ett spridningsdiagram. Genom att filtrera bort avvikelser är din data nu mer sammanhängande och begriplig.
![MaxVingbredd-spridningsdiagram-förbättrat](../../../../../translated_images/sv/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.png)
![MaxVingbredd-spridningsdiagram-förbättrat](../../../../../translated_images/sv/MaxWingspan-scatterplot-improved.7d0af81658c65f3e.webp)
Nu när vi har ett renare dataset åtminstone när det gäller vingbredd, låt oss upptäcka mer om dessa fåglar.
@ -152,7 +152,7 @@ birds_filtered %>% group_by(Category) %>%
```
I följande kodsnutt installerar vi paketen [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) och [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) för att hjälpa till att manipulera och gruppera data för att plotta ett staplat stapeldiagram. Först grupperar du datan efter fåglarnas `Category` och summerar sedan kolumnerna `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Sedan plotter du stapeldiagrammet med `ggplot2`-paketet och specificerar färgerna för de olika kategorierna och etiketterna.
![Staplat stapeldiagram](../../../../../translated_images/sv/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.png)
![Staplat stapeldiagram](../../../../../translated_images/sv/stacked-bar-chart.0c92264e89da7b39.webp)
Detta stapeldiagram är dock oläsligt eftersom det finns för mycket icke-grupperad data. Du behöver välja endast den data du vill plotta, så låt oss titta på fåglarnas längd baserat på deras kategori.
@ -167,7 +167,7 @@ ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
```
Du räknar först unika värden i kolumnen `Category` och sorterar dem sedan i en ny dataframe `birds_count`. Denna sorterade data faktoreras sedan på samma nivå så att den plottas på ett sorterat sätt. Med `ggplot2` plotter du sedan datan i ett stapeldiagram. `coord_flip()` plotter horisontella staplar.
![kategori-längd](../../../../../translated_images/sv/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.png)
![kategori-längd](../../../../../translated_images/sv/category-length.7e34c296690e85d6.webp)
Detta stapeldiagram ger en bra översikt över antalet fåglar i varje kategori. Vid en snabb blick ser du att det största antalet fåglar i denna region tillhör kategorin Ankor/Gäss/Vattenfåglar. Minnesota är "landet med 10 000 sjöar", så detta är inte förvånande!
@ -190,7 +190,7 @@ ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_fl
```
Vi grupperar `birds_filtered`-datan efter `Category` och plotter sedan ett stapeldiagram.
![jämföra data](../../../../../translated_images/sv/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.png)
![jämföra data](../../../../../translated_images/sv/comparingdata.f486a450d61c7ca5.webp)
Inget är förvånande här: kolibrier har den minsta MaxLängden jämfört med pelikaner eller gäss. Det är bra när data är logisk!
@ -202,7 +202,7 @@ ggplot(data=birds_grouped, aes(x=Category)) +
geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
coord_flip()
```
![överlagrade värden](../../../../../translated_images/sv/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.png)
![överlagrade värden](../../../../../translated_images/sv/superimposed-values.5363f0705a1da416.webp)
## 🚀 Utmaning

20
translations/sv/3-Data-Visualization/R/10-visualization-distributions/README.md
Unescape View File

@ -36,7 +36,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
geom_point() +
ggtitle("Max Length per order") + coord_flip()
```
![max längd per ordning](../../../../../translated_images/sv/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.png)
![max längd per ordning](../../../../../translated_images/sv/max-length-per-order.e5b283d952c78c12.webp)
Detta ger en översikt över den generella fördelningen av kroppslängd per fågelordning, men det är inte det optimala sättet att visa verkliga fördelningar. Den uppgiften hanteras vanligtvis genom att skapa ett histogram.
## Arbeta med histogram
@ -47,7 +47,7 @@ Detta ger en översikt över den generella fördelningen av kroppslängd per få
ggplot(data = birds_filtered, aes(x = MaxBodyMass)) +
geom_histogram(bins=10)+ylab('Frequency')
```
![fördelning över hela datasetet](../../../../../translated_images/sv/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.png)
![fördelning över hela datasetet](../../../../../translated_images/sv/distribution-over-the-entire-dataset.d22afd3fa96be854.webp)
Som du kan se, faller de flesta av de 400+ fåglarna i detta dataset inom intervallet under 2000 för deras Max Kroppsmassa. Få mer insikt i datan genom att ändra `bins`-parametern till ett högre nummer, något som 30:
@ -55,7 +55,7 @@ Som du kan se, faller de flesta av de 400+ fåglarna i detta dataset inom interv
ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
```
![fördelning-30bins](../../../../../translated_images/sv/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.png)
![fördelning-30bins](../../../../../translated_images/sv/distribution-30bins.6a3921ea7a421bf7.webp)
Detta diagram visar fördelningen på ett lite mer detaljerat sätt. Ett diagram som är mindre snedvridet åt vänster kan skapas genom att säkerställa att du endast väljer data inom ett visst intervall:
@ -67,7 +67,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
geom_histogram(bins=30)+ylab('Frequency')
```
![filtrerat histogram](../../../../../translated_images/sv/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.png)
![filtrerat histogram](../../../../../translated_images/sv/filtered-histogram.6bf5d2bfd8253322.webp)
✅ Prova några andra filter och datapunkter. För att se den fullständiga fördelningen av datan, ta bort `['MaxBodyMass']`-filtret för att visa märkta fördelningar.
@ -81,7 +81,7 @@ ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
```
Det verkar finnas en förväntad korrelation mellan dessa två element längs en förväntad axel, med en särskilt stark konvergenspunkt:
![2d diagram](../../../../../translated_images/sv/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.png)
![2d diagram](../../../../../translated_images/sv/2d-plot.c504786f439bd7eb.webp)
Histogram fungerar bra som standard för numerisk data. Vad händer om du behöver se fördelningar enligt textdata?
## Utforska datasetet för fördelningar med hjälp av textdata
@ -112,7 +112,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
```
![vingbredd och bevarande](../../../../../translated_images/sv/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.png)
![vingbredd och bevarande](../../../../../translated_images/sv/wingspan-conservation-collation.4024e9aa6910866a.webp)
Det verkar inte finnas någon bra korrelation mellan minsta vingbredd och bevarandestatus. Testa andra element i datasetet med denna metod. Du kan prova olika filter också. Hittar du någon korrelation?
@ -126,7 +126,7 @@ Låt oss arbeta med täthetsdiagram nu!
ggplot(data = birds_filtered_1, aes(x = MinWingspan)) +
geom_density()
```
![täthetsdiagram](../../../../../translated_images/sv/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.png)
![täthetsdiagram](../../../../../translated_images/sv/density-plot.675ccf865b76c690.webp)
Du kan se hur diagrammet speglar det tidigare för Minsta Vingbredd-data; det är bara lite smidigare. Om du ville återbesöka den hackiga MaxKroppsmassa-linjen i det andra diagrammet du byggde, kunde du jämna ut den mycket väl genom att återskapa den med denna metod:
@ -134,7 +134,7 @@ Du kan se hur diagrammet speglar det tidigare för Minsta Vingbredd-data; det ä
ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
geom_density()
```
![kroppsmassa täthet](../../../../../translated_images/sv/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.png)
![kroppsmassa täthet](../../../../../translated_images/sv/bodymass-smooth.d31ce526d82b0a1f.webp)
Om du ville ha en smidig, men inte alltför smidig linje, redigera `adjust`-parametern:
@ -142,7 +142,7 @@ Om du ville ha en smidig, men inte alltför smidig linje, redigera `adjust`-para
ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
geom_density(adjust = 1/5)
```
![mindre smidig kroppsmassa](../../../../../translated_images/sv/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.png)
![mindre smidig kroppsmassa](../../../../../translated_images/sv/less-smooth-bodymass.10f4db8b683cc17d.webp)
✅ Läs om de parametrar som finns tillgängliga för denna typ av diagram och experimentera!
@ -152,7 +152,7 @@ Denna typ av diagram erbjuder vackert förklarande visualiseringar. Med några f
ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
geom_density(alpha=0.5)
```
![kroppsmassa per ordning](../../../../../translated_images/sv/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.png)
![kroppsmassa per ordning](../../../../../translated_images/sv/bodymass-per-order.9d2b065dd931b928.webp)
## 🚀 Utmaning

6
translations/sv/3-Data-Visualization/R/11-visualization-proportions/README.md
Unescape View File

@ -84,7 +84,7 @@ pie(grouped$count,grouped$class, main="Edible?")
```
Voilà, ett pajdiagram som visar proportionerna av denna data enligt dessa två svampklasser. Det är ganska viktigt att få ordningen på etiketterna rätt, särskilt här, så se till att verifiera ordningen när etikettarrayen byggs!
![pajdiagram](../../../../../translated_images/sv/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.png)
![pajdiagram](../../../../../translated_images/sv/pie1-wb.685df063673751f4.webp)
## Donuts!
@ -118,7 +118,7 @@ library(webr)
PieDonut(habitat, aes(habitat, count=count))
```
![donutdiagram](../../../../../translated_images/sv/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.png)
![donutdiagram](../../../../../translated_images/sv/donut-wb.34e6fb275da9d834.webp)
Denna kod använder de två biblioteken ggplot2 och webr. Med hjälp av funktionen PieDonut i webr-biblioteket kan vi enkelt skapa ett donutdiagram!
@ -156,7 +156,7 @@ waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual
Med ett våffeldiagram kan du tydligt se proportionerna av hattfärger i detta svampdataset. Intressant nog finns det många svampar med gröna hattar!
![våffeldiagram](../../../../../translated_images/sv/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.png)
![våffeldiagram](../../../../../translated_images/sv/waffle.aaa75c5337735a6e.webp)
I den här lektionen lärde du dig tre sätt att visualisera proportioner. Först behöver du gruppera din data i kategorier och sedan bestämma vilket som är det bästa sättet att visa datan - paj, donut eller våffla. Alla är läckra och ger användaren en omedelbar överblick av ett dataset.

14
translations/sv/3-Data-Visualization/R/12-visualization-relationships/README.md
Unescape View File

@ -42,7 +42,7 @@ library(ggplot2)
ggplot(honey, aes(x = priceperlb, y = state)) +
geom_point(colour = "blue")
```
![spridningsdiagram 1](../../../../../translated_images/sv/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.png)
![spridningsdiagram 1](../../../../../translated_images/sv/scatter1.86b8900674d88b26.webp)
Visa nu samma data med ett honungsfärgschema för att visa hur priset utvecklas över åren. Du kan göra detta genom att lägga till en 'scale_color_gradientn'-parameter för att visa förändringen år för år:
@ -52,7 +52,7 @@ Visa nu samma data med ett honungsfärgschema för att visa hur priset utvecklas
ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
```
![spridningsdiagram 2](../../../../../translated_images/sv/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.png)
![spridningsdiagram 2](../../../../../translated_images/sv/scatter2.4d1cbc693bad20e2.webp)
Med denna färgschemaändring kan du tydligt se en stark utveckling över åren när det gäller honungspriset per pund. Om du tittar på ett urval av data för att verifiera (välj en given delstat, till exempel Arizona) kan du se ett mönster av prisökningar år för år, med få undantag:
@ -83,7 +83,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
```
Du kan se att storleken på punkterna gradvis ökar.
![spridningsdiagram 3](../../../../../translated_images/sv/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.png)
![spridningsdiagram 3](../../../../../translated_images/sv/scatter3.722d21e6f20b3ea2.webp)
Är detta ett enkelt fall av utbud och efterfrågan? På grund av faktorer som klimatförändringar och kolonikollaps, finns det mindre honung tillgänglig för köp år för år, och därmed ökar priset?
@ -98,7 +98,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
```
Svar: Ja, med vissa undantag runt år 2003:
![linjediagram 1](../../../../../translated_images/sv/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.png)
![linjediagram 1](../../../../../translated_images/sv/line1.299b576fbb2a59e6.webp)
Fråga: Kan vi också se en topp i honungstillgången år 2003? Vad händer om du tittar på total produktion år för år?
@ -106,7 +106,7 @@ Fråga: Kan vi också se en topp i honungstillgången år 2003? Vad händer om d
qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
```
![linjediagram 2](../../../../../translated_images/sv/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.png)
![linjediagram 2](../../../../../translated_images/sv/line2.3b18fcda7176ceba.webp)
Svar: Inte riktigt. Om du tittar på total produktion verkar det faktiskt ha ökat det året, även om mängden honung som produceras generellt sett minskar under dessa år.
@ -126,7 +126,7 @@ ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) +
```
I denna visualisering kan du jämföra avkastning per koloni och antal kolonier år för år, sida vid sida med en wrap inställd på 3 för kolumnerna:
![facet grid](../../../../../translated_images/sv/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.png)
![facet grid](../../../../../translated_images/sv/facet.491ad90d61c2a7cc.webp)
För denna dataset sticker inget särskilt ut när det gäller antalet kolonier och deras avkastning, år för år och delstat för delstat. Finns det ett annat sätt att hitta en korrelation mellan dessa två variabler?
@ -143,7 +143,7 @@ plot(honey$year, honey$yieldpercol, pch = 17, col = 3,
axis(side = 4, at = pretty(range(y2)))
mtext("colony yield", side = 4, line = 3)
```
![överlagrade diagram](../../../../../translated_images/sv/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.png)
![överlagrade diagram](../../../../../translated_images/sv/dual-line.fc4665f360a54018.webp)
Även om inget sticker ut runt år 2003, låter det oss avsluta denna lektion med en lite gladare ton: även om det totalt sett är ett minskande antal kolonier, stabiliseras antalet kolonier även om deras avkastning per koloni minskar.

16
translations/sv/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
Unescape View File

@ -38,25 +38,25 @@ I tidigare lektioner experimenterade du med att skapa olika typer av intressanta
Även om en dataanalytiker är noggrann med att välja rätt diagram för rätt data, finns det många sätt att visa data på ett sätt som bevisar en poäng, ofta på bekostnad av att undergräva själva datan. Det finns många exempel på vilseledande diagram och infografik!
[![How Charts Lie av Alberto Cairo](../../../../../translated_images/sv/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
[![How Charts Lie av Alberto Cairo](../../../../../translated_images/sv/tornado.2880ffc7f135f82b.webp)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
> 🎥 Klicka på bilden ovan för en konferensföreläsning om vilseledande diagram
Detta diagram vänder X-axeln för att visa motsatsen till sanningen, baserat på datum:
![dåligt diagram 1](../../../../../translated_images/sv/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.png)
![dåligt diagram 1](../../../../../translated_images/sv/bad-chart-1.596bc93425a8ac30.webp)
[Detta diagram](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) är ännu mer vilseledande, eftersom ögat dras till höger för att dra slutsatsen att COVID-fallen har minskat över tid i olika län. Faktum är att om du tittar noga på datumen, upptäcker du att de har omarrangerats för att ge den vilseledande nedåtgående trenden.
![dåligt diagram 2](../../../../../translated_images/sv/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.jpg)
![dåligt diagram 2](../../../../../translated_images/sv/bad-chart-2.62edf4d2f30f4e51.webp)
Detta ökända exempel använder färg OCH en vänd Y-axel för att vilseleda: istället för att dra slutsatsen att vapenvåld ökade efter införandet av vapenvänlig lagstiftning, luras ögat att tro att motsatsen är sann:
![dåligt diagram 3](../../../../../translated_images/sv/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.jpg)
![dåligt diagram 3](../../../../../translated_images/sv/bad-chart-3.e201e2e915a230bc.webp)
Detta märkliga diagram visar hur proportioner kan manipuleras, med komisk effekt:
![dåligt diagram 4](../../../../../translated_images/sv/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.jpg)
![dåligt diagram 4](../../../../../translated_images/sv/bad-chart-4.8872b2b881ffa96c.webp)
Att jämföra det ojämförbara är ytterligare ett skumt knep. Det finns en [fantastisk webbplats](https://tylervigen.com/spurious-correlations) som handlar om 'spurious correlations' och visar 'fakta' som korrelerar saker som skilsmässofrekvensen i Maine och konsumtionen av margarin. En Reddit-grupp samlar också [fula användningar](https://www.reddit.com/r/dataisugly/top/?t=all) av data.
@ -91,13 +91,13 @@ Märk dina axlar, tillhandahåll en legend om det behövs, och erbjud verktygsti
Om din data är textbaserad och omfattande på X-axeln, kan du vinkla texten för bättre läsbarhet. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) erbjuder 3D-plotting, om din data stödjer det. Sofistikerade datavisualiseringar kan skapas med det.
![3d diagram](../../../../../translated_images/sv/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.png)
![3d diagram](../../../../../translated_images/sv/3d.db1734c151eee87d.webp)
## Animation och 3D-diagram
Några av de bästa datavisualiseringarna idag är animerade. Shirley Wu har fantastiska exempel gjorda med D3, såsom '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', där varje blomma är en visualisering av en film. Ett annat exempel för Guardian är 'bussed out', en interaktiv upplevelse som kombinerar visualiseringar med Greensock och D3 plus ett scrollytelling-artikelformat för att visa hur NYC hanterar sitt hemlöshetsproblem genom att bussa ut människor från staden.
![bussing](../../../../../translated_images/sv/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.png)
![bussing](../../../../../translated_images/sv/busing.8157cf1bc89a3f65.webp)
> "Bussed Out: How America Moves its Homeless" från [the Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Visualiseringar av Nadieh Bremer & Shirley Wu
@ -107,7 +107,7 @@ Några av de bästa datavisualiseringarna idag är animerade. Shirley Wu har fan
Du kommer att slutföra en webbapp som visar en animerad vy av detta sociala nätverk. Den använder ett bibliotek som skapades för att skapa en [visualisering av ett nätverk](https://github.com/emiliorizzo/vue-d3-network) med Vue.js och D3. När appen körs kan du dra runt noderna på skärmen för att omorganisera datan.
![liaisons](../../../../../translated_images/sv/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.png)
![liaisons](../../../../../translated_images/sv/liaisons.90ce7360bcf84765.webp)
## Projekt: Skapa ett diagram för att visa ett nätverk med D3.js

2
translations/sv/3-Data-Visualization/README.md
Unescape View File

@ -1,6 +1,6 @@
# Visualiseringar
![en bi på en lavendelblomma](../../../translated_images/sv/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.jpg)
![en bi på en lavendelblomma](../../../translated_images/sv/bee.0aa1d91132b12e3a.webp)
> Foto av <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> på <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
Att visualisera data är en av de viktigaste uppgifterna för en dataanalytiker. Bilder säger mer än tusen ord, och en visualisering kan hjälpa dig att identifiera olika intressanta delar av din data, såsom toppar, avvikelser, grupperingar, tendenser och mycket mer, som kan hjälpa dig att förstå berättelsen din data försöker förmedla.

4
translations/sv/4-Data-Science-Lifecycle/14-Introduction/README.md
Unescape View File

@ -16,7 +16,7 @@ Vid det här laget har du förmodligen insett att dataanalys är en process. Den
Den här lektionen fokuserar på tre delar av livscykeln: insamling, bearbetning och underhåll.
![Diagram över livscykeln för dataanalys](../../../../translated_images/sv/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.jpg)
![Diagram över livscykeln för dataanalys](../../../../translated_images/sv/data-science-lifecycle.a1e362637503c4fb.webp)
> Foto av [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
## Insamling
@ -92,7 +92,7 @@ Utforska [Team Data Science Process livscykel](https://docs.microsoft.com/en-us/
|Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)|
|--|--|
|![Team Data Science Lifecycle](../../../../translated_images/sv/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.png) | ![Data Science Process Alliance Image](../../../../translated_images/sv/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.png) |
|![Team Data Science Lifecycle](../../../../translated_images/sv/tdsp-lifecycle2.e19029d598e2e73d.webp) | ![Data Science Process Alliance Image](../../../../translated_images/sv/CRISP-DM.8bad2b4c66e62aa7.webp) |
| Bild av [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Bild av [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
## [Quiz efter föreläsningen](https://ff-quizzes.netlify.app/en/ds/quiz/27)

2
translations/sv/4-Data-Science-Lifecycle/README.md
Unescape View File

@ -1,6 +1,6 @@
# Livscykeln för Data Science
![communication](../../../translated_images/sv/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.jpg)
![communication](../../../translated_images/sv/communication.06d8e2a88d30d168.webp)
> Foto av <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> på <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
I dessa lektioner kommer du att utforska några aspekter av livscykeln för Data Science, inklusive analys och kommunikation kring data.

4
translations/sv/5-Data-Science-In-Cloud/README.md
Unescape View File

@ -1,12 +1,12 @@
# Data Science i molnet
![cloud-picture](../../../translated_images/sv/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.jpg)
![cloud-picture](../../../translated_images/sv/cloud-picture.f5526de3c6c6387b.webp)
> Foto av [Jelleke Vanooteghem](https://unsplash.com/@ilumire) från [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
När det gäller att utföra data science med stora datamängder kan molnet vara en riktig game changer. Under de kommande tre lektionerna ska vi titta på vad molnet är och varför det kan vara väldigt användbart. Vi kommer också att utforska en dataset om hjärtsvikt och bygga en modell för att hjälpa till att bedöma sannolikheten för att någon drabbas av hjärtsvikt. Vi kommer att använda molnets kraft för att träna, distribuera och använda en modell på två olika sätt. Ett sätt är att använda endast användargränssnittet på ett Low code/No code-sätt, och det andra sättet är att använda Azure Machine Learning Software Developer Kit (Azure ML SDK).
![project-schema](../../../translated_images/sv/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.png)
![project-schema](../../../translated_images/sv/project-schema.420e56d495624541.webp)
### Ämnen

2
translations/sv/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
Unescape View File

@ -32,7 +32,7 @@ Tack vare AI:s demokratisering är det nu enklare för utvecklare att designa oc
* [Data Science inom Hälsovård](https://data-flair.training/blogs/data-science-in-healthcare/) - lyfter fram tillämpningar som medicinsk bildbehandling (t.ex. MRI, röntgen, CT-skanning), genomik (DNA-sekvensering), läkemedelsutveckling (riskbedömning, framgångsprognoser), prediktiv analys (patientvård och logistik), sjukdomsspårning och förebyggande åtgärder.
![Data Science-tillämpningar i Verkligheten](../../../../translated_images/sv/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.png) Bildkälla: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
![Data Science-tillämpningar i Verkligheten](../../../../translated_images/sv/data-science-applications.4e5019cd8790ebac.webp) Bildkälla: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
Figuren visar andra områden och exempel på hur data science-tekniker kan tillämpas. Vill du utforska fler tillämpningar? Kolla in [Review & Self Study](../../../../6-Data-Science-In-Wild/20-Real-World-Examples)-avsnittet nedan.

2
translations/sv/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
Unescape View File

@ -13,7 +13,7 @@ Explorer-gränssnittet (visat i skärmbilden nedan) låter dig välja en dataset
2. Utforska datasetens [Katalog](https://planetarycomputer.microsoft.com/catalog) - lär dig syftet med varje dataset.
3. Använd Explorer - välj en dataset som intresserar dig, välj en relevant fråga och ett renderingsalternativ.
![The Planetary Computer Explorer](../../../../translated_images/sv/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.png)
![The Planetary Computer Explorer](../../../../translated_images/sv/planetary-computer-explorer.c1e95a9b053167d6.webp)
`Din uppgift:`
Studera nu visualiseringen som renderas i webbläsaren och svara på följande:

182
translations/sv/README.md
Unescape View File

@ -1,4 +1,4 @@
# Data Science för nybörjare - Ett läroplan
# Data Science för Nybörjare - Ett Läroplan
[![Open in GitHub Codespaces](https://github.com/codespaces/badge.svg)](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
@ -17,41 +17,51 @@
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
Azure Cloud Advocates på Microsoft är glada att erbjuda en 10-veckors, 20-lektioners läroplan helt om Data Science. Varje lektion inkluderar quiz före och efter lektionen, skriftliga instruktioner för att slutföra lektionen, en lösning och en uppgift. Vår projektbaserade pedagogik gör att du kan lära dig medan du bygger, ett beprövat sätt för nya färdigheter att "fastna".
Azure Cloud Advocates på Microsoft är glada att kunna erbjuda en 10-veckors, 20-lektioners läroplan om Data Science. Varje lektion inkluderar för- och efter-lektionsquiz, skriftliga instruktioner för att slutföra lektionen, en lösning och en uppgift. Vår projektbaserade pedagogik låter dig lära dig genom att bygga, ett beprövat sätt för nya färdigheter att "fästa".
**Stort tack till våra författare:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
**🙏 Speciellt tack 🙏 till våra [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) författare, granskare och innehållsbidragsgivare,** framför allt Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
**🙏 Särskilt tack 🙏 till våra [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) författare, granskare och innehållsmedarbetare,** särskilt Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
[Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar , [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
|![Sketchnote by @sketchthedocs https://sketchthedocs.dev](../../translated_images/sv/00-Title.8af36cd35da1ac55.webp)|
|:---:|
| Data Science för nybörjare - _Sketchnote av [@nitya](https://twitter.com/nitya)_ |
| Data Science För Nybörjare - _Sketchnote av [@nitya](https://twitter.com/nitya)_ |
### 🌐 Fler språkstöd
### 🌐 Flerspråkigt Stöd
#### Stöds via GitHub Action (Automatiserat & Alltid aktuellt)
#### Stöds via GitHub Action (Automatiserat & Alltid Uppdaterat)
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](./README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
> **Föredrar att klona lokalt?**
> Detta repository innehåller översättningar till över 50 språk vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparsamt checkout:
> **Föredrar du att klona lokalt?**
>
> Detta repository inkluderar 50+ språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparsamt utcheckning:
>
> **Bash / macOS / Linux:**
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
> cd Data-Science-For-Beginners
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
>
> **CMD (Windows):**
> ```cmd
> git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
> cd Data-Science-For-Beginners
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Detta ger dig allt du behöver för att slutföra kursen med en mycket snabbare nedladdning.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
**Om du önskar stöd för ytterligare översättningsspråk finns de listade [här](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
**Om du vill ha ytterligare översättningsspråk stöds de som listas [här](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
#### Gå med i vår community
#### Gå med i vår gemenskap
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
Vi har en pågående Discord-serie om att lära sig med AI, lär dig mer och gå med oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) från 18 - 30 september 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.
Vi har en Discord serie ”Learn with AI” på gång, lär dig mer och gå med hos oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) från 18 - 30 september, 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.
![Learn with AI series](../../translated_images/sv/1.2b28cdc6205e26fe.webp)
@ -59,8 +69,8 @@ Vi har en pågående Discord-serie om att lära sig med AI, lär dig mer och gå
Kom igång med följande resurser:
- [Student Hub-sida](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) På denna sida hittar du nybörjarresurser, studentpaket och till och med sätt att få ett gratis certifikatvouchert. Detta är en sida du vill bokmärka och kolla regelbundet eftersom vi byter ut innehållet minst en gång i månaden.
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Gå med i en global community av studentambassadörer, detta kan vara din väg in i Microsoft.
- [Student Hub-sida](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) På denna sida hittar du nybörjarresurser, Studentpaket och till och med sätt att få ett gratis certifikatsvoucher. Detta är en sida du vill bokmärka och kolla då och då eftersom vi byter ut innehåll minst varje månad.
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Gå med i en global gemenskap av studentambassadörer, det kan vara din väg in i Microsoft.
# Komma igång
@ -69,62 +79,62 @@ Kom igång med följande resurser:
- **[Installationsguide](INSTALLATION.md)** - Steg-för-steg installationsinstruktioner för nybörjare
- **[Användarguide](USAGE.md)** - Exempel och vanliga arbetsflöden
- **[Felsökning](TROUBLESHOOTING.md)** - Lösningar på vanliga problem
- **[Bidragsguide](CONTRIBUTING.md)** - Hur du bidrar till detta projekt
- **[För lärare](for-teachers.md)** - Undervisningsvägledning och klassrumsresurser
- **[Bidragsguide](CONTRIBUTING.md)** - Hur man bidrar till detta projekt
- **[För lärare](for-teachers.md)** - Undervisningsvägledning och klassrumresurser
## 👨‍🎓 För studenter
> **Helt nybörjare**: Ny inom data science? Börja med våra [nybörjarvänliga exempel](examples/README.md)! Dessa enkla, välkommenterade exempel hjälper dig att förstå grunderna innan du dyker in i hela läroplanen.
> **[Studenter](https://aka.ms/student-page)**: för att använda denna läroplan på egen hand, forka hela repot och slutför övningarna själv, börja med ett för-lecture quiz. Läs sedan lektionen och slutför resten av aktiviteterna. Försök att skapa projekten genom att förstå lektionerna snarare än att kopiera lösningskoden; dock är den koden tillgänglig i /solutions-mapparna i varje projektsorienterad lektion. En annan idé är att skapa en studiegrupp med vänner och gå igenom innehållet tillsammans. För vidare studier rekommenderar vi [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
> **Fullständiga nybörjare**: Nybörjare på data science? Börja med våra [nybörjarvänliga exempel](examples/README.md)! Dessa enkla, välkommenterade exempel hjälper dig att förstå grunderna innan du dyker in i hela läroplanen.
> **[Studenter](https://aka.ms/student-page)**: för att använda denna läroplan själv, forka hela repo och slutför övningarna själv, börja med ett för-lecture quiz. Läs sedan föreläsningen och slutför resten av aktiviteterna. Försök att skapa projekten genom att förstå lektionerna snarare än att kopiera lösningskoden; dock finns den koden tillgänglig i /solutions-mapparna i varje projektorienterad lektion. En annan idé är att bilda en studiekrets med vänner och gå igenom innehållet tillsammans. För vidare studier rekommenderar vi [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
**Snabbstart:**
1. Kontrollera [Installationsguiden](INSTALLATION.md) för att ställa in din miljö
2. Granska [Användarguiden](USAGE.md) för att lära dig hur man arbetar med läroplanen
3. Börja med Lektion 1 och arbeta sekventiellt igenom materialet
4. Gå med i vår [Discord-community](https://aka.ms/ds4beginners/discord) för support
1. Kolla [Installationsguiden](INSTALLATION.md) för att ställa in din miljö
2. Gå igenom [Användarguiden](USAGE.md) för att lära dig hur du använder läroplanen
3. Börja med Lektion 1 och arbeta dig igenom i ordning
4. Gå med i vårt [Discord-community](https://aka.ms/ds4beginners/discord) för stöd
## 👩‍🏫 För lärare
> **Lärare**: vi har [inkluderat några förslag](for-teachers.md) på hur man använder detta läroplan. Vi tar gärna emot din feedback [i vårt diskussionsforum](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
> **Lärare**: vi har [inkluderat några förslag](for-teachers.md) på hur du kan använda denna läroplan. Vi uppskattar gärna din feedback [i vårt diskussionsforum](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
## Möt teamet
[![Promo video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video")
**Gif av** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
> 🎥 Klicka på bilden ovan för en video om projektet och människorna som skapade det!
> 🎥 Klicka på bilden ovan för en video om projektet och personerna som skapade det!
## Pedagogik
Vi har valt två pedagogiska principer när vi byggde denna läroplan: att säkerställa att den är projektbaserad och att den inkluderar frekventa quiz. I slutet av denna serie kommer studenter ha lärt sig grundläggande principer för data science, inklusive etiska begrepp, datapreparering, olika sätt att arbeta med data, datavisualisering, dataanalys, verkliga användningsfall för data science och mer.
Vi har valt två pedagogiska principer när vi byggde denna läroplan: att säkerställa att den är projektbaserad och att den innehåller frekventa quiz. I slutet av denna serie kommer eleverna ha lärt sig grundläggande principer inom data science, inklusive etiska koncept, datapreparering, olika sätt att arbeta med data, datavisualisering, dataanalys, verkliga användningsfall av data science och mer.
Dessutom sätter ett för-quiz innan en lektion studentens intention i att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna läroplan är designad för att vara flexibel och rolig och kan tas i sin helhet eller delvis. Projekten börjar små och blir successivt mer komplexa under den 10 veckor långa cykeln.
Dessutom sätter ett lågintensivt quiz före en lektion elevens fokus mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna läroplan är utformad för att vara flexibel och rolig och kan genomföras helt eller delvis. Projekten börjar små och blir mer komplexa mot slutet av 10-veckorscykeln.
> Hitta våra [uppföranderegler](CODE_OF_CONDUCT.md), [bidragsriktlinjer](CONTRIBUTING.md), [översättningsriktlinjer](TRANSLATIONS.md). Vi välkomnar din konstruktiva feedback!
> Hitta våra [uppförandekoder](CODE_OF_CONDUCT.md), [bidragsriktlinjer](CONTRIBUTING.md), [översättningsriktlinjer](TRANSLATIONS.md). Vi välkomnar din konstruktiva feedback!
## Varje lektion innehåller:
## Varje lektion inkluderar:
- Valfri skissanteckning
- Valfri sketchnote
- Valfri kompletterande video
- Uppvärmningsquiz före lektion
- Uppvärmningsquiz före lektionen
- Skriftlig lektion
- För projektbaserade lektioner, steg-för-steg guider för att bygga projektet
- För projektbaserade lektioner, steg-för-steg-guider om hur du bygger projektet
- Kunskapskontroller
- En utmaning
- Kompletterande läsning
- Uppgift
- [Quiz efter lektionen](https://ff-quizzes.netlify.app/en/)
> **En notis om quiz:** Alla quiz finns i Quiz-App-mappen, totalt 40 quiz med tre frågor vardera. De länkas från lektionerna men quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionen i `quiz-app`-mappen. De håller på att lokalisera dem successivt.
> **En not om quiz:** Alla quiz finns i Quiz-App-mappen, totalt 40 quiz med tre frågor vardera. De är länkade från lektionerna, men quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionerna i `quiz-app`-mappen. De är successivt på väg att lokaliseras.
## 🎓 Börjarvänliga exempel
## 🎓 Nybörjarvänliga exempel
**Ny på Data Science?** Vi har skapat en särskild [exempelmapp](examples/README.md) med enkel, välkommenterad kod för att hjälpa dig att komma igång:
**Ny inom Data Science?** Vi har skapat en särskild [exempelkatalog](examples/README.md) med enkel, välkommenterad kod för att hjälpa dig att komma igång:
- 🌟 **Hello World** - Ditt första data science-program
- 📂 **Ladda Data** - Lär dig läsa och utforska dataset
- 📊 **Enkel Analys** - Beräkna statistik och hitta mönster
- 📈 **Grundläggande Visualisering** - Skapa diagram och grafer
- 🔬 **Verkligt Projekt** - Komplett arbetsflöde från början till slut
- 📂 **Ladda data** - Lär dig läsa och utforska datasets
- 📊 **Enkel analys** - Beräkna statistik och hitta mönster
- 📈 **Grundläggande visualisering** - Skapa diagram och grafer
- 🔬 **Verkligt projekt** - Komplett arbetsflöde från start till slut
Varje exempel innehåller detaljerade kommentarer som förklarar varje steg, perfekt för absoluta nybörjare!
@ -133,63 +143,63 @@ Varje exempel innehåller detaljerade kommentarer som förklarar varje steg, per
## Lektioner
|![ Skissanteckning av @sketchthedocs https://sketchthedocs.dev](../../translated_images/sv/00-Roadmap.4905d6567dff4753.webp)|
|![ Sketchnote av @sketchthedocs https://sketchthedocs.dev](../../translated_images/sv/00-Roadmap.4905d6567dff4753.webp)|
|:---:|
| Data Science För Nybörjare: Vägkarta - _Skissanteckning av [@nitya](https://twitter.com/nitya)_ |
| Lektion Nummer | Ämne | Lektion Grupp | Lärandemål | Länkad Lektion | Författare |
| :------------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
| 01 | Definiera Data Science | [Introduktion](1-Introduction/README.md) | Lär dig grundläggande koncept bakom data science och hur det relaterar till artificiell intelligens, maskininlärning och big data. | [lektion](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 02 | Data Science Etik | [Introduktion](1-Introduction/README.md) | Dataetik-koncept, utmaningar & ramverk. | [lektion](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
| 03 | Definiera Data | [Introduktion](1-Introduction/README.md) | Hur data klassificeras och dess vanliga källor. | [lektion](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | Introduktion till Statistik & Sannolikhet | [Introduktion](1-Introduction/README.md) | De matematiska teknikerna sannolikhet och statistik för att förstå data. | [lektion](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | Arbeta med Relationsdata | [Arbeta Med Data](2-Working-With-Data/README.md) | Introduktion till relationsdata och grunderna i att utforska och analysera relationsdata med Structured Query Language, även känt som SQL (uttalas ”se-kwel”). | [lektion](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | Arbeta med NoSQL Data | [Arbeta Med Data](2-Working-With-Data/README.md) | Introduktion till icke-relationsdata, dess olika typer och grunderna i att utforska och analysera dokumentdatabaser. | [lektion](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | Arbeta med Python | [Arbeta Med Data](2-Working-With-Data/README.md) | Grunderna i att använda Python för datautforskning med bibliotek som Pandas. Grundläggande förståelse för Python-programmering rekommenderas. | [lektion](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | Datapreparering | [Arbeta Med Data](2-Working-With-Data/README.md) | Ämnen om datatekniker för rengöring och omvandling av data för att hantera utmaningar med saknad, felaktig eller ofullständig data. | [lektion](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 09 | Visualisera Kvantiteter | [Datavisualisering](3-Data-Visualization/README.md) | Lär dig hur man använder Matplotlib för att visualisera fågeldatan 🦆 | [lektion](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
| 10 | Visualisera Datafördelningar | [Datavisualisering](3-Data-Visualization/README.md) | Visualisering av observationer och trender inom ett intervall. | [lektion](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 11 | Visualisera Proportioner | [Datavisualisering](3-Data-Visualization/README.md) | Visualisering av diskreta och grupperade procentandelar. | [lektion](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 12 | Visualisera Relationer | [Datavisualisering](3-Data-Visualization/README.md) | Visualisering av kopplingar och korrelationer mellan datamängder och deras variabler. | [lektion](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | Meningsfulla Visualiseringar | [Datavisualisering](3-Data-Visualization/README.md) | Tekniker och vägledning för att göra dina visualiseringar värdefulla för effektiv problemlösning och insikter. | [lektion](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | Introduktion till Data Science:s livscykel | [Livscykel](4-Data-Science-Lifecycle/README.md) | Introduktion till data science-livscykeln och dess första steg att erhålla och extrahera data. | [lektion](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 15 | Analysera | [Livscykel](4-Data-Science-Lifecycle/README.md) | Denna fas i data science-livscykeln fokuserar på tekniker för att analysera data. | [lektion](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
| 16 | Kommunikation | [Livscykel](4-Data-Science-Lifecycle/README.md) | Denna fas i data science-livscykeln fokuserar på att presentera insikterna från data på ett sätt som gör det enklare för beslutsfattare att förstå. | [lektion](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | Data Science i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Denna serie lektioner introducerar data science i molnet och dess fördelar. | [lektion](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 18 | Data Science i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Tränar modeller med Low Code-verktyg. |[lektion](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 19 | Data Science i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Distribuera modeller med Azure Machine Learning Studio. | [lektion](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 20 | Data Science i verkligheten | [I det vilda](6-Data-Science-In-Wild/README.md) | Data science-drivna projekt i verkliga världen. | [lektion](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
| Data Science för nybörjare: Färdplan - _Sketchnote av [@nitya](https://twitter.com/nitya)_ |
| Lektion Nummer | Ämne | Lektion Gruppering | Lärandemål | Länkad Lektion | Författare |
| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
| 01 | Definiera Data Science | [Introduktion](1-Introduction/README.md) | Lär dig grundläggande koncept inom data science och hur det relaterar till artificiell intelligens, maskininlärning och big data. | [lektionen](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 02 | Data Science Etik | [Introduktion](1-Introduction/README.md) | Etiska koncept inom data, utmaningar och ramverk. | [lektionen](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
| 03 | Definiera Data | [Introduktion](1-Introduction/README.md) | Hur data klassificeras och dess vanliga källor. | [lektionen](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | Introduktion till statistik & sannolikhet | [Introduktion](1-Introduction/README.md) | Matematiska tekniker för sannolikhet och statistik för att förstå data. | [lektionen](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | Arbeta med relationell data | [Arbeta med data](2-Working-With-Data/README.md) | Introduktion till relationell data och grunderna för att utforska och analysera relationell data med Structured Query Language, även känt som SQL (uttalas "see-quell"). | [lektionen](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | Arbeta med NoSQL-data | [Arbeta med data](2-Working-With-Data/README.md) | Introduktion till icke-relationell data, dess olika typer och grunderna för att utforska och analysera dokumentdatabaser. | [lektionen](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | Arbeta med Python | [Arbeta med data](2-Working-With-Data/README.md) | Grunderna i att använda Python för datautforskning med bibliotek som Pandas. Grundläggande förståelse för Python-programmering rekommenderas. | [lektionen](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | Datapreparering | [Arbeta med data](2-Working-With-Data/README.md) | Ämnen kring datatekniker för att rensa och transformera data för att hantera utmaningar med saknad, felaktig eller ofullständig data. | [lektionen](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 09 | Visualisera mängder | [Datavisualisering](3-Data-Visualization/README.md) | Lär dig använda Matplotlib för att visualisera fågeldatan 🦆 | [lektionen](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
| 10 | Visualisera datadistribution | [Datavisualisering](3-Data-Visualization/README.md) | Visualisera observationer och trender inom ett intervall. | [lektionen](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 11 | Visualisera proportioner | [Datavisualisering](3-Data-Visualization/README.md) | Visualisera diskreta och grupperade procentandelar. | [lektionen](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 12 | Visualisera relationer | [Datavisualisering](3-Data-Visualization/README.md) | Visualisera kopplingar och korrelationer mellan datasystem och deras variabler. | [lektionen](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | Meningsfulla visualiseringar | [Datavisualisering](3-Data-Visualization/README.md) | Tekniker och vägledning för att göra dina visualiseringar värdefulla för effektiv problemlösning och insikter. | [lektionen](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | Introduktion till data science-livscykeln | [Livscykel](4-Data-Science-Lifecycle/README.md) | Introduktion till data science-livscykeln och dess första steg att förvärva och extrahera data. | [lektionen](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 15 | Analysera | [Livscykel](4-Data-Science-Lifecycle/README.md) | Denna fas i data science-livscykeln fokuserar på tekniker för att analysera data. | [lektionen](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
| 16 | Kommunikation | [Livscykel](4-Data-Science-Lifecycle/README.md) | Denna fas i data science-livscykeln fokuserar på att presentera insikter från data på ett sätt som gör det enklare för beslutsfattare att förstå. | [lektionen](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | Data Science i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Denna serie lektioner introducerar data science i molnet och dess fördelar. | [lektionen](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 18 | Data Science i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Träna modeller med Low Code-verktyg. |[lektionen](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 19 | Data Science i molnet | [Molndata](5-Data-Science-In-Cloud/README.md) | Distribuera modeller med Azure Machine Learning Studio. | [lektionen](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) och [Maud](https://twitter.com/maudstweets) |
| 20 | Data Science "in the Wild" | [I det vilda](6-Data-Science-In-Wild/README.md) | Data science-drivna projekt i verkliga världen. | [lektionen](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
## GitHub Codespaces
Följ dessa steg för att öppna detta exempel i en Codespace:
1. Klicka på rullgardinsmenyn Code och välj alternativet Open with Codespaces.
2. Välj + New codespace längst ned i panelen.
För mer info, kolla in [GitHub-dokumentationen](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
1. Klicka på Code-rullgardinsmenyn och välj alternativet Öppna med Codespaces.
2. Välj + Ny codespace längst ned i panelen.
För mer info, se [GitHub-dokumentationen](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
## VSCode Remote - Containers
Följ dessa steg för att öppna detta repo i en container med din lokala maskin och VSCode med hjälp av VS Code Remote - Containers-tillägget:
1. Om detta är första gången du använder en utvecklingscontainer, säkerställ att ditt system uppfyller förutsättningarna (t.ex. ha Docker installerat) enligt [kom igång-dokumentationen](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
1. Om detta är första gången du använder en utvecklingscontainer, se till att ditt system uppfyller förutsättningarna (dvs. ha Docker installerat) i [kom igång-dokumentationen](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
För att använda detta repository kan du antingen öppna repositoryt i en isolerad Docker-volym:
För att använda detta repo kan du antingen öppna repot i en isolerad Docker-volym:
**Notera**: Under huven används Remote-Containers: **Clone Repository in Container Volume...**-kommandot för att klona källkoden i en Docker-volym istället för det lokala filsystemet. [Volymer](https://docs.docker.com/storage/volumes/) är den föredragna mekanismen för att bevara container-data.
**Observera**: Under huven kommer detta att använda Remote-Containers: **Clone Repository in Container Volume...**-kommandot för att klona källkoden i en Docker-volym istället för i det lokala filsystemet. [Volymer](https://docs.docker.com/storage/volumes/) är den föredragna metoden för att bevara container-data.
Eller öppna en lokalt klonad eller nedladdad version av repositoryt:
Eller öppna en lokalt klonad eller nedladdad version av repot:
- Klona detta repository till ditt lokala filsystem.
- Klona detta repo till ditt lokala filsystem.
- Tryck F1 och välj kommandot **Remote-Containers: Open Folder in Container...**.
- Välj den klonade kopian av denna mapp, vänta på att containern startar och prova.
- Välj den klonade kopian av denna mapp, vänta på att containern startar, och testa.
## Offlinetillgång
## Offlineåtkomst
Du kan köra denna dokumentation offline med hjälp av [Docsify](https://docsify.js.org/#/). Fork detta repo, [installera Docsify](https://docsify.js.org/#/quickstart) på din lokala maskin, och skriv sedan i rotmappen till detta repo `docsify serve`. Webbplatsen kommer att finnas på port 3000 på din localhost: `localhost:3000`.
Du kan köra denna dokumentation offline genom att använda [Docsify](https://docsify.js.org/#/). Forka detta repo, [installera Docsify](https://docsify.js.org/#/quickstart) på din lokala maskin, och sedan i rotmappen av detta repo, skriv `docsify serve`. Webbplatsen kommer att serveras på port 3000 på din localhost: `localhost:3000`.
> Observera att notebooks inte kommer att visas via Docsify, så när du behöver köra en notebook, gör det separat i VS Code med en Python-kärna.
> Observera, notebooks renderas inte via Docsify, så när du behöver köra en notebook, gör det separat i VS Code med en Python-kärna.
## Andra Läroplaner
## Andra läroplaner
Vårt team producerar andra läroplaner! Kolla in:
@ -207,15 +217,15 @@ Vårt team producerar andra läroplaner! Kolla in:
[![AI-agenter för nybörjare](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Generativ AI-serie
### Series med generativ AI
[![Generativ AI för nybörjare](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Generativ AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[![Generativ AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[![Generativ AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Kärninlärning
[![ML för nybörjare](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[![Data Science för nybörjare](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
@ -226,22 +236,22 @@ Vårt team producerar andra läroplaner! Kolla in:
[![XR-utveckling för nybörjare](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Copilot-serie
[![Copilot för AI-parprogrammering](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot för C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![Copilot Äventyr](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
[![Copilot-äventyr](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## Få hjälp
**Står du inför problem?** Kolla vår [Felsökningsguide](TROUBLESHOOTING.md) för lösningar på vanliga problem.
**Stöter du på problem?** Kolla in vår [Felsökningsguide](TROUBLESHOOTING.md) för lösningar på vanliga problem.
Om du fastnar eller har frågor om att bygga AI-appar. Gå med bland andra lärande och erfarna utvecklare i diskussioner om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas öppet.
Om du kör fast eller har frågor om att bygga AI-appar. Gå med i samtal med andra lärande och erfarna utvecklare om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt.
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
Om du har produktfeedback eller stöter på fel under utveckling, besök:
Om du har produktfeedback eller hittar fel under utveckling, besök:
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
@ -249,5 +259,5 @@ Om du har produktfeedback eller stöter på fel under utveckling, besök:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfriskrivning**:
Detta dokument har översatts med hjälp av den AI-baserade översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet bör du vara medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på originalspråket ska betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet är det viktigt att vara medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess originalspråk ska betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår vid användning av denna översättning.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

2
translations/sv/sketchnotes/README.md
Unescape View File

@ -4,7 +4,7 @@ Hitta alla sketchnotes här!
Nitya Narasimhan, konstnär
![roadmap sketchnote](../../../translated_images/sv/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.png)
![roadmap sketchnote](../../../translated_images/sv/00-Roadmap.4905d6567dff4753.webp)
---

22
translations/th/.co-op-translator.json
Unescape View File

@ -11,12 +11,24 @@
"source_file": "1-Introduction/01-defining-data-science/assignment.md",
"language_code": "th"
},
"1-Introduction/01-defining-data-science/notebook.ipynb": {
"original_hash": "8f5eb7b3f7cc89e6d98fb32e1de65dec",
"translation_date": "2026-02-27T09:34:20+00:00",
"source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
"language_code": "th"
},
"1-Introduction/01-defining-data-science/solution/assignment.md": {
"original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
"translation_date": "2025-08-26T21:35:25+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
"language_code": "th"
},
"1-Introduction/01-defining-data-science/solution/notebook.ipynb": {
"original_hash": "090bbfbfcb0c40d3d6e3236f836164ea",
"translation_date": "2026-02-27T09:35:06+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
"language_code": "th"
},
"1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
"translation_date": "2025-10-03T16:35:25+00:00",
@ -95,6 +107,12 @@
"source_file": "2-Working-With-Data/07-python/assignment.md",
"language_code": "th"
},
"2-Working-With-Data/07-python/notebook-covidspread.ipynb": {
"original_hash": "6335cccba01dc6ad7b15aba7a8c73f38",
"translation_date": "2026-02-27T09:36:01+00:00",
"source_file": "2-Working-With-Data/07-python/notebook-covidspread.ipynb",
"language_code": "th"
},
"2-Working-With-Data/08-data-preparation/README.md": {
"original_hash": "1b560955ff39a2bcf2a049fce474a951",
"translation_date": "2025-09-05T21:27:42+00:00",
@ -360,8 +378,8 @@
"language_code": "th"
},
"README.md": {
"original_hash": "9204a2806964384a56f5cb0f22bbe953",
"translation_date": "2026-02-06T08:18:17+00:00",
"original_hash": "f671e295a294a2559fc59d1524e001b4",
"translation_date": "2026-02-27T09:41:40+00:00",
"source_file": "README.md",
"language_code": "th"
},

4
translations/th/1-Introduction/01-defining-data-science/README.md
Unescape View File

@ -6,7 +6,7 @@
---
[![วิดีโอการนิยามวิทยาศาสตร์ข้อมูล](../../../../translated_images/th/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.png)](https://youtu.be/beZ7Mb_oz9I)
[![วิดีโอการนิยามวิทยาศาสตร์ข้อมูล](../../../../translated_images/th/video-def-ds.6623ee2392ef1abf.webp)](https://youtu.be/beZ7Mb_oz9I)
## [แบบทดสอบก่อนการบรรยาย](https://ff-quizzes.netlify.app/en/ds/quiz/0)
@ -145,7 +145,7 @@
ในความท้าทายนี้ เราจะพยายามค้นหาแนวคิดที่เกี่ยวข้องกับสาขาวิทยาศาสตร์ข้อมูลโดยการดูจากข้อความ เราจะนำบทความ Wikipedia เกี่ยวกับวิทยาศาสตร์ข้อมูลมาดาวน์โหลดและประมวลผลข้อความ จากนั้นสร้าง Word Cloud แบบนี้:
![Word Cloud for Data Science](../../../../translated_images/th/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.png)
![Word Cloud for Data Science](../../../../translated_images/th/ds_wordcloud.664a7c07dca57de0.webp)
เยี่ยมชม [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') เพื่ออ่านโค้ด คุณยังสามารถรันโค้ดและดูว่ามันทำการแปลงข้อมูลแบบเรียลไทม์อย่างไร

91
translations/th/1-Introduction/01-defining-data-science/notebook.ipynb
Unescape View File

@ -3,15 +3,15 @@
{
"cell_type": "markdown",
"source": [
"# ความท้าทาย: วิเคราะห์ข้อความเกี่ยวกับวิทยาศาสตร์ข้อมูล\n",
"# ความท้าทาย: การวิเคราะห์ข้อความเกี่ยวกับวิทยาศาสตร์ข้อมูล\n",
"\n",
"ในตัวอย่างนี้ เราจะทำแบบฝึกหัดง่ายๆ ที่ครอบคลุมทุกขั้นตอนของกระบวนการวิทยาศาสตร์ข้อมูลแบบดั้งเดิม คุณไม่จำเป็นต้องเขียนโค้ดใดๆ เพียงแค่คลิกที่เซลล์ด้านล่างเพื่อรันและสังเกตผลลัพธ์ ในฐานะความท้าทาย คุณสามารถลองใช้โค้ดนี้กับข้อมูลที่แตกต่างกันได้\n",
"ในตัวอย่างนี้ ให้เราทำแบบฝึกหัดง่าย ๆ ที่ครอบคลุมทุกขั้นตอนของกระบวนการวิทยาศาสตร์ข้อมูลแบบดั้งเดิม คุณไม่จำเป็นต้องเขียนโค้ดใด ๆ คุณสามารถคลิกที่เซลล์ด้านล่างเพื่อรันและสังเกตผลลัพธ์ได้เลย ในฐานะความท้าทาย คุณได้รับการสนับสนุนให้ลองใช้โค้ดนี้กับข้อมูลต่าง ๆ\n",
"\n",
"## เป้าหมาย\n",
"\n",
"ในบทเรียนนี้ เราได้พูดคุยเกี่ยวกับแนวคิดต่างๆ ที่เกี่ยวข้องกับวิทยาศาสตร์ข้อมูล ลองมาค้นหาแนวคิดที่เกี่ยวข้องเพิ่มเติมโดยการทำ **การขุดข้อความ** กัน เราจะเริ่มต้นด้วยข้อความเกี่ยวกับวิทยาศาสตร์ข้อมูล ดึงคำสำคัญออกมา และพยายามแสดงผลลัพธ์ในรูปแบบภาพ\n",
"ในบทเรียนนี้ เราได้พูดคุยเกี่ยวกับแนวคิดต่าง ๆ ที่เกี่ยวข้องกับวิทยาศาสตร์ข้อมูล ลองมาค้นพบแนวคิดที่เกี่ยวข้องเพิ่มเติมโดยการทำ **การทำเหมืองข้อความ** เราจะเริ่มจากข้อความเกี่ยวกับวิทยาศาสตร์ข้อมูล ดึงคำสำคัญออกมา แล้วลองแสดงผลลัพธ์ในรูปแบบภาพ\n",
"\n",
"สำหรับข้อความ เราจะใช้หน้าที่เกี่ยวกับวิทยาศาสตร์ข้อมูลจาก Wikipedia:\n"
"สำหรับข้อความนี้ ฉันจะใช้หน้าข้อมูลของวิทยาศาสตร์ข้อมูลจากวิกิพีเดีย:\n"
],
"metadata": {}
},
@ -32,9 +32,9 @@
{
"cell_type": "markdown",
"source": [
"## ขั้นตอนที่ 1: การดึงข้อมูล\n",
"## Step 1: การรับข้อมูล\n",
"\n",
"ขั้นตอนแรกในกระบวนการวิทยาศาสตร์ข้อมูลคือการดึงข้อมูล เราจะใช้ไลบรารี `requests` เพื่อทำสิ่งนี้:\n"
"ขั้นตอนแรกในกระบวนการวิทยาศาสตร์ข้อมูลทุกขั้นตอนคือการรับข้อมูล เราจะใช้ไลบรารี `requests` เพื่อทำเช่นนั้น:\n"
],
"metadata": {}
},
@ -68,43 +68,41 @@
"source": [
"## ขั้นตอนที่ 2: การแปลงข้อมูล\n",
"\n",
"ขั้นตอนถัดไปคือการแปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสมสำหรับการประมวลผล ในกรณีนี้ เราได้ดาวน์โหลดซอร์สโค้ด HTML จากหน้าเว็บมาแล้ว และเราจำเป็นต้องแปลงมันให้เป็นข้อความธรรมดา\n",
"ขั้นตอนต่อไปคือการแปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสมสำหรับการประมวลผล ในกรณีของเรา เราได้ดาวน์โหลดซอร์สโค้ด HTML จากหน้าเว็บมาแล้ว และเราจำเป็นต้องแปลงมันเป็นข้อความธรรมดา\n",
"\n",
"มีหลายวิธีที่สามารถทำได้ เราจะใช้ [HTMLParser](https://docs.python.org/3/library/html.parser.html) ซึ่งเป็นออบเจ็กต์ที่มีอยู่ใน Python อยู่แล้ว วิธีนี้ง่ายที่สุด เราจำเป็นต้องสร้างคลาสย่อยจากคลาส `HTMLParser` และกำหนดโค้ดที่จะรวบรวมข้อความทั้งหมดที่อยู่ภายในแท็ก HTML ยกเว้นแท็ก `<script>` และ `<style>`\n"
"มีหลายวิธีที่สามารถทำได้ เราจะใช้ [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/), ไลบรารี Python ที่ได้รับความนิยมสำหรับการแยกวิเคราะห์ HTML BeautifulSoup ช่วยให้เราสามารถเลือกองค์ประกอบ HTML เฉพาะเจาะจงได้ ดังนั้นเราสามารถเน้นไปที่เนื้อหาบทความหลักจาก Wikipedia และลดเมนูนำทางบางส่วน, แถบด้านข้าง, ส่วนท้าย และเนื้อหาอื่นๆ ที่ไม่เกี่ยวข้อง (แม้ว่าอาจจะยังมีข้อความบูทเลอร์เพียงเล็กน้อยเหลืออยู่)\n"
],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [
"ก่อนอื่น เราต้องติดตั้งไลบรารี BeautifulSoup สำหรับการแยกวิเคราะห์ HTML:\n"
],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": null,
"source": [
"import sys\r\n",
"!{sys.executable} -m pip install beautifulsoup4"
],
"outputs": [],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 64,
"source": [
"from html.parser import HTMLParser\r\n",
"\r\n",
"class MyHTMLParser(HTMLParser):\r\n",
" script = False\r\n",
" res = \"\"\r\n",
" def handle_starttag(self, tag, attrs):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = True\r\n",
" def handle_endtag(self, tag):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = False\r\n",
" def handle_data(self, data):\r\n",
" if str.strip(data)==\"\" or self.script:\r\n",
" return\r\n",
" self.res += ' '+data.replace('[ edit ]','')\r\n",
"\r\n",
"parser = MyHTMLParser()\r\n",
"parser.feed(text)\r\n",
"text = parser.res\r\n",
"print(text[:1000])"
"from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n selectors = [\r\n '.mw-jump-link',\r\n '.navbox',\r\n '.reflist',\r\n 'sup.reference',\r\n '.mw-editsection',\r\n '.hatnote',\r\n '.metadata',\r\n '.infobox',\r\n '#toc',\r\n '.toc',\r\n '.sidebar',\r\n ]\r\n for selector in selectors:\r\n for el in content_node.select(selector):\r\n el.decompose()\r\n\r\nif content:\r\n # Clean the content node to better approximate article text only.\r\n clean_wikipedia_content(content)\r\n text = content.get_text(separator=' ', strip=True)\r\n print(text[:1000])\r\nelse:\r\n print(\"Could not find main content. Using full page text.\")\r\n text = soup.get_text(separator=' ', strip=True)\r\n print(text[:1000])"
],
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
" Data science - Wikipedia Data science From Wikipedia, the free encyclopedia Jump to navigation Jump to search Interdisciplinary field of study focused on deriving knowledge and insights from data Not to be confused with information science . The existence of Comet NEOWISE (here depicted as a series of red dots) was discovered by analyzing astronomical survey data acquired by a space telescope , the Wide-field Infrared Survey Explorer . Part of a series on Machine learning and data mining Problems Classification Clustering Regression Anomaly detection AutoML Association rules Reinforcement learning Structured prediction Feature engineering Feature learning Online learning Semi-supervised learning Unsupervised learning Learning to rank Grammar induction Supervised learning ( classification  • regression ) Decision trees Ensembles Bagging Boosting Random forest k -NN Linear regression Naive Bayes Artificial neural networks Logistic regression Perceptron Relevance vector machine \n"
"Data science From Wikipedia, the free encyclopedia Interdisciplinary field of study focused on deriving knowledge and insights from data Data science is an interdisciplinary academic field that uses statistics, scientific computing, scientific methods, processes, algorithms and systems to extract or extrapolate knowledge and insights from noisy, structured, and unstructured data. Data science also integrates domain knowledge from the underlying application domain. Data science is multifaceted and can be described as a science, a research paradigm, a research method, a discipline, a workflow, and a profession.\n"
]
}
],
@ -113,11 +111,11 @@
{
"cell_type": "markdown",
"source": [
"## ขั้นตอนที่ 3: การวิเคราะห์ข้อมูลเชิงลึก\n",
"## Step 3: การได้มาซึ่งข้อมูลเชิงลึก\n",
"\n",
"ขั้นตอนที่สำคัญที่สุดคือการเปลี่ยนข้อมูลของเราให้อยู่ในรูปแบบที่สามารถนำไปวิเคราะห์เพื่อให้ได้ข้อมูลเชิงลึกได้ ในกรณีนี้ เราต้องการดึงคำสำคัญจากข้อความ และดูว่าคำสำคัญใดมีความหมายมากที่สุด\n",
"ขั้นตอนที่สำคัญที่สุดคือการเปลี่ยนข้อมูลของเราให้เป็นรูปแบบที่เราสามารถดึงข้อมูลเชิงลึกออกมาได้ ในกรณีของเรา เราต้องการสกัดคำสำคัญจากข้อความ และดูว่าคำใดมีความหมายมากกว่า\n",
"\n",
"เราจะใช้ไลบรารี Python ที่เรียกว่า [RAKE](https://github.com/aneesha/RAKE) สำหรับการดึงคำสำคัญ ก่อนอื่นให้ติดตั้งไลบรารีนี้ในกรณีที่ยังไม่มี:\n"
"เราจะใช้ไลบรารี Python ที่ชื่อว่า [RAKE](https://github.com/aneesha/RAKE) สำหรับการสกัดคำสำคัญ ก่อนอื่น ให้ติดตั้งไลบรารีนี้หากยังไม่มี:\n"
],
"metadata": {}
},
@ -162,7 +160,7 @@
{
"cell_type": "markdown",
"source": [
"ฟังก์ชันหลักสามารถใช้งานได้จากวัตถุ `Rake` ซึ่งเราสามารถปรับแต่งได้โดยใช้พารามิเตอร์บางตัว ในกรณีของเรา เราจะกำหนดความยาวขั้นต่ำของคีย์เวิร์ดไว้ที่ 5 ตัวอักษร ความถี่ขั้นต่ำของคีย์เวิร์ดในเอกสารไว้ที่ 3 และจำนวนคำสูงสุดในคีย์เวิร์ดไว้ที่ 2 คุณสามารถทดลองปรับค่าอื่นๆ และสังเกตผลลัพธ์ได้ตามต้องการ\n"
"ฟังก์ชันหลักสามารถใช้งานได้จากวัตถุ `Rake` ซึ่งเราสามารถปรับแต่งได้โดยใช้พารามิเตอร์บางอย่าง ในกรณีของเรา เราจะตั้งค่าความยาวขั้นต่ำของคำสำคัญเป็น 5 ตัวอักษร ความถี่ขั้นต่ำของคำสำคัญในเอกสารเป็น 3 และจำนวนคำสูงสุดในคำสำคัญเป็น 2 คุณสามารถลองปรับค่าต่างๆ และสังเกตผลลัพธ์ได้ตามสะดวก\n"
],
"metadata": {}
},
@ -211,11 +209,12 @@
{
"cell_type": "markdown",
"source": [
"เราได้รายการคำศัพท์พร้อมกับระดับความสำคัญที่เกี่ยวข้องมาแล้ว ดังที่คุณเห็น สาขาที่เกี่ยวข้องมากที่สุด เช่น การเรียนรู้ของเครื่องและบิ๊กดาต้า อยู่ในตำแหน่งบนสุดของรายการ\n",
"\n",
"## ขั้นตอนที่ 4: การแสดงผลลัพธ์ในรูปแบบภาพ\n",
"เราได้รับรายการคำศัพท์พร้อมกับระดับความสำคัญที่เกี่ยวข้อง ดังที่คุณเห็น สาขาวิชาที่เกี่ยวข้องมากที่สุด เช่น การเรียนรู้ของเครื่องและบิ๊กดาต้า ปรากฏอยู่ในรายการในตำแหน่งสูงสุด\n",
"\n",
"ผู้คนสามารถตีความข้อมูลได้ดีที่สุดเมื่ออยู่ในรูปแบบภาพ ดังนั้นจึงมักมีเหตุผลที่จะนำข้อมูลมาแสดงในรูปแบบภาพเพื่อดึงข้อมูลเชิงลึกบางอย่างออกมา เราสามารถใช้ไลบรารี `matplotlib` ใน Python เพื่อสร้างกราฟแสดงการกระจายตัวของคำสำคัญพร้อมกับความเกี่ยวข้องของพวกมัน:\n"
"## ขั้นตอนที่ 4: การแสดงผลลัพธ์ด้วยภาพ\n",
"\n",
"ผู้คนสามารถตีความข้อมูลได้ดีที่สุดในรูปแบบภาพ ดังนั้นจึงมักมีเหตุผลที่จะนำข้อมูลไปแสดงผลด้วยภาพเพื่อดึงเอาข้อมูลเชิงลึกบางอย่างออกมา เราสามารถใช้ไลบรารี `matplotlib` ในภาษาไพธอนเพื่อวาดการกระจายอย่างง่ายของคีย์เวิร์ดพร้อมความเกี่ยวข้องของพวกมัน:\n"
],
"metadata": {}
},
@ -252,7 +251,7 @@
{
"cell_type": "markdown",
"source": [
"อย่างไรก็ตาม ยังมีวิธีที่ดีกว่าในการแสดงความถี่ของคำ - โดยใช้ **Word Cloud** เราจะต้องติดตั้งไลบรารีอีกตัวเพื่อสร้าง Word Cloud จากรายการคำสำคัญของเรา\n"
"อย่างไรก็ตาม มีวิธีที่ดียิ่งขึ้นในการแสดงความถี่ของคำ - โดยใช้ **Word Cloud** เราจะต้องติดตั้งไลบรารีอีกตัวเพื่อวาด word cloud จากรายการคีย์เวิร์ดของเรา\n"
],
"metadata": {}
},
@ -268,7 +267,7 @@
{
"cell_type": "markdown",
"source": [
"วัตถุ `WordCloud` มีหน้าที่รับข้อความต้นฉบับหรือรายการคำที่คำนวณความถี่ไว้ล่วงหน้า และส่งคืนภาพซึ่งสามารถแสดงผลได้โดยใช้ `matplotlib`:\n"
"อ็อบเจกต์ `WordCloud` มีหน้าที่รับข้อความต้นฉบับ หรือรายชื่อคำที่คำนวณความถี่ไว้ล่วงหน้า แล้วส่งกลับภาพ ซึ่งภาพนั้นสามารถแสดงผลโดยใช้ `matplotlib` ได้:\n"
],
"metadata": {}
},
@ -312,7 +311,7 @@
{
"cell_type": "markdown",
"source": [
"เรายังสามารถส่งข้อความต้นฉบับไปที่ `WordCloud` - มาดูกันว่าเราสามารถได้ผลลัพธ์ที่คล้ายกันหรือไม่:\n"
"เรายังสามารถส่งข้อความต้นฉบับเข้าไปใน `WordCloud` ได้เช่นกัน — มาดูกันว่าเราสามารถได้ผลลัพธ์ที่ใกล้เคียงกันหรือไม่:\n"
],
"metadata": {}
},
@ -372,11 +371,11 @@
{
"cell_type": "markdown",
"source": [
"คุณสามารถเห็นได้ว่า Word Cloud ตอนนี้ดูน่าประทับใจมากขึ้น แต่ก็ยังมีเสียงรบกวนอยู่มาก (เช่น คำที่ไม่เกี่ยวข้องอย่าง `Retrieved on`) นอกจากนี้ เรายังได้คีย์เวิร์ดที่มีสองคำ เช่น *data scientist* หรือ *computer science* น้อยลงอีกด้วย สาเหตุเป็นเพราะอัลกอริทึม RAKE ทำงานได้ดีกว่าในการเลือกคีย์เวิร์ดที่เหมาะสมจากข้อความ ตัวอย่างนี้แสดงให้เห็นถึงความสำคัญของการเตรียมข้อมูลและการทำความสะอาดข้อมูล เพราะภาพที่ชัดเจนในตอนท้ายจะช่วยให้เราตัดสินใจได้ดีขึ้น\n",
"คุณจะเห็นว่า word cloud ดูน่าประทับใจมากขึ้น แต่ก็ยังมีเสียงรบกวนมากมาย (เช่น คำที่ไม่เกี่ยวข้องอย่าง `Retrieved on`) นอกจากนี้ เรายังได้คีย์เวิร์ดที่มีสองคำลดน้อยลง เช่น *data scientist* หรือ *computer science* เนื่องจากอัลกอริทึม RAKE ทำงานได้ดีกว่าในการเลือกคีย์เวิร์ดที่ดีจากข้อความ ตัวอย่างนี้แสดงให้เห็นถึงความสำคัญของการประมวลผลและการทำความสะอาดข้อมูลล่วงหน้า เพราะภาพที่ชัดเจนในตอนท้ายจะช่วยให้เราตัดสินใจได้ดีขึ้น \n",
"\n",
"ในแบบฝึกหัดนี้ เราได้ผ่านกระบวนการง่าย ๆ ในการดึงความหมายบางอย่างจากข้อความใน Wikipedia ในรูปแบบของคีย์เวิร์ดและ Word Cloud ตัวอย่างนี้ค่อนข้างง่าย แต่ก็แสดงให้เห็นถึงขั้นตอนทั่วไปทั้งหมดที่นักวิทยาศาสตร์ข้อมูลจะทำเมื่อทำงานกับข้อมูล ตั้งแต่การได้มาซึ่งข้อมูลไปจนถึงการสร้างภาพข้อมูล\n",
"ในแบบฝึกหัดนี้ เราได้ผ่านกระบวนการง่ายๆ ในการดึงความหมายจากข้อความวิกิพีเดีย ในรูปแบบของคีย์เวิร์ดและ word cloud ตัวอย่างนี้ง่าย แต่แสดงให้เห็นขั้นตอนทั่วไปทั้งหมดที่นักวิทยาศาสตร์ข้อมูลจะทำเมื่อต้องทำงานกับข้อมูล เริ่มตั้งแต่การรับข้อมูลไปจนถึงการแสดงผล \n",
"\n",
"ในคอร์สของเรา เราจะพูดถึงทุกขั้นตอนเหล่านี้อย่างละเอียด\n"
"ในหลักสูตรของเราเราจะพูดคุยเกี่ยวกับขั้นตอนเหล่านั้นอย่างละเอียด\n"
],
"metadata": {}
},
@ -394,7 +393,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"\n---\n\n**ข้อจำกัดความรับผิดชอบ**: \nเอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์มืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้\n"
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ข้อจำกัดความรับผิดชอบ**:\nเอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาด้วย AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกถือเป็นแหล่งข้อมูลที่เป็นทางการ สำหรับข้อมูลที่มีความสำคัญ ควรใช้บริการแปลโดยผู้เชี่ยวชาญมนุษย์เป็นการแนะนำ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดขึ้นจากการใช้การแปลนี้\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
]
}
],
@ -418,12 +417,6 @@
},
"interpreter": {
"hash": "c28e7b6bf4e5b397b8288a85bf0a94ea8d3585ce2b01919feb195678ec71581b"
},
"coopTranslator": {
"original_hash": "50c0f0a5204a18405611cbe7e0fec56b",
"translation_date": "2025-09-02T10:09:03+00:00",
"source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
"language_code": "th"
}
},
"nbformat": 4,

90
translations/th/1-Introduction/01-defining-data-science/solution/notebook.ipynb
Unescape View File

@ -5,15 +5,15 @@
"source": [
"# ความท้าทาย: วิเคราะห์ข้อความเกี่ยวกับวิทยาศาสตร์ข้อมูล\n",
"\n",
"> *ในโน้ตบุ๊กนี้ เราจะทดลองใช้ URL ต่าง ๆ - บทความในวิกิพีเดียเกี่ยวกับการเรียนรู้ของเครื่อง คุณจะเห็นว่า บทความนี้มีคำศัพท์เฉพาะจำนวนมาก ซึ่งแตกต่างจากวิทยาศาสตร์ข้อมูล ทำให้การวิเคราะห์มีความยุ่งยากมากขึ้น เราจำเป็นต้องหาวิธีใหม่ในการทำความสะอาดข้อมูลหลังจากการดึงคำสำคัญ เพื่อกำจัดคำหรือวลีที่ปรากฏบ่อยแต่ไม่มีความหมายออกไป*\n",
"> *ในสมุดบันทึกนี้ เราทดลองใช้ URL ที่แตกต่างกัน - บทความวิกิพีเดียเกี่ยวกับการเรียนรู้ของเครื่อง คุณจะเห็นว่า แตกต่างจากวิทยาศาสตร์ข้อมูล บทความนี้มีคำศัพท์จำนวนมาก ซึ่งทำให้งานวิเคราะห์มีความท้าทายมากขึ้น เราต้องหาวิธีการอื่นในการทำความสะอาดข้อมูลหลังจากการสกัดคำสำคัญ เพื่อกำจัดชุดคำที่เกิดขึ้นบ่อยแต่ไม่มีความหมาย*\n",
"\n",
"ในตัวอย่างนี้ เรามาลองทำแบบฝึกหัดง่าย ๆ ที่ครอบคลุมทุกขั้นตอนของกระบวนการวิทยาศาสตร์ข้อมูลแบบดั้งเดิม คุณไม่จำเป็นต้องเขียนโค้ดใด ๆ เพียงแค่คลิกที่เซลล์ด้านล่างเพื่อรันและสังเกตผลลัพธ์ ในฐานะความท้าทาย คุณได้รับการสนับสนุนให้ลองใช้โค้ดนี้กับข้อมูลที่แตกต่างกัน\n",
"ในตัวอย่างนี้ มาทำแบบฝึกหัดง่ายๆ ที่ครอบคลุมทุกขั้นตอนของกระบวนการวิทยาศาสตร์ข้อมูลแบบดั้งเดิม คุณไม่จำเป็นต้องเขียนโค้ดใดๆ เพียงคลิกที่เซลล์ด้านล่างเพื่อรันและสังเกตผลลัพธ์ ในรูปแบบความท้าทาย คุณถูกกระตุ้นให้ลองใช้โค้ดนี้กับข้อมูลที่แตกต่างกัน\n",
"\n",
"## เป้าหมาย\n",
"\n",
"ในบทเรียนนี้ เราได้พูดคุยเกี่ยวกับแนวคิดต่าง ๆ ที่เกี่ยวข้องกับวิทยาศาสตร์ข้อมูล ลองค้นหาแนวคิดที่เกี่ยวข้องเพิ่มเติมโดยการทำ **การทำเหมืองข้อความ** เราจะเริ่มต้นด้วยข้อความเกี่ยวกับวิทยาศาสตร์ข้อมูล ดึงคำสำคัญออกมา และลองแสดงผลลัพธ์ในรูปแบบภาพ\n",
"ในบทเรียนนี้ เราได้พูดคุยเกี่ยวกับแนวคิดต่างๆ ที่เกี่ยวข้องกับวิทยาศาสตร์ข้อมูล ลองค้นพบแนวคิดเพิ่มเติมที่เกี่ยวข้องโดยการทำ **การทำเหมืองข้อความ** เราจะเริ่มด้วยข้อความเกี่ยวกับวิทยาศาสตร์ข้อมูล สกัดคำสำคัญจากนั้น และลองแสดงผลลัพธ์ในรูปแบบภาพ\n",
"\n",
"สำหรับข้อความ เราจะใช้หน้าบทความเกี่ยวกับวิทยาศาสตร์ข้อมูลจากวิกิพีเดีย:\n"
"สำหรับข้อความ ผมจะใช้หน้าบทความเกี่ยวกับวิทยาศาสตร์ข้อมูลจากวิกิพีเดีย:\n"
],
"metadata": {}
},
@ -35,9 +35,9 @@
{
"cell_type": "markdown",
"source": [
"## ขั้นตอนที่ 1: การดึงข้อมูล\n",
"## Step 1: การรับข้อมูล\n",
"\n",
"ขั้นตอนแรกในกระบวนการวิทยาศาสตร์ข้อมูลคือการดึงข้อมูล เราจะใช้ไลบรารี `requests` เพื่อทำสิ่งนี้:\n"
"ขั้นตอนแรกในทุกกระบวนการวิทยาศาสตร์ข้อมูลคือการรับข้อมูล เราจะใช้ไลบรารี `requests` เพื่อทำเช่นนั้น:\n"
],
"metadata": {}
},
@ -71,43 +71,41 @@
"source": [
"## ขั้นตอนที่ 2: การแปลงข้อมูล\n",
"\n",
"ขั้นตอนถัดไปคือการแปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสมสำหรับการประมวลผล ในกรณีนี้ เราได้ดาวน์โหลดซอร์สโค้ด HTML จากหน้าเว็บมาแล้ว และเราจำเป็นต้องแปลงมันให้เป็นข้อความธรรมดา\n",
"ขั้นตอนถัดไปคือการแปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสมสำหรับการประมวลผล ในกรณีของเรา เราได้ดาวน์โหลดรหัสต้นฉบับ HTML จากหน้าเว็บ และเราจำเป็นต้องแปลงมันเป็นข้อความธรรมดา\n",
"\n",
"มีหลายวิธีที่สามารถทำได้ เราจะใช้ [HTMLParser](https://docs.python.org/3/library/html.parser.html) ซึ่งเป็นออบเจกต์ที่มีอยู่ใน Python อยู่แล้ว วิธีนี้ง่ายที่สุด เราจำเป็นต้องสร้างคลาสย่อยจากคลาส `HTMLParser` และกำหนดโค้ดที่ใช้รวบรวมข้อความทั้งหมดที่อยู่ภายในแท็ก HTML ยกเว้นแท็ก `<script>` และ `<style>`\n"
"มีหลายวิธีที่สามารถทำได้ เราจะใช้ [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/) ซึ่งเป็นไลบรารี Python ที่ได้รับความนิยมสำหรับการแยกวิเคราะห์ HTML BeautifulSoup ช่วยให้เราสามารถกำหนดเป้าหมายไปยังองค์ประกอบ HTML เฉพาะเจาะจง ดังนั้นเราจึงสามารถมุ่งเน้นไปที่เนื้อหาหลักของบทความจาก Wikipedia และลดเมนูนำทาง แถบด้านข้าง ส่วนท้าย และเนื้อหาอื่นๆ ที่ไม่เกี่ยวข้องลงได้ (แม้ว่ายังอาจมีข้อความบูทสแตรปบางส่วนเหลืออยู่)\n"
],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [
"ก่อนอื่น เราจำเป็นต้องติดตั้งไลบรารี BeautifulSoup สำหรับการแยกวิเคราะห์ HTML:\n"
],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": null,
"source": [
"import sys\r\n",
"!{sys.executable} -m pip install beautifulsoup4"
],
"outputs": [],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 4,
"source": [
"from html.parser import HTMLParser\r\n",
"\r\n",
"class MyHTMLParser(HTMLParser):\r\n",
" script = False\r\n",
" res = \"\"\r\n",
" def handle_starttag(self, tag, attrs):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = True\r\n",
" def handle_endtag(self, tag):\r\n",
" if tag.lower() in [\"script\",\"style\"]:\r\n",
" self.script = False\r\n",
" def handle_data(self, data):\r\n",
" if str.strip(data)==\"\" or self.script:\r\n",
" return\r\n",
" self.res += ' '+data.replace('[ edit ]','')\r\n",
"\r\n",
"parser = MyHTMLParser()\r\n",
"parser.feed(text)\r\n",
"text = parser.res\r\n",
"print(text[:1000])"
"from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n selectors = [\r\n '.mw-jump-link',\r\n '.navbox',\r\n '.reflist',\r\n 'sup.reference',\r\n '.mw-editsection',\r\n '.hatnote',\r\n '.metadata',\r\n '.infobox',\r\n '#toc',\r\n '.toc',\r\n '.sidebar',\r\n ]\r\n for selector in selectors:\r\n for el in content_node.select(selector):\r\n el.decompose()\r\n\r\nif content:\r\n # Clean the content node to better approximate article text only.\r\n clean_wikipedia_content(content)\r\n text = content.get_text(separator=' ', strip=True)\r\n print(text[:1000])\r\nelse:\r\n print(\"Could not find main content. Using full page text.\")\r\n text = soup.get_text(separator=' ', strip=True)\r\n print(text[:1000])"
],
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
" Machine learning - Wikipedia Machine learning From Wikipedia, the free encyclopedia Jump to navigation Jump to search Study of algorithms that improve automatically through experience For the journal, see Machine Learning (journal) . \"Statistical learning\" redirects here. For statistical learning in linguistics, see statistical learning in language acquisition . Part of a series on Artificial intelligence Major goals Artificial general intelligence Planning Computer vision General game playing Knowledge reasoning Machine learning Natural language processing Robotics Approaches Symbolic Deep learning Bayesian networks Evolutionary algorithms Philosophy Ethics Existential risk Turing test Chinese room Control problem Friendly AI History Timeline Progress AI winter Technology Applications Projects Programming languages Glossary Glossary v t e Part of a series on Machine learning and data mining Problems Classification Clustering Regression Anomaly detection Data Cleaning AutoML Associ\n"
"Machine learning From Wikipedia, the free encyclopedia Study of algorithms that improve automatically through experience Machine learning (ML) is a field of study in artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data, and thus perform tasks without explicit instructions. Recently, artificial neural networks have been able to surpass many previous approaches in performance. ML finds application in many fields, including natural language processing, computer vision, speech recognition, email filtering, agriculture, and medicine.\n"
]
}
],
@ -116,11 +114,11 @@
{
"cell_type": "markdown",
"source": [
"## ขั้นตอนที่ 3: การดึงข้อมูลเชิงลึก\n",
"## Step 3: การรับข้อมูลเชิงลึก\n",
"\n",
"ขั้นตอนที่สำคัญที่สุดคือการเปลี่ยนข้อมูลของเราให้อยู่ในรูปแบบที่เราสามารถดึงข้อมูลเชิงลึกออกมาได้ ในกรณีนี้ เราต้องการดึงคำสำคัญจากข้อความ และดูว่าคำสำคัญใดมีความหมายมากที่สุด\n",
"ขั้นตอนที่สำคัญที่สุดคือการเปลี่ยนข้อมูลของเราให้อยู่ในรูปแบบที่เราสามารถดึงข้อมูลเชิงลึกได้ ในกรณีของเรา เราต้องการแยกคำสำคัญจากข้อความ และดูว่าคำสำคัญใดมีความหมายมากกว่า\n",
"\n",
"เราจะใช้ไลบรารี Python ที่ชื่อว่า [RAKE](https://github.com/aneesha/RAKE) สำหรับการดึงคำสำคัญ ก่อนอื่น มาติดตั้งไลบรารีนี้ในกรณีที่ยังไม่มี:\n"
"เราจะใช้ไลบรารี Python ที่ชื่อว่า [RAKE](https://github.com/aneesha/RAKE) สำหรับการแยกคำสำคัญ ก่อนอื่น ให้ติดตั้งไลบรารีนี้หากยังไม่มี:\n"
],
"metadata": {}
},
@ -172,7 +170,7 @@
{
"cell_type": "markdown",
"source": [
"ฟังก์ชันหลักสามารถใช้งานได้จากวัตถุ `Rake` ซึ่งเราสามารถปรับแต่งได้โดยใช้พารามิเตอร์บางตัว ในกรณีของเรา เราจะกำหนดความยาวขั้นต่ำของคีย์เวิร์ดไว้ที่ 5 ตัวอักษร ความถี่ขั้นต่ำของคีย์เวิร์ดในเอกสารไว้ที่ 3 และจำนวนคำสูงสุดในคีย์เวิร์ดไว้ที่ 2 คุณสามารถทดลองปรับค่าอื่นๆ และสังเกตผลลัพธ์ได้ตามต้องการ\n"
"ฟังก์ชันหลักสามารถใช้งานได้จากอ็อบเจ็กต์ `Rake` ซึ่งเราสามารถปรับแต่งได้โดยใช้พารามิเตอร์บางอย่าง ในกรณีของเรา เราจะตั้งค่าความยาวขั้นต่ำของคำสำคัญเป็น 5 ตัวอักษร ความถี่ขั้นต่ำของคำสำคัญในเอกสารเป็น 3 และจำนวนคำสูงสุดในคำสำคัญเป็น 2 รู้สึกอิสระที่จะทดลองค่าต่าง ๆ และสังเกตผลลัพธ์ได้ตามต้องการ\n"
],
"metadata": {}
},
@ -353,11 +351,11 @@
{
"cell_type": "markdown",
"source": [
"เราได้รายการคำศัพท์พร้อมกับระดับความสำคัญที่เกี่ยวข้องมาแล้ว ดังที่คุณเห็น สาขาที่เกี่ยวข้องมากที่สุด เช่น การเรียนรู้ของเครื่องและบิ๊กดาต้า ปรากฏอยู่ในตำแหน่งบนสุดของรายการ\n",
"เราได้รับรายการคำศัพท์พร้อมกับระดับความสำคัญที่เกี่ยวข้อง ดังที่คุณเห็น สาขาวิชาที่เกี่ยวข้องมากที่สุด เช่น การเรียนรู้ของเครื่องและบิ๊กดาต้า ปรากฏอยู่ในรายการในตำแหน่งที่สูง\n",
"\n",
"## ขั้นตอนที่ 4: การแสดงผลลัพธ์ในรูปแบบภาพ\n",
"## ขั้นตอนที่ 4: การแสดงผลลัพธ์ด้วยภาพ\n",
"\n",
"ผู้คนสามารถตีความข้อมูลได้ดีที่สุดในรูปแบบภาพ ดังนั้นจึงมักมีเหตุผลที่จะนำข้อมูลมาแสดงในรูปแบบภาพเพื่อดึงข้อมูลเชิงลึกบางอย่างออกมา เราสามารถใช้ไลบรารี `matplotlib` ใน Python เพื่อสร้างกราฟแสดงการกระจายตัวของคำสำคัญพร้อมกับความเกี่ยวข้องของพวกมัน:\n"
"ผู้คนสามารถตีความข้อมูลได้ดีที่สุดในรูปแบบภาพ ดังนั้นจึงมักมีเหตุผลที่จะต้องแสดงข้อมูลในรูปแบบภาพเพื่อสรุปข้อมูลบางอย่าง เราสามารถใช้ไลบรารี `matplotlib` ในภาษา Python เพื่อวาดการแจกแจงง่ายๆ ของคำสำคัญพร้อมความเกี่ยวข้องของพวกมันได้:\n"
],
"metadata": {}
},
@ -392,7 +390,7 @@
{
"cell_type": "markdown",
"source": [
"มีวิธีที่ดียิ่งขึ้นในการแสดงความถี่ของคำ - โดยใช้ **Word Cloud** เราจะต้องติดตั้งไลบรารีอีกตัวหนึ่งเพื่อสร้าง Word Cloud จากรายการคำสำคัญของเรา\n"
"อย่างไรก็ตาม มีวิธีที่ดียิ่งกว่านี้ในการแสดงความถี่ของคำ - โดยใช้ **Word Cloud** เราจะต้องติดตั้งไลบรารีอีกตัวหนึ่งเพื่อวาด word cloud จากรายการคำหลักของเรา\n"
],
"metadata": {}
},
@ -408,7 +406,7 @@
{
"cell_type": "markdown",
"source": [
"วัตถุ `WordCloud` มีหน้าที่รับข้อความต้นฉบับ หรือรายการคำที่คำนวณความถี่ไว้ล่วงหน้า และส่งคืนภาพ ซึ่งสามารถแสดงผลได้โดยใช้ `matplotlib`:\n"
"วัตถุ `WordCloud` มีหน้าที่รับข้อความต้นฉบับ หรือรายการคำที่คำนวณความถี่ล่วงหน้า และส่งคืนภาพ ซึ่งสามารถแสดงผลโดยใช้ `matplotlib`:\n"
],
"metadata": {}
},
@ -441,7 +439,7 @@
{
"cell_type": "markdown",
"source": [
"เรายังสามารถส่งข้อความต้นฉบับไปที่ `WordCloud` - มาดูกันว่าเราสามารถได้ผลลัพธ์ที่คล้ายกันหรือไม่:\n"
"เรายังสามารถส่งข้อความต้นฉบับเข้าไปใน `WordCloud` ได้ด้วย - มาดูกันว่าเราจะได้ผลลัพธ์ที่คล้ายกันหรือไม่:\n"
],
"metadata": {}
},
@ -490,11 +488,11 @@
{
"cell_type": "markdown",
"source": [
"คุณจะเห็นว่า word cloud ตอนนี้ดูน่าประทับใจมากขึ้น แต่ก็ยังมีเสียงรบกวนอยู่มาก (เช่น คำที่ไม่เกี่ยวข้องอย่าง `Retrieved on`) นอกจากนี้ เรายังได้คีย์เวิร์ดที่ประกอบด้วยสองคำ เช่น *data scientist* หรือ *computer science* น้อยลงอีกด้วย นั่นเป็นเพราะอัลกอริทึม RAKE ทำงานได้ดีกว่าในการเลือกคีย์เวิร์ดที่เหมาะสมจากข้อความ ตัวอย่างนี้แสดงให้เห็นถึงความสำคัญของการเตรียมและทำความสะอาดข้อมูล เพราะการมีภาพที่ชัดเจนในตอนท้ายจะช่วยให้เราตัดสินใจได้ดีขึ้น\n",
"คุณสามารถเห็นว่ากระจุกคำตอนนี้ดูน่าประทับใจมากขึ้น แต่ก็ยังมีเสียงรบกวนจำนวนมาก (เช่น คำที่ไม่เกี่ยวข้องอย่าง `Retrieved on`) นอกจากนี้ เรายังได้คำหลักที่ประกอบด้วยสองคำลดลง เช่น *data scientist* หรือ *computer science* นี่เป็นเพราะอัลกอริทึม RAKE ทำงานได้ดีกว่าในการเลือกคำหลักที่ดีจากข้อความ ตัวอย่างนี้แสดงให้เห็นถึงความสำคัญของการเตรียมข้อมูลและการทำความสะอาดข้อมูล เพราะภาพที่ชัดเจนในตอนท้ายจะช่วยให้เราตัดสินใจได้ดีขึ้น\n",
"\n",
"ในแบบฝึกหัดนี้ เราได้ผ่านกระบวนการง่าย ๆ ในการดึงความหมายบางอย่างจากข้อความใน Wikipedia ในรูปแบบของคีย์เวิร์ดและ word cloud ตัวอย่างนี้ค่อนข้างเรียบง่าย แต่ก็แสดงให้เห็นถึงขั้นตอนทั่วไปทั้งหมดที่นักวิทยาศาสตร์ข้อมูลจะทำเมื่อทำงานกับข้อมูล ตั้งแต่การเก็บข้อมูลไปจนถึงการสร้างภาพ\n",
"ในการฝึกหัดครั้งนี้ เราได้ผ่านกระบวนการง่าย ๆ ของการสกัดความหมายบางอย่างจากข้อความวิกิพีเดีย ในรูปแบบของคำหลักและกระจุกคำ ตัวอย่างนี้ค่อนข้างง่าย แต่แสดงให้เห็นอย่างดีถึงทุกขั้นตอนทั่วไปที่นักวิทยาศาสตร์ข้อมูลจะทำเมื่อทำงานกับข้อมูล เริ่มตั้งแต่การได้มาซึ่งข้อมูล จนถึงการแสดงภาพข้อมูล\n",
"\n",
"ในคอร์สของเรา เราจะพูดถึงทุกขั้นตอนเหล่านี้อย่างละเอียด\n"
"ในหลักสูตรของเรา เราจะพูดคุยเกี่ยวกับทุกขั้นตอนเหล่านั้นอย่างละเอียด\n"
],
"metadata": {}
},
@ -502,7 +500,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"\n---\n\n**ข้อจำกัดความรับผิดชอบ**: \nเอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์มืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้\n"
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ข้อจำกัดความรับผิดชอบ**: \nเอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาด้วย AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าจะพยายามทำให้ถูกต้องแม่นยำ แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้องได้ เอกสารต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้การแปลโดยผู้เชี่ยวชาญที่เป็นมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใดๆ ที่เกิดจากการใช้การแปลนี้\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
]
}
],
@ -526,12 +524,6 @@
},
"interpreter": {
"hash": "86193a1ab0ba47eac1c69c1756090baa3b420b3eea7d4aafab8b85f8b312f0c5"
},
"coopTranslator": {
"original_hash": "dbdf34788efab64e5d817f1df38965a8",
"translation_date": "2025-09-02T10:23:15+00:00",
"source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
"language_code": "th"
}
},
"nbformat": 4,

14
translations/th/1-Introduction/04-stats-and-probability/README.md
Unescape View File

@ -6,7 +6,7 @@
ทฤษฎีสถิติและความน่าจะเป็นเป็นสองสาขาที่เกี่ยวข้องกันอย่างมากในคณิตศาสตร์ และมีความสำคัญอย่างยิ่งต่อวิทยาศาสตร์ข้อมูล แม้ว่าเราจะสามารถทำงานกับข้อมูลได้โดยไม่ต้องมีความรู้ทางคณิตศาสตร์ลึกซึ้ง แต่การมีความเข้าใจพื้นฐานบางอย่างก็ยังดีกว่า ที่นี่เราจะนำเสนอการแนะนำสั้น ๆ ที่จะช่วยให้คุณเริ่มต้นได้
[![วิดีโอแนะนำ](../../../../translated_images/th/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.png)](https://youtu.be/Z5Zy85g4Yjw)
[![วิดีโอแนะนำ](../../../../translated_images/th/video-prob-and-stats.e4282e5efa2f2543.webp)](https://youtu.be/Z5Zy85g4Yjw)
## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ds/quiz/6)
@ -30,7 +30,7 @@
เราสามารถพูดถึงความน่าจะเป็นของตัวแปรที่อยู่ในช่วงค่าที่กำหนด เช่น P(t<sub>1</sub>≤X<t<sub>2</sub>) ในกรณีนี้ การแจกแจงความน่าจะเป็นจะถูกอธิบายโดย **ฟังก์ชันความหนาแน่นของความน่าจะเป็น** p(x) โดยที่
![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/th/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.png)
![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/th/probability-density.a8aad29f17a14afb.webp)
การแจกแจงแบบต่อเนื่องที่เป็นแบบสม่ำเสมอเรียกว่า **การแจกแจงแบบสม่ำเสมอต่อเนื่อง** ซึ่งถูกนิยามในช่วงจำกัด ความน่าจะเป็นที่ค่าของ X อยู่ในช่วงที่มีความยาว l จะเป็นสัดส่วนกับ l และเพิ่มขึ้นจนถึง 1
@ -73,11 +73,11 @@
นี่คือกล่องแผนภาพที่แสดงค่าเฉลี่ย ค่าเมดียน และควอร์ไทล์สำหรับข้อมูลของเรา:
![Weight Box Plot](../../../../translated_images/th/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.png)
![Weight Box Plot](../../../../translated_images/th/weight-boxplot.1dbab1c03af26f8a.webp)
เนื่องจากข้อมูลของเรามีข้อมูลเกี่ยวกับ **บทบาท** ของผู้เล่นที่แตกต่างกัน เราสามารถสร้างกล่องแผนภาพตามบทบาทได้ - ซึ่งจะช่วยให้เราเข้าใจว่าค่าพารามิเตอร์แตกต่างกันอย่างไรในแต่ละบทบาท ครั้งนี้เราจะพิจารณาส่วนสูง:
![Box plot by role](../../../../translated_images/th/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.png)
![Box plot by role](../../../../translated_images/th/boxplot_byrole.036b27a1c3f52d42.webp)
แผนภาพนี้แสดงให้เห็นว่า โดยเฉลี่ยแล้ว ส่วนสูงของผู้เล่นตำแหน่งเบสแรกสูงกว่าส่วนสูงของผู้เล่นตำแหน่งเบสที่สอง ในบทเรียนนี้เราจะเรียนรู้วิธีการทดสอบสมมติฐานนี้อย่างเป็นทางการมากขึ้น และวิธีการแสดงให้เห็นว่าข้อมูลของเรามีความสำคัญทางสถิติในการแสดงผลลัพธ์นี้
@ -85,7 +85,7 @@
เพื่อดูว่าการแจกแจงของข้อมูลของเราเป็นอย่างไร เราสามารถสร้างกราฟที่เรียกว่า **ฮิสโตแกรม** แกน X จะมีจำนวนช่วงน้ำหนักที่แตกต่างกัน (เรียกว่า **bins**) และแกนตั้งจะแสดงจำนวนครั้งที่ตัวอย่างตัวแปรสุ่มอยู่ในช่วงที่กำหนด
![Histogram of real world data](../../../../translated_images/th/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.png)
![Histogram of real world data](../../../../translated_images/th/weight-histogram.bfd00caf7fc30b14.webp)
จากฮิสโตแกรมนี้คุณจะเห็นว่าค่าทั้งหมดกระจุกตัวอยู่รอบ ๆ น้ำหนักเฉลี่ยบางค่า และยิ่งเราออกห่างจากน้ำหนักนั้น - น้ำหนักที่มีค่านั้นจะยิ่งพบได้น้อยลง กล่าวคือ เป็นไปได้น้อยมากที่น้ำหนักของผู้เล่นเบสบอลจะต่างจากน้ำหนักเฉลี่ย ความแปรปรวนของน้ำหนักแสดงถึงขอบเขตที่น้ำหนักมีแนวโน้มที่จะต่างจากค่าเฉลี่ย
@ -102,7 +102,7 @@ samples = np.random.normal(mean,std,1000)
หากเราสร้างฮิสโตแกรมของตัวอย่างที่สร้างขึ้น เราจะเห็นภาพที่คล้ายกับภาพที่แสดงด้านบน และหากเราเพิ่มจำนวนตัวอย่างและจำนวน bins เราสามารถสร้างภาพการแจกแจงแบบปกติที่ใกล้เคียงกับอุดมคติมากขึ้น:
![Normal Distribution with mean=0 and std.dev=1](../../../../translated_images/th/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.png)
![Normal Distribution with mean=0 and std.dev=1](../../../../translated_images/th/normal-histogram.dfae0d67c202137d.webp)
*การแจกแจงแบบปกติที่มีค่าเฉลี่ย=0 และส่วนเบี่ยงเบนมาตรฐาน=1*
@ -222,7 +222,7 @@ array([[1. , 0.52959196],
ในกรณีของเรา ค่า 0.53 บ่งบอกว่ามีความสัมพันธ์บางอย่างระหว่างน้ำหนักและส่วนสูงของบุคคล เราสามารถสร้าง scatter plot ของค่าหนึ่งกับอีกค่าหนึ่งเพื่อดูความสัมพันธ์ในเชิงภาพ:
![Relationship between weight and height](../../../../translated_images/th/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.png)
![Relationship between weight and height](../../../../translated_images/th/weight-height-relationship.3f06bde4ca2aba99.webp)
> ตัวอย่างเพิ่มเติมเกี่ยวกับความสัมพันธ์และความแปรปรวนร่วมสามารถดูได้ใน [notebook ที่แนบมา](notebook.ipynb)

2
translations/th/1-Introduction/README.md
Unescape View File

@ -1,6 +1,6 @@
# บทนำสู่วิทยาศาสตร์ข้อมูล
![ข้อมูลในแอคชั่น](../../../translated_images/th/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.jpg)
![ข้อมูลในแอคชั่น](../../../translated_images/th/data.48e22bb7617d8d92.webp)
> ภาพถ่ายโดย <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> บน <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
ในบทเรียนนี้ คุณจะได้เรียนรู้ว่าวิทยาศาสตร์ข้อมูลถูกนิยามอย่างไร และพิจารณาประเด็นด้านจริยธรรมที่นักวิทยาศาสตร์ข้อมูลต้องคำนึงถึง นอกจากนี้ คุณจะได้เรียนรู้ว่าข้อมูลถูกนิยามอย่างไร รวมถึงพื้นฐานของสถิติและความน่าจะเป็น ซึ่งเป็นแกนหลักของวิชาการในวิทยาศาสตร์ข้อมูล

12
translations/th/2-Working-With-Data/07-python/README.md
Unescape View File

@ -4,7 +4,7 @@
| :-------------------------------------------------------------------------------------------------------: |
| การทำงานกับ Python - _Sketchnote โดย [@nitya](https://twitter.com/nitya)_ |
[![วิดีโอแนะนำ](../../../../translated_images/th/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.png)](https://youtu.be/dZjWOGbsN4Y)
[![วิดีโอแนะนำ](../../../../translated_images/th/video-ds-python.245247dc811db8e4.webp)](https://youtu.be/dZjWOGbsN4Y)
แม้ว่าฐานข้อมูลจะเป็นวิธีที่มีประสิทธิภาพในการจัดเก็บข้อมูลและเรียกใช้ข้อมูลด้วยภาษาคำสั่ง แต่การเขียนโปรแกรมเพื่อจัดการข้อมูลด้วยตัวเองถือเป็นวิธีที่ยืดหยุ่นที่สุด ในหลายกรณี การใช้คำสั่งฐานข้อมูลอาจมีประสิทธิภาพมากกว่า แต่ในบางกรณีที่ต้องการการประมวลผลข้อมูลที่ซับซ้อนมากขึ้น SQL อาจไม่สามารถทำได้ง่าย ๆ การประมวลผลข้อมูลสามารถเขียนได้ในทุกภาษาโปรแกรม แต่มีบางภาษาที่เหมาะสมกับการทำงานกับข้อมูลมากกว่า นักวิทยาศาสตร์ข้อมูลมักนิยมใช้ภาษาต่อไปนี้:
@ -63,7 +63,7 @@ print(f"Length of index is {len(idx)}")
items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
items_sold.plot()
```
![Time Series Plot](../../../../translated_images/th/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.png)
![Time Series Plot](../../../../translated_images/th/timeseries-1.80de678ab1cf727e.webp)
สมมติว่าในแต่ละสัปดาห์เราจัดงานเลี้ยงสำหรับเพื่อน ๆ และนำไอศกรีมเพิ่มอีก 10 แพ็คสำหรับงานเลี้ยง เราสามารถสร้าง series อีกตัวที่มี index เป็นสัปดาห์เพื่อแสดงสิ่งนี้:
```python
@ -74,7 +74,7 @@ additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"
total_items = items_sold.add(additional_items,fill_value=0)
total_items.plot()
```
![Time Series Plot](../../../../translated_images/th/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.png)
![Time Series Plot](../../../../translated_images/th/timeseries-2.aae51d575c55181c.webp)
> **หมายเหตุ** เราไม่ได้ใช้ syntax ง่าย ๆ `total_items+additional_items` หากเราใช้ syntax นี้ เราจะได้รับค่ามากมายที่เป็น `NaN` (*Not a Number*) ใน series ที่ได้ เนื่องจากมีค่าที่หายไปสำหรับบาง index point ใน series `additional_items` และการบวก `NaN` กับค่าใด ๆ จะให้ผลลัพธ์เป็น `NaN` ดังนั้นเราจำเป็นต้องระบุพารามิเตอร์ `fill_value` ระหว่างการบวก
@ -83,7 +83,7 @@ total_items.plot()
monthly = total_items.resample("1M").mean()
ax = monthly.plot(kind='bar')
```
![Monthly Time Series Averages](../../../../translated_images/th/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.png)
![Monthly Time Series Averages](../../../../translated_images/th/timeseries-3.f3147cbc8c624881.webp)
### DataFrame
@ -209,7 +209,7 @@ Data Scientist มักต้องสำรวจข้อมูล ดัง
เนื่องจากเราต้องการแสดงวิธีการจัดการกับข้อมูล เราขอเชิญคุณเปิด [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) และอ่านตั้งแต่ต้นจนจบ คุณยังสามารถรันเซลล์ และทำบาง Challenge ที่เราได้ทิ้งไว้ให้คุณในตอนท้าย
![COVID Spread](../../../../translated_images/th/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.png)
![COVID Spread](../../../../translated_images/th/covidspread.f3d131c4f1d260ab.webp)
> หากคุณไม่ทราบวิธีการรันโค้ดใน Jupyter Notebook ลองดู [บทความนี้](https://soshnikov.com/education/how-to-execute-notebooks-from-github/)
@ -231,7 +231,7 @@ Data Scientist มักต้องสำรวจข้อมูล ดัง
เปิด [`notebook-papers.ipynb`](notebook-papers.ipynb) และอ่านตั้งแต่ต้นจนจบ คุณยังสามารถรันเซลล์ และทำบาง Challenge ที่เราได้ทิ้งไว้ให้คุณในตอนท้าย
![Covid Medical Treatment](../../../../translated_images/th/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.png)
![Covid Medical Treatment](../../../../translated_images/th/covidtreat.b2ba59f57ca45fbc.webp)
## การประมวลผลข้อมูลภาพ

117
translations/th/2-Working-With-Data/07-python/notebook-covidspread.ipynb
View File

File diff suppressed because one or more lines are too long

2
translations/th/2-Working-With-Data/README.md
Unescape View File

@ -1,6 +1,6 @@
# การทำงานกับข้อมูล
![data love](../../../translated_images/th/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.jpg)
![data love](../../../translated_images/th/data-love.a22ef29e6742c852.webp)
> ภาพถ่ายโดย <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> บน <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
ในบทเรียนนี้ คุณจะได้เรียนรู้วิธีการต่าง ๆ ในการจัดการ ปรับเปลี่ยน และใช้งานข้อมูลในแอปพลิเคชัน คุณจะได้เรียนรู้เกี่ยวกับฐานข้อมูลเชิงสัมพันธ์และไม่เชิงสัมพันธ์ รวมถึงวิธีการจัดเก็บข้อมูลในฐานข้อมูลเหล่านี้ นอกจากนี้ คุณจะได้เรียนรู้พื้นฐานของการใช้ Python เพื่อจัดการข้อมูล และค้นพบวิธีการหลากหลายที่สามารถใช้ Python ในการจัดการและวิเคราะห์ข้อมูล

14
translations/th/3-Data-Visualization/12-visualization-relationships/README.md
Unescape View File

@ -42,7 +42,7 @@ honey.head()
```python
sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
```
![scatterplot 1](../../../../translated_images/th/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.png)
![scatterplot 1](../../../../translated_images/th/scatter1.5e1aa5fd6706c5d1.webp)
ตอนนี้ แสดงข้อมูลเดียวกันด้วยโทนสีของน้ำผึ้งเพื่อแสดงว่าราคาเปลี่ยนแปลงไปอย่างไรในแต่ละปี คุณสามารถทำได้โดยเพิ่มพารามิเตอร์ 'hue' เพื่อแสดงการเปลี่ยนแปลงในแต่ละปี:
@ -51,7 +51,7 @@ sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
```python
sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
```
![scatterplot 2](../../../../translated_images/th/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.png)
![scatterplot 2](../../../../translated_images/th/scatter2.c0041a58621ca702.webp)
ด้วยการเปลี่ยนชุดสีนี้ คุณจะเห็นได้ชัดเจนว่ามีการเปลี่ยนแปลงอย่างต่อเนื่องในราคาน้ำผึ้งต่อปอนด์ในแต่ละปี หากคุณดูชุดข้อมูลตัวอย่างเพื่อยืนยัน (เลือกดูรัฐหนึ่ง เช่น รัฐแอริโซนา) คุณจะเห็นรูปแบบของการเพิ่มขึ้นของราคาปีต่อปี โดยมีข้อยกเว้นเล็กน้อย:
@ -80,7 +80,7 @@ sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspec
```
คุณจะเห็นขนาดของจุดเพิ่มขึ้นเรื่อย ๆ
![scatterplot 3](../../../../translated_images/th/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.png)
![scatterplot 3](../../../../translated_images/th/scatter3.3c160a3d1dcb36b3.webp)
นี่เป็นกรณีง่าย ๆ ของอุปสงค์และอุปทานหรือไม่? เนื่องจากปัจจัยต่าง ๆ เช่น การเปลี่ยนแปลงสภาพภูมิอากาศและการล่มสลายของรังผึ้ง มีน้ำผึ้งน้อยลงสำหรับการซื้อในแต่ละปี และทำให้ราคาสูงขึ้น?
@ -95,7 +95,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
```
คำตอบ: ใช่ โดยมีข้อยกเว้นบางประการในปี 2003:
![line chart 1](../../../../translated_images/th/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.png)
![line chart 1](../../../../translated_images/th/line1.f36eb465229a3b1f.webp)
✅ เนื่องจาก Seaborn กำลังรวบรวมข้อมูลรอบเส้นเดียว มันจะแสดง "การวัดหลายครั้งที่แต่ละค่าของ x โดยการวางค่าเฉลี่ยและช่วงความเชื่อมั่น 95% รอบค่าเฉลี่ย" [แหล่งที่มา](https://seaborn.pydata.org/tutorial/relational.html) พฤติกรรมที่ใช้เวลานานนี้สามารถปิดได้โดยเพิ่ม `ci=None`
@ -105,7 +105,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
sns.relplot(x="year", y="totalprod", kind="line", data=honey);
```
![line chart 2](../../../../translated_images/th/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.png)
![line chart 2](../../../../translated_images/th/line2.a5b3493dc01058af.webp)
คำตอบ: ไม่จริง หากคุณดูการผลิตรวม ดูเหมือนว่ามันจะเพิ่มขึ้นในปีนั้น แม้ว่าปริมาณน้ำผึ้งที่ผลิตโดยทั่วไปจะลดลงในช่วงปีเหล่านี้
@ -130,7 +130,7 @@ sns.relplot(
```
ในภาพนี้ คุณสามารถเปรียบเทียบผลผลิตต่อรังและจำนวนรังในแต่ละปีแบบเคียงข้างกัน โดยตั้งค่าการจัดวาง wrap ที่ 3 สำหรับคอลัมน์:
![facet grid](../../../../translated_images/th/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.png)
![facet grid](../../../../translated_images/th/facet.6a34851dcd540050.webp)
สำหรับชุดข้อมูลนี้ ไม่มีสิ่งใดที่โดดเด่นเกี่ยวกับจำนวนรังและผลผลิตของมันในแต่ละปีและแต่ละรัฐ มีวิธีอื่นในการค้นหาความสัมพันธ์ระหว่างตัวแปรสองตัวนี้หรือไม่?
@ -153,7 +153,7 @@ sns.despine(right=False)
plt.ylabel('colony yield')
ax.figure.legend();
```
![superimposed plots](../../../../translated_images/th/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.png)
![superimposed plots](../../../../translated_images/th/dual-line.a4c28ce659603fab.webp)
แม้ว่าไม่มีสิ่งใดที่โดดเด่นในปี 2003 แต่ก็ช่วยให้เราจบบทเรียนนี้ด้วยโน้ตที่มีความสุขเล็กน้อย: แม้ว่าจำนวนรังจะลดลงโดยรวม แต่จำนวนรังก็เริ่มคงที่ แม้ว่าผลผลิตต่อรังจะลดลง

16
translations/th/3-Data-Visualization/R/09-visualization-quantities/README.md
Unescape View File

@ -58,7 +58,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
```
ในที่นี้ คุณติดตั้งแพ็กเกจ `ggplot2` และนำเข้ามาใน workspace โดยใช้คำสั่ง `library("ggplot2")` เพื่อสร้างกราฟใน ggplot ใช้ฟังก์ชัน `ggplot()` และระบุชุดข้อมูล ตัวแปร x และ y เป็น attribute ในกรณีนี้ เราใช้ฟังก์ชัน `geom_line()` เนื่องจากเราต้องการสร้างกราฟเส้น
![MaxWingspan-lineplot](../../../../../translated_images/th/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.png)
![MaxWingspan-lineplot](../../../../../translated_images/th/MaxWingspan-lineplot.b12169f99d26fdd2.webp)
คุณสังเกตเห็นอะไรทันที? ดูเหมือนว่าจะมีค่าผิดปกติอย่างน้อยหนึ่งค่า - นั่นคือความกว้างปีกที่ใหญ่มาก! ความกว้างปีกกว่า 2000 เซนติเมตรเท่ากับมากกว่า 20 เมตร - มี Pterodactyls อยู่ในมินนิโซตาหรือเปล่า? มาสำรวจเพิ่มเติมกันเถอะ
@ -76,7 +76,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
```
เราระบุมุมใน `theme` และระบุป้ายกำกับแกน x และ y ใน `xlab()` และ `ylab()` ตามลำดับ ส่วน `ggtitle()` ให้ชื่อกราฟ/แผนภูมิ
![MaxWingspan-lineplot-improved](../../../../../translated_images/th/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.png)
![MaxWingspan-lineplot-improved](../../../../../translated_images/th/MaxWingspan-lineplot-improved.04b73b4d5a59552a.webp)
แม้จะหมุนป้ายกำกับเป็น 45 องศา แต่ก็ยังอ่านยากเกินไป ลองใช้กลยุทธ์อื่น: แสดงป้ายกำกับเฉพาะค่าผิดปกติและตั้งป้ายกำกับภายในกราฟ คุณสามารถใช้กราฟกระจายเพื่อเพิ่มพื้นที่สำหรับการติดป้ายกำกับ:
@ -92,7 +92,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
คุณค้นพบอะไร?
![MaxWingspan-scatterplot](../../../../../translated_images/th/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.png)
![MaxWingspan-scatterplot](../../../../../translated_images/th/MaxWingspan-scatterplot.60dc9e0e19d32700.webp)
## กรองข้อมูลของคุณ
@ -111,7 +111,7 @@ ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
```
เราสร้าง dataframe ใหม่ชื่อ `birds_filtered` และสร้างกราฟกระจายอีกครั้ง โดยการกรองค่าผิดปกติออก ข้อมูลของคุณจะดูสอดคล้องและเข้าใจง่ายขึ้น
![MaxWingspan-scatterplot-improved](../../../../../translated_images/th/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.png)
![MaxWingspan-scatterplot-improved](../../../../../translated_images/th/MaxWingspan-scatterplot-improved.7d0af81658c65f3e.webp)
ตอนนี้เรามีชุดข้อมูลที่สะอาดขึ้นในแง่ของความกว้างปีก มาค้นพบข้อมูลเพิ่มเติมเกี่ยวกับนกเหล่านี้กัน
@ -154,7 +154,7 @@ birds_filtered %>% group_by(Category) %>%
```
ในตัวอย่างนี้ เราติดตั้งแพ็กเกจ [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) และ [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) เพื่อช่วยจัดการและจัดกลุ่มข้อมูลเพื่อสร้างกราฟแท่งแบบซ้อนกัน ก่อนอื่น คุณจัดกลุ่มข้อมูลตาม `Category` ของนกและสรุปคอลัมน์ `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan` จากนั้นสร้างกราฟแท่งโดยใช้แพ็กเกจ `ggplot2` และระบุสีสำหรับหมวดหมู่ต่างๆ และป้ายกำกับ
![Stacked bar chart](../../../../../translated_images/th/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.png)
![Stacked bar chart](../../../../../translated_images/th/stacked-bar-chart.0c92264e89da7b39.webp)
อย่างไรก็ตาม กราฟแท่งนี้อ่านยากเนื่องจากมีข้อมูลที่ไม่ได้จัดกลุ่มมากเกินไป คุณต้องเลือกเฉพาะข้อมูลที่คุณต้องการแสดงผล ดังนั้นมาดูความยาวของนกตามหมวดหมู่กัน
@ -169,7 +169,7 @@ ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
```
คุณนับค่าที่ไม่ซ้ำกันในคอลัมน์ `Category` และจัดเรียงข้อมูลลงใน dataframe ใหม่ชื่อ `birds_count` ข้อมูลที่จัดเรียงนี้จะถูกจัดระดับในลำดับเดียวกันเพื่อให้แสดงผลในลำดับที่จัดเรียงไว้ จากนั้นใช้ `ggplot2` เพื่อสร้างกราฟแท่ง โดย `coord_flip()` จะสร้างกราฟแท่งแนวนอน
![category-length](../../../../../translated_images/th/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.png)
![category-length](../../../../../translated_images/th/category-length.7e34c296690e85d6.webp)
กราฟแท่งนี้แสดงภาพที่ดีเกี่ยวกับจำนวนของนกในแต่ละหมวดหมู่ เพียงแค่ดู คุณจะเห็นว่าจำนวนมากที่สุดของนกในภูมิภาคนี้อยู่ในหมวด Ducks/Geese/Waterfowl มินนิโซตาเป็น 'ดินแดนแห่งทะเลสาบ 10,000 แห่ง' ดังนั้นจึงไม่น่าแปลกใจ!
@ -192,7 +192,7 @@ ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_fl
```
เราจัดกลุ่มข้อมูล `birds_filtered` ตาม `Category` และสร้างกราฟแท่ง
![comparing data](../../../../../translated_images/th/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.png)
![comparing data](../../../../../translated_images/th/comparingdata.f486a450d61c7ca5.webp)
ไม่มีอะไรน่าแปลกใจที่นี่: นกฮัมมิงเบิร์ดมีค่าความยาวสูงสุดน้อยที่สุดเมื่อเทียบกับนกกระทุงหรือนกห่าน ข้อมูลที่มีเหตุผลเป็นสิ่งที่ดี!
@ -204,7 +204,7 @@ ggplot(data=birds_grouped, aes(x=Category)) +
geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
coord_flip()
```
![super-imposed values](../../../../../translated_images/th/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.png)
![super-imposed values](../../../../../translated_images/th/superimposed-values.5363f0705a1da416.webp)
## 🚀 ความท้าทาย

20
translations/th/3-Data-Visualization/R/10-visualization-distributions/README.md
Unescape View File

@ -36,7 +36,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
geom_point() +
ggtitle("Max Length per order") + coord_flip()
```
![ความยาวสูงสุดต่ออันดับ](../../../../../translated_images/th/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.png)
![ความยาวสูงสุดต่ออันดับ](../../../../../translated_images/th/max-length-per-order.e5b283d952c78c12.webp)
นี่เป็นภาพรวมของการกระจายตัวทั่วไปของความยาวร่างกายต่ออันดับของนก แต่ไม่ใช่วิธีที่เหมาะสมที่สุดในการแสดงการกระจายตัวที่แท้จริง งานนี้มักจะทำโดยการสร้างฮิสโตแกรม (Histogram)
@ -48,7 +48,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
ggplot(data = birds_filtered, aes(x = MaxBodyMass)) +
geom_histogram(bins=10)+ylab('Frequency')
```
![การกระจายตัวในชุดข้อมูลทั้งหมด](../../../../../translated_images/th/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.png)
![การกระจายตัวในชุดข้อมูลทั้งหมด](../../../../../translated_images/th/distribution-over-the-entire-dataset.d22afd3fa96be854.webp)
ดังที่คุณเห็น นกส่วนใหญ่ในชุดข้อมูลกว่า 400 ตัวนี้มีมวลร่างกายสูงสุดต่ำกว่า 2000 ลองเปลี่ยนพารามิเตอร์ `bins` เป็นค่าที่สูงขึ้น เช่น 30 เพื่อดูข้อมูลเพิ่มเติม:
@ -56,7 +56,7 @@ ggplot(data = birds_filtered, aes(x = MaxBodyMass)) +
ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
```
![การกระจายตัว-30bins](../../../../../translated_images/th/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.png)
![การกระจายตัว-30bins](../../../../../translated_images/th/distribution-30bins.6a3921ea7a421bf7.webp)
แผนภูมินี้แสดงการกระจายตัวในลักษณะที่ละเอียดขึ้นเล็กน้อย คุณสามารถสร้างแผนภูมิที่ไม่เอนเอียงไปทางซ้ายมากเกินไปได้โดยการเลือกข้อมูลเฉพาะในช่วงที่กำหนด:
@ -68,7 +68,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
geom_histogram(bins=30)+ylab('Frequency')
```
![ฮิสโตแกรมที่กรองแล้ว](../../../../../translated_images/th/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.png)
![ฮิสโตแกรมที่กรองแล้ว](../../../../../translated_images/th/filtered-histogram.6bf5d2bfd8253322.webp)
✅ ลองใช้ตัวกรองและจุดข้อมูลอื่น ๆ เพื่อดูการกระจายตัวของข้อมูลทั้งหมด ลบตัวกรอง `['MaxBodyMass']` เพื่อแสดงการกระจายตัวที่มีป้ายกำกับ
@ -82,7 +82,7 @@ ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
```
ดูเหมือนว่าจะมีความสัมพันธ์ที่คาดหวังระหว่างสององค์ประกอบนี้ตามแกนที่คาดไว้ โดยมีจุดบรรจบที่แข็งแกร่งจุดหนึ่ง:
![แผนภูมิ 2 มิติ](../../../../../translated_images/th/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.png)
![แผนภูมิ 2 มิติ](../../../../../translated_images/th/2d-plot.c504786f439bd7eb.webp)
ฮิสโตแกรมทำงานได้ดีโดยค่าเริ่มต้นสำหรับข้อมูลเชิงตัวเลข แล้วถ้าคุณต้องการดูการกระจายตัวตามข้อมูลข้อความล่ะ?
## สำรวจชุดข้อมูลเพื่อดูการกระจายตัวโดยใช้ข้อมูลข้อความ
@ -113,7 +113,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
```
![การเปรียบเทียบความกว้างปีกและสถานะการอนุรักษ์](../../../../../translated_images/th/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.png)
![การเปรียบเทียบความกว้างปีกและสถานะการอนุรักษ์](../../../../../translated_images/th/wingspan-conservation-collation.4024e9aa6910866a.webp)
ดูเหมือนว่าจะไม่มีความสัมพันธ์ที่ดีระหว่างความกว้างปีกต่ำสุดและสถานะการอนุรักษ์ ลองทดสอบองค์ประกอบอื่น ๆ ในชุดข้อมูลโดยใช้วิธีนี้ คุณสามารถลองใช้ตัวกรองที่แตกต่างกันได้ คุณพบความสัมพันธ์ใดหรือไม่?
@ -127,7 +127,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
ggplot(data = birds_filtered_1, aes(x = MinWingspan)) +
geom_density()
```
![แผนภูมิความหนาแน่น](../../../../../translated_images/th/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.png)
![แผนภูมิความหนาแน่น](../../../../../translated_images/th/density-plot.675ccf865b76c690.webp)
คุณจะเห็นว่าแผนภูมินี้สะท้อนแผนภูมิก่อนหน้านี้สำหรับข้อมูลความกว้างปีกต่ำสุด เพียงแต่ดูราบรื่นขึ้นเล็กน้อย หากคุณต้องการแก้ไขเส้นที่ไม่ราบรื่นของ MaxBodyMass ในแผนภูมิที่สองที่คุณสร้าง คุณสามารถทำให้มันราบรื่นได้ดีมากโดยสร้างใหม่ด้วยวิธีนี้:
@ -135,7 +135,7 @@ ggplot(data = birds_filtered_1, aes(x = MinWingspan)) +
ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
geom_density()
```
![ความหนาแน่นของมวลร่างกาย](../../../../../translated_images/th/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.png)
![ความหนาแน่นของมวลร่างกาย](../../../../../translated_images/th/bodymass-smooth.d31ce526d82b0a1f.webp)
หากคุณต้องการเส้นที่ราบรื่น แต่ไม่ราบรื่นเกินไป ให้แก้ไขพารามิเตอร์ `adjust`:
@ -143,7 +143,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
geom_density(adjust = 1/5)
```
![มวลร่างกายที่ราบรื่นน้อยลง](../../../../../translated_images/th/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.png)
![มวลร่างกายที่ราบรื่นน้อยลง](../../../../../translated_images/th/less-smooth-bodymass.10f4db8b683cc17d.webp)
✅ อ่านเกี่ยวกับพารามิเตอร์ที่มีให้สำหรับแผนภูมิประเภทนี้และทดลองใช้!
@ -153,7 +153,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
geom_density(alpha=0.5)
```
![มวลร่างกายต่ออันดับ](../../../../../translated_images/th/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.png)
![มวลร่างกายต่ออันดับ](../../../../../translated_images/th/bodymass-per-order.9d2b065dd931b928.webp)
## 🚀 ความท้าทาย

6
translations/th/3-Data-Visualization/R/11-visualization-proportions/README.md
Unescape View File

@ -88,7 +88,7 @@ pie(grouped$count,grouped$class, main="Edible?")
```
และนี่คือแผนภูมิวงกลมที่แสดงสัดส่วนข้อมูลตามสองคลาสของเห็ดนี้ สิ่งสำคัญคือการจัดลำดับป้ายให้ถูกต้อง โดยเฉพาะในกรณีนี้ ดังนั้นอย่าลืมตรวจสอบลำดับที่สร้างอาร์เรย์ป้าย!
![pie chart](../../../../../translated_images/th/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.png)
![pie chart](../../../../../translated_images/th/pie1-wb.685df063673751f4.webp)
## โดนัท!
@ -123,7 +123,7 @@ library(webr)
PieDonut(habitat, aes(habitat, count=count))
```
![donut chart](../../../../../translated_images/th/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.png)
![donut chart](../../../../../translated_images/th/donut-wb.34e6fb275da9d834.webp)
โค้ดนี้ใช้สองไลบรารี - ggplot2 และ webr โดยใช้ฟังก์ชัน PieDonut ของไลบรารี webr เราสามารถสร้างแผนภูมิโดนัทได้อย่างง่ายดาย!
@ -160,7 +160,7 @@ waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual
ด้วยแผนภูมิแบบวาฟเฟิล คุณสามารถเห็นสัดส่วนของสีหมวกเห็ดในชุดข้อมูลนี้ได้อย่างชัดเจน น่าสนใจที่มีเห็ดที่มีหมวกสีเขียวจำนวนมาก!
![waffle chart](../../../../../translated_images/th/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.png)
![waffle chart](../../../../../translated_images/th/waffle.aaa75c5337735a6e.webp)
ในบทเรียนนี้ คุณได้เรียนรู้สามวิธีในการแสดงสัดส่วนข้อมูล ก่อนอื่น คุณต้องจัดกลุ่มข้อมูลของคุณเป็นหมวดหมู่ จากนั้นตัดสินใจว่าวิธีใดดีที่สุดในการแสดงข้อมูล - วงกลม โดนัท หรือวาฟเฟิล ทั้งหมดนี้น่าสนใจและให้ภาพรวมของชุดข้อมูลแก่ผู้ใช้ได้ทันที

14
translations/th/3-Data-Visualization/R/12-visualization-relationships/README.md
Unescape View File

@ -42,7 +42,7 @@ library(ggplot2)
ggplot(honey, aes(x = priceperlb, y = state)) +
geom_point(colour = "blue")
```
![scatterplot 1](../../../../../translated_images/th/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.png)
![scatterplot 1](../../../../../translated_images/th/scatter1.86b8900674d88b26.webp)
ตอนนี้ แสดงข้อมูลเดียวกันด้วยโทนสีของน้ำผึ้งเพื่อแสดงให้เห็นว่าราคาเปลี่ยนแปลงไปอย่างไรในแต่ละปี คุณสามารถทำได้โดยเพิ่มพารามิเตอร์ 'scale_color_gradientn' เพื่อแสดงการเปลี่ยนแปลงในแต่ละปี:
@ -52,7 +52,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
```
![scatterplot 2](../../../../../translated_images/th/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.png)
![scatterplot 2](../../../../../translated_images/th/scatter2.4d1cbc693bad20e2.webp)
ด้วยการเปลี่ยนโทนสีนี้ คุณจะเห็นได้ชัดเจนว่ามีการเปลี่ยนแปลงอย่างต่อเนื่องในราคาน้ำผึ้งต่อปอนด์ในแต่ละปี หากคุณดูตัวอย่างข้อมูลในชุดข้อมูลเพื่อยืนยัน (เลือกดูรัฐหนึ่ง เช่น รัฐแอริโซนา) คุณจะเห็นรูปแบบการเพิ่มขึ้นของราคาปีต่อปี โดยมีข้อยกเว้นบางประการ:
@ -83,7 +83,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
```
คุณจะเห็นว่าขนาดของจุดเพิ่มขึ้นเรื่อย ๆ
![scatterplot 3](../../../../../translated_images/th/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.png)
![scatterplot 3](../../../../../translated_images/th/scatter3.722d21e6f20b3ea2.webp)
นี่เป็นกรณีง่าย ๆ ของอุปสงค์และอุปทานหรือไม่? เนื่องจากปัจจัยต่าง ๆ เช่น การเปลี่ยนแปลงสภาพภูมิอากาศและการล่มสลายของรังผึ้ง มีน้ำผึ้งน้อยลงสำหรับการซื้อในแต่ละปี และทำให้ราคาสูงขึ้น?
@ -98,7 +98,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
```
คำตอบ: ใช่ โดยมีข้อยกเว้นบางประการในปี 2003:
![line chart 1](../../../../../translated_images/th/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.png)
![line chart 1](../../../../../translated_images/th/line1.299b576fbb2a59e6.webp)
คำถาม: ในปี 2003 เราเห็นการเพิ่มขึ้นของปริมาณน้ำผึ้งหรือไม่? หากคุณดูการผลิตรวมในแต่ละปีล่ะ?
@ -106,7 +106,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
```
![line chart 2](../../../../../translated_images/th/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.png)
![line chart 2](../../../../../translated_images/th/line2.3b18fcda7176ceba.webp)
คำตอบ: ไม่จริง หากคุณดูการผลิตรวม ดูเหมือนว่าจะเพิ่มขึ้นในปีนั้น แต่โดยทั่วไปแล้วปริมาณน้ำผึ้งที่ผลิตลดลงในช่วงปีเหล่านี้
@ -126,7 +126,7 @@ ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) +
```
ในภาพนี้ คุณสามารถเปรียบเทียบผลผลิตต่อรังและจำนวนรังในแต่ละปี โดยจัดเรียง wrap เป็น 3 คอลัมน์:
![facet grid](../../../../../translated_images/th/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.png)
![facet grid](../../../../../translated_images/th/facet.491ad90d61c2a7cc.webp)
สำหรับชุดข้อมูลนี้ ไม่มีสิ่งใดที่โดดเด่นเกี่ยวกับจำนวนรังและผลผลิตของรังในแต่ละปีและแต่ละรัฐ มีวิธีอื่นในการค้นหาความสัมพันธ์ระหว่างตัวแปรสองตัวนี้หรือไม่?
@ -143,7 +143,7 @@ plot(honey$year, honey$yieldpercol, pch = 17, col = 3,
axis(side = 4, at = pretty(range(y2)))
mtext("colony yield", side = 4, line = 3)
```
![superimposed plots](../../../../../translated_images/th/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.png)
![superimposed plots](../../../../../translated_images/th/dual-line.fc4665f360a54018.webp)
แม้ว่าไม่มีสิ่งใดที่โดดเด่นในปี 2003 แต่ก็ช่วยให้เราจบบทเรียนนี้ด้วยข่าวดีเล็กน้อย: แม้ว่าจำนวนรังจะลดลงโดยรวม แต่จำนวนรังก็เริ่มคงที่ แม้ว่าผลผลิตต่อรังจะลดลง

16
translations/th/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
Unescape View File

@ -38,25 +38,25 @@
แม้ว่านักวิทยาศาสตร์ข้อมูลจะระมัดระวังในการเลือกกราฟที่เหมาะสมกับข้อมูล แต่ก็ยังมีวิธีมากมายที่ข้อมูลสามารถถูกแสดงออกมาเพื่อสนับสนุนจุดยืนบางอย่าง ซึ่งมักจะทำให้ข้อมูลเสียความน่าเชื่อถือ มีตัวอย่างมากมายของกราฟและอินโฟกราฟิกที่หลอกลวง!
[![How Charts Lie โดย Alberto Cairo](../../../../../translated_images/th/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
[![How Charts Lie โดย Alberto Cairo](../../../../../translated_images/th/tornado.2880ffc7f135f82b.webp)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
> 🎥 คลิกที่ภาพด้านบนเพื่อดูการบรรยายเกี่ยวกับกราฟที่หลอกลวง
กราฟนี้กลับด้านแกน X เพื่อแสดงสิ่งที่ตรงข้ามกับความจริงตามวันที่:
![bad chart 1](../../../../../translated_images/th/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.png)
![bad chart 1](../../../../../translated_images/th/bad-chart-1.596bc93425a8ac30.webp)
[กราฟนี้](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) ยิ่งหลอกลวงมากขึ้น เพราะสายตาจะถูกดึงไปทางขวาเพื่อสรุปว่าเมื่อเวลาผ่านไป จำนวนผู้ติดเชื้อ COVID ในแต่ละเขตลดลง แต่ถ้าคุณดูวันที่อย่างละเอียด คุณจะพบว่ามันถูกจัดเรียงใหม่เพื่อสร้างแนวโน้มที่ลดลงอย่างหลอกลวง
![bad chart 2](../../../../../translated_images/th/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.jpg)
![bad chart 2](../../../../../translated_images/th/bad-chart-2.62edf4d2f30f4e51.webp)
ตัวอย่างที่มีชื่อเสียงนี้ใช้สีและกลับด้านแกน Y เพื่อหลอกลวง: แทนที่จะสรุปว่าการเสียชีวิตจากอาวุธปืนเพิ่มขึ้นหลังจากการผ่านกฎหมายที่สนับสนุนอาวุธปืน สายตากลับถูกหลอกให้คิดว่าตรงกันข้าม:
![bad chart 3](../../../../../translated_images/th/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.jpg)
![bad chart 3](../../../../../translated_images/th/bad-chart-3.e201e2e915a230bc.webp)
กราฟแปลก ๆ นี้แสดงให้เห็นว่าสัดส่วนสามารถถูกบิดเบือนได้อย่างน่าขบขัน:
![bad chart 4](../../../../../translated_images/th/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.jpg)
![bad chart 4](../../../../../translated_images/th/bad-chart-4.8872b2b881ffa96c.webp)
การเปรียบเทียบสิ่งที่ไม่สามารถเปรียบเทียบได้เป็นอีกหนึ่งกลวิธีที่ไม่ซื่อสัตย์ มี [เว็บไซต์ที่ยอดเยี่ยม](https://tylervigen.com/spurious-correlations) ที่รวบรวม 'ความสัมพันธ์ที่ผิดพลาด' แสดง 'ข้อเท็จจริง' ที่เชื่อมโยงสิ่งต่าง ๆ เช่น อัตราการหย่าร้างใน Maine กับการบริโภคมาการีน กลุ่ม Reddit ยังรวบรวม [การใช้ข้อมูลที่น่าเกลียด](https://www.reddit.com/r/dataisugly/top/?t=all) อีกด้วย
@ -91,13 +91,13 @@
หากข้อมูลของคุณเป็นข้อความและยาวบนแกน X คุณสามารถปรับมุมข้อความเพื่อให้อ่านง่ายขึ้น [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) เสนอการสร้างกราฟแบบ 3 มิติ หากข้อมูลของคุณรองรับ กราฟข้อมูลที่ซับซ้อนสามารถสร้างได้โดยใช้เครื่องมือนี้
![3d plots](../../../../../translated_images/th/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.png)
![3d plots](../../../../../translated_images/th/3d.db1734c151eee87d.webp)
## การแสดงกราฟแบบเคลื่อนไหวและ 3 มิติ
ภาพข้อมูลที่ดีที่สุดในปัจจุบันบางส่วนเป็นแบบเคลื่อนไหว Shirley Wu มีตัวอย่างที่น่าทึ่งที่สร้างด้วย D3 เช่น '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)' ซึ่งแต่ละดอกไม้เป็นภาพข้อมูลของภาพยนตร์ อีกตัวอย่างหนึ่งสำหรับ Guardian คือ 'bussed out' ซึ่งเป็นประสบการณ์แบบโต้ตอบที่รวมภาพข้อมูลกับ Greensock และ D3 พร้อมบทความแบบเลื่อนเพื่อแสดงวิธีที่ NYC จัดการกับปัญหาคนไร้บ้านโดยการส่งพวกเขาออกจากเมือง
![busing](../../../../../translated_images/th/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.png)
![busing](../../../../../translated_images/th/busing.8157cf1bc89a3f65.webp)
> "Bussed Out: How America Moves its Homeless" จาก [the Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). ภาพข้อมูลโดย Nadieh Bremer & Shirley Wu
@ -107,7 +107,7 @@
คุณจะสร้างแอปเว็บที่จะแสดงมุมมองแบบเคลื่อนไหวของเครือข่ายสังคมนี้ โดยใช้ไลบรารีที่สร้างขึ้นเพื่อสร้าง [ภาพเครือข่าย](https://github.com/emiliorizzo/vue-d3-network) โดยใช้ Vue.js และ D3 เมื่อแอปทำงาน คุณสามารถลากโหนดไปรอบ ๆ บนหน้าจอเพื่อจัดเรียงข้อมูลใหม่ได้
![liaisons](../../../../../translated_images/th/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.png)
![liaisons](../../../../../translated_images/th/liaisons.90ce7360bcf84765.webp)
## โครงการ: สร้างกราฟเพื่อแสดงเครือข่ายโดยใช้ D3.js

2
translations/th/3-Data-Visualization/README.md
Unescape View File

@ -1,6 +1,6 @@
# การสร้างภาพข้อมูล
![ผึ้งบนดอกลาเวนเดอร์](../../../translated_images/th/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.jpg)
![ผึ้งบนดอกลาเวนเดอร์](../../../translated_images/th/bee.0aa1d91132b12e3a.webp)
> ภาพถ่ายโดย <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> บน <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
การสร้างภาพข้อมูลเป็นหนึ่งในงานที่สำคัญที่สุดของนักวิทยาศาสตร์ข้อมูล ภาพหนึ่งภาพมีค่ามากกว่าคำพูดนับพันคำ และการสร้างภาพข้อมูลสามารถช่วยให้คุณระบุส่วนที่น่าสนใจในข้อมูลของคุณ เช่น จุดพุ่งสูงสุด ค่าผิดปกติ การจัดกลุ่ม แนวโน้ม และอื่นๆ ซึ่งช่วยให้คุณเข้าใจเรื่องราวที่ข้อมูลของคุณพยายามจะบอก

4
translations/th/4-Data-Science-Lifecycle/14-Introduction/README.md
Unescape View File

@ -16,7 +16,7 @@
บทเรียนนี้จะเน้นที่ 3 ส่วนของวงจรชีวิต: การเก็บข้อมูล การประมวลผล และการบำรุงรักษา
![แผนภาพของวงจรชีวิตวิทยาศาสตร์ข้อมูล](../../../../translated_images/th/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.jpg)
![แผนภาพของวงจรชีวิตวิทยาศาสตร์ข้อมูล](../../../../translated_images/th/data-science-lifecycle.a1e362637503c4fb.webp)
> ภาพโดย [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
## การเก็บข้อมูล
@ -92,7 +92,7 @@
|Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)|
|--|--|
|![วงจรชีวิต Team Data Science](../../../../translated_images/th/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.png) | ![ภาพจาก Data Science Process Alliance](../../../../translated_images/th/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.png) |
|![วงจรชีวิต Team Data Science](../../../../translated_images/th/tdsp-lifecycle2.e19029d598e2e73d.webp) | ![ภาพจาก Data Science Process Alliance](../../../../translated_images/th/CRISP-DM.8bad2b4c66e62aa7.webp) |
| ภาพโดย [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | ภาพโดย [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
## [แบบทดสอบหลังเรียน](https://ff-quizzes.netlify.app/en/ds/quiz/27)

2
translations/th/4-Data-Science-Lifecycle/README.md
Unescape View File

@ -1,6 +1,6 @@
# วงจรชีวิตของวิทยาศาสตร์ข้อมูล
![communication](../../../translated_images/th/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.jpg)
![communication](../../../translated_images/th/communication.06d8e2a88d30d168.webp)
> ภาพถ่ายโดย <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> บน <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
ในบทเรียนนี้ คุณจะได้สำรวจบางแง่มุมของวงจรชีวิตวิทยาศาสตร์ข้อมูล รวมถึงการวิเคราะห์และการสื่อสารเกี่ยวกับข้อมูล

4
translations/th/5-Data-Science-In-Cloud/README.md
Unescape View File

@ -1,12 +1,12 @@
# วิทยาศาสตร์ข้อมูลบนคลาวด์
![cloud-picture](../../../translated_images/th/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.jpg)
![cloud-picture](../../../translated_images/th/cloud-picture.f5526de3c6c6387b.webp)
> ภาพโดย [Jelleke Vanooteghem](https://unsplash.com/@ilumire) จาก [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
เมื่อพูดถึงการทำวิทยาศาสตร์ข้อมูลกับข้อมูลขนาดใหญ่ คลาวด์สามารถเปลี่ยนเกมได้อย่างมาก ในสามบทเรียนถัดไป เราจะมาดูกันว่าคลาวด์คืออะไรและทำไมมันถึงมีประโยชน์มาก นอกจากนี้ เรายังจะสำรวจชุดข้อมูลเกี่ยวกับภาวะหัวใจล้มเหลวและสร้างโมเดลเพื่อช่วยประเมินความน่าจะเป็นที่ใครบางคนจะมีภาวะหัวใจล้มเหลว เราจะใช้พลังของคลาวด์ในการฝึกอบรม, ปรับใช้ และใช้งานโมเดลในสองวิธีที่แตกต่างกัน วิธีแรกใช้เฉพาะอินเทอร์เฟซผู้ใช้ในรูปแบบ Low code/No code และอีกวิธีใช้ Azure Machine Learning Software Developer Kit (Azure ML SDK)
![project-schema](../../../translated_images/th/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.png)
![project-schema](../../../translated_images/th/project-schema.420e56d495624541.webp)
### หัวข้อ

2
translations/th/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
Unescape View File

@ -32,7 +32,7 @@
* [วิทยาศาสตร์ข้อมูลในด้านสุขภาพ](https://data-flair.training/blogs/data-science-in-healthcare/) - เน้นการประยุกต์ใช้ เช่น การถ่ายภาพทางการแพทย์ (MRI, X-Ray, CT-Scan) จีโนมิกส์ (การถอดรหัส DNA) การพัฒนายา (การประเมินความเสี่ยง การคาดการณ์ความสำเร็จ) การวิเคราะห์เชิงพยากรณ์ (การดูแลผู้ป่วยและโลจิสติกส์) การติดตามและป้องกันโรค ฯลฯ
![การประยุกต์ใช้วิทยาศาสตร์ข้อมูลในโลกแห่งความจริง](../../../../translated_images/th/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.png) เครดิตภาพ: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
![การประยุกต์ใช้วิทยาศาสตร์ข้อมูลในโลกแห่งความจริง](../../../../translated_images/th/data-science-applications.4e5019cd8790ebac.webp) เครดิตภาพ: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
ภาพนี้แสดงโดเมนและตัวอย่างอื่น ๆ ของการประยุกต์ใช้เทคนิควิทยาศาสตร์ข้อมูล ต้องการสำรวจการประยุกต์ใช้อื่น ๆ หรือไม่? ดูที่ส่วน [Review & Self Study](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) ด้านล่าง

2
translations/th/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
Unescape View File

@ -13,7 +13,7 @@
2. สำรวจ [แคตตาล็อกชุดข้อมูล](https://planetarycomputer.microsoft.com/catalog) - เพื่อเรียนรู้วัตถุประสงค์ของแต่ละชุดข้อมูล
3. ใช้ Explorer - เลือกชุดข้อมูลที่คุณสนใจ เลือกคำสั่งค้นหาที่เกี่ยวข้อง และตัวเลือกการแสดงผล
![The Planetary Computer Explorer](../../../../translated_images/th/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.png)
![The Planetary Computer Explorer](../../../../translated_images/th/planetary-computer-explorer.c1e95a9b053167d6.webp)
`งานของคุณ:`
ศึกษาการแสดงผลที่ปรากฏในเบราว์เซอร์และตอบคำถามต่อไปนี้:

192
translations/th/README.md
Unescape View File

@ -1,6 +1,6 @@
# Data Science for Beginners - หลักสูตร
# วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น - หลักสูตร
[![Open in GitHub Codespaces](https://github.com/codespaces/badge.svg)](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[![เปิดใน GitHub Codespaces](https://github.com/codespaces/badge.svg)](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
[![GitHub license](https://img.shields.io/github/license/microsoft/Data-Science-For-Beginners.svg)](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE)
[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
@ -17,116 +17,126 @@
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
กลุ่ม Azure Cloud Advocates ที่ Microsoft มีความยินดีที่จะนำเสนอโครงการหลักสูตร 10 สัปดาห์ 20 บทเรียนเกี่ยวกับวิทยาศาสตร์ข้อมูล ทุกบทเรียนรวมถึงแบบทดสอบก่อนบทเรียนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรสำหรับการทำบทเรียนให้เสร็จสมบูรณ์ ตัวอย่างคำตอบ และแบบฝึกหัด วิธีการเรียนรู้โดยเน้นโครงการช่วยให้คุณเรียนรู้ไปพร้อมกับการสร้างงาน ซึ่งเป็นวิธีที่ได้รับการพิสูจน์แล้วว่าสามารถช่วยให้ทักษะใหม่ๆ ตรึงติด
ทีมสนับสนุน Azure Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลักสูตร 10 สัปดาห์ 20 บทเรียนทั้งหมดเกี่ยวกับวิทยาศาสตร์ข้อมูล แต่ละบทเรียนจะมีแบบทดสอบก่อนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรสำหรับการทำบทเรียนให้เสร็จสมบูรณ์ โซลูชัน และแบบฝึกหัด วิธีการเรียนรู้แบบโครงการของเราช่วยให้คุณเรียนรู้ไปพร้อมกับการสร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าส่งผลให้ทักษะใหม่ 'ฝังแน่น'
**ขอขอบคุณอย่างจริงใจต่อผู้เขียนของเรา:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
**ขอขอบคุณเป็นอย่างสูงต่อผู้เขียนของเรา:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
**🙏 ขอขอบคุณเป็นพิเศษ 🙏 ต่อผู้เขียน, ผู้ตรวจสอบ และผู้ที่มีส่วนร่วมในเนื้อหาจาก [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/),** โดยเฉพาะ Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
**🙏 ขอบคุณเป็นพิเศษ 🙏 แก่ [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) ผู้เขียน ผู้ตรวจทาน และผู้ที่มีส่วนร่วมในเนื้อหา** โดยเฉพาะอย่างยิ่ง Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
[Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar , [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
|![สเก็ตช์โน้ตโดย @sketchthedocs https://sketchthedocs.dev](../../translated_images/th/00-Title.8af36cd35da1ac55.webp)|
|:---:|
| วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น - _สเก็ตช์โน้ตโดย [@nitya](https://twitter.com/nitya)_ |
### 🌐 รองรับหลายภาษา
### 🌐 การสนับสนุนหลายภาษา
#### รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)
#### สนับสนุนผ่าน GitHub Action (อัตโนมัติ & อัปเดตเสมอ)
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](./README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
> **ต้องการโคลนลงเครื่อง?**
> ที่เก็บนี้รวมการแปลภาษามากกว่า 50 ภาษา ซึ่งทำให้ขนาดการดาวน์โหลดเพิ่มขึ้นอย่างมีนัยสำคัญ หากต้องการโคลนโดยไม่รวมการแปล ให้ใช้ sparse checkout:
> **ต้องการโคลนแบบติดตั้งในเครื่องไหม?**
>
> ที่เก็บนี้มีการแปลภาษาเกิน 50 ภาษา ซึ่งจะเพิ่มขนาดการดาวน์โหลดอย่างมาก ถ้าต้องการโคลนโดยไม่รวมการแปล ให้ใช้ sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
> cd Data-Science-For-Beginners
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
> วิธีนี้จะให้ทุกอย่างที่คุณต้องใช้สำหรับการเรียนหลักสูตรด้วยการดาวน์โหลดที่เร็วขึ้นมาก
>
> **CMD (Windows):**
> ```cmd
> git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
> cd Data-Science-For-Beginners
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> นี้จะมอบทุกอย่างที่คุณต้องการเพื่อทำหลักสูตรให้เสร็จได้อย่างรวดเร็วขึ้นมาก
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
**ถ้าคุณต้องการให้รองรับภาษาแปลเพิ่มเติม รายการภาษาที่รองรับมีอยู่ [ที่นี่](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
**หากคุณต้องการให้สนับสนุนภาษาการแปลเพิ่มเติม รายการภาษาที่สนับสนุนอยู่ [ที่นี่](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
#### เข้าร่วมชุมชนของเรา
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
เรามีซีรีส์เรียนกับ AI บน Discord ที่กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ [Learn with AI Series](https://aka.ms/learnwithai/discord) ตั้งแต่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคในการใช้ GitHub Copilot สำหรับวิทยาศาสตร์ข้อมูล
เรามีซีรีส์ Discord เรียนรู้กับ AI ที่กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ [Learn with AI Series](https://aka.ms/learnwithai/discord) ตั้งแต่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคในการใช้ GitHub Copilot สำหรับวิทยาศาสตร์ข้อมูล
![Learn with AI series](../../translated_images/th/1.2b28cdc6205e26fe.webp)
# คุณเป็นนักเรียนหรือไม่?
เริ่มต้นด้วยแหล่งข้อมูลต่อไปนี้:
เริ่มต้นด้วยทรัพยากรดังต่อไปนี้:
- [หน้า Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) ในหน้านี้คุณจะพบแหล่งข้อมูลสำหรับผู้เริ่มต้น ชุดนักเรียน และวิธีรับคูปองใบรับรองฟรี นี่คือหน้าหนึ่งที่คุณควรบุ๊คมาร์กและตรวจสอบเป็นครั้งคราวเพราะเราจะเปลี่ยนเนื้อหาอย่างน้อยเดือนละครั้ง
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) เข้าร่วมชุมชนนักเรียนระดับโลก นี่อาจเป็นช่องทางของคุณเข้าสู่ Microsoft
- [หน้าศูนย์นักเรียน](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) ในหน้านี้คุณจะพบทรัพยากรสำหรับผู้เริ่มต้น ชุดนักเรียน และแม้แต่ช่องทางในการรับบัตรรับรองฟรี นี่คือหน้าที่คุณควรบันทึกไว้และตรวจสอบเป็นระยะๆ เนื่องจากเราจะสลับเปลี่ยนเนื้อหาอย่างน้อยเดือนละครั้ง
- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) เข้าร่วมชุมชนนักเรียนทั่วโลก นี่อาจเป็นช่องทางของคุณเข้าสู่ Microsoft
# การเริ่มต้น
# เริ่มต้นใช้งาน
## 📚 เอกสาร
- **[คู่มือการติดตั้ง](INSTALLATION.md)** - คำแนะนำทีละขั้นตอนสำหรับผู้เริ่มต้น
- **[คู่มือการใช้งาน](USAGE.md)** - ตัวอย่างและขั้นตอนการทำงานทั่วไป
- **[แก้ไขปัญหา](TROUBLESHOOTING.md)** - วิธีแก้ไขปัญหาที่พบบ่อย
- **[คู่มือการใช้งาน](USAGE.md)** - ตัวอย่างและกระบวนการทำงานทั่วไป
- **[การแก้ไขปัญหา](TROUBLESHOOTING.md)** - วิธีแก้ไขปัญหาที่พบบ่อย
- **[คู่มือการมีส่วนร่วม](CONTRIBUTING.md)** - วิธีการมีส่วนร่วมในโครงการนี้
- **[สำหรับครูผู้สอน](for-teachers.md)** - คำแนะนำการสอนและแหล่งข้อมูลในห้องเรียน
- **[สำหรับครูผู้สอน](for-teachers.md)** - แนวทางการสอนและทรัพยากรในชั้นเรียน
## 👨‍🎓 สำหรับนักเรียน
> **ผู้เริ่มต้นอย่างสมบูรณ์**: ใหม่กับวิทยาศาสตร์ข้อมูล? เริ่มด้วย [ตัวอย่างสำหรับผู้เริ่มต้น](examples/README.md)! ตัวอย่างง่ายๆ ที่มีคำอธิบายอย่างละเอียดเหล่านี้จะช่วยให้คุณเข้าใจพื้นฐานก่อนเรียนหลักสูตรทั้งหมด
> **[นักเรียน](https://aka.ms/student-page)**: เพื่อใช้หลักสูตรนี้ด้วยตนเอง ให้ fork ทั้ง repository และทำแบบฝึกหัดด้วยตนเอง เริ่มด้วยแบบทดสอบก่อนบรรยาย จากนั้นอ่านบรรยายและทำกิจกรรมที่เหลือให้ครบ พยายามสร้างโครงการโดยเข้าใจบทเรียนแทนที่จะคัดลอกโค้ดคำตอบ อย่างไรก็ตาม โค้ดเหล่านั้นมีให้ในโฟลเดอร์ /solutions ในแต่ละบทเรียนที่เน้นโครงการ อีกแนวคิดหนึ่งคือการตั้งกลุ่มเรียนกับเพื่อนและเรียนรู้เนื้อหาร่วมกัน สำหรับการศึกษาต่อ เราแนะนำ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
> **ผู้เริ่มต้นอย่างสมบูรณ์**: ใหม่กับวิทยาศาสตร์ข้อมูลหรือไม่? เริ่มต้นด้วย [ตัวอย่างที่เหมาะสำหรับผู้เริ่มต้น](examples/README.md)! ตัวอย่างง่าย ๆ ที่มีคำอธิบายดีจะช่วยให้คุณเข้าใจพื้นฐานก่อนเจาะลึกหลักสูตรทั้งหมด
> **[นักเรียน](https://aka.ms/student-page)**: เพื่อใช้หลักสูตรนี้ด้วยตัวเอง ให้ fork รีโปทั้งหมดและทำแบบฝึกหัดด้วยตัวเอง เริ่มจากแบบทดสอบก่อนบรรยาย จากนั้นอ่านบรรยายและทำกิจกรรมที่เหลือให้ครบ พยายามสร้างโครงการโดยเข้าใจบทเรียนแทนการก็อปปี้โค้ดโซลูชัน อย่างไรก็ตาม โค้ดเหล่านั้นพร้อมใช้งานในโฟลเดอร์ /solutions ในแต่ละบทเรียนที่เน้นโครงการ อีกวิธีหนึ่งคือสร้างกลุ่มศึกษาเรียนรู้กับเพื่อนและเรียนรู้เนื้อหาร่วมกัน สำหรับการศึกษาต่อ เราแนะนำ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum)
**เริ่มเร็ว:**
**เริ่มต้นอย่างรวดเร็ว:**
1. ตรวจสอบ [คู่มือการติดตั้ง](INSTALLATION.md) เพื่อตั้งค่าสภาพแวดล้อมของคุณ
2. ทบทวน [คู่มือการใช้งาน](USAGE.md) เพื่อเรียนรู้วิธีการใช้หลักสูตร
3. เริ่มกับบทเรียนที่ 1 และเรียนตามลำดับ
4. เข้าร่วม [ชุมชน Discord ของเรา](https://aka.ms/ds4beginners/discord) เพื่อรับการสนับสนุน
2. ทบทวน [คู่มือการใช้งาน](USAGE.md) เพื่อเรียนรู้วิธีทำงานกับหลักสูตร
3. เริ่มที่บทเรียนที่ 1 และทำตามลำดับ
4. เข้าร่วม [ชุมชน Discord ของเรา](https://aka.ms/ds4beginners/discord) เพื่อขอความช่วยเหลือ
## 👩‍🏫 สำหรับครูผู้สอน
> **ครูผู้สอน**: เราได้ [รวมคำแนะนำบางส่วน](for-teachers.md) เกี่ยวกับวิธีการใช้หลักสูตรนี้ไว้แล้ว เรายินดีรับฟังข้อเสนอแนะของคุณ [ในฟอรัมสนทนาของเรา](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
> **ครูผู้สอน**: เรามี [ข้อเสนอแนะบางส่วน](for-teachers.md) เกี่ยวกับวิธีใช้หลักสูตรนี้ เราต้องการฟีดแบ็คของคุณ [ในฟอรัมอภิปรายของเรา](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
## พบกับทีมงาน
## ทำความรู้จักทีมงาน
[![วิดีโอโปรโมต](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "วิดีโอโปรโมต")
[![วิดีโอโฆษณา](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "วิดีโอโฆษณา")
**ภาพเคลื่อนไหวโดย** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
**Gif โดย** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
> 🎥 คลิกที่ภาพด้านบนเพื่อชมวิดีโอเกี่ยวกับโครงการและผู้ที่อยู่เบื้องหลังการสร้างมัน!
> 🎥 คลิกที่ภาพด้านบนเพื่อชมวิดีโอเกี่ยวกับโครงการและทีมที่สร้างสรรค์มัน!
## แนวทางการสอน
## หลักการสอน
เราได้เลือกใช้หลักการสอนสองประการในการสร้างหลักสูตรนี้: ให้เป็นโครงการฐานการเรียนรู้และมีแบบทดสอบบ่อย ๆ ภายในตอนจบของชุดนี้ นักเรียนจะได้เรียนรู้หลักการพื้นฐานของวิทยาศาสตร์ข้อมูล รวมถึงแนวคิดด้านจริยธรรม การเตรียมข้อมูล วิธีการต่าง ๆ ในการทำงานกับข้อมูล การแสดงผลข้อมูล การวิเคราะห์ข้อมูล กรณีใช้งานจริงของวิทยาศาสตร์ข้อมูล และอื่น ๆ
เราได้เลือกระเบียบวิธีการสอนสองข้อในการสร้างหลักสูตรนี้: รับรองว่ามันเป็นโครงการที่เน้นการปฏิบัติจริงและรวมถึงแบบทดสอบบ่อยครั้ง เมื่อจบซีรีส์นี้ นักเรียนจะได้เรียนรู้หลักการพื้นฐานของวิทยาศาสตร์ข้อมูล รวมถึงแนวคิดด้านจริยธรรม การเตรียมข้อมูล วิธีการต่าง ๆ ในการทำงานกับข้อมูล การสร้างภาพข้อมูล การวิเคราะห์ข้อมูล กรณีศึกษาในโลกจริงของวิทยาศาสตร์ข้อมูล และอื่น ๆ
นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนเรียนจะช่วยตั้งจุดมุ่งหมายของนักเรียนในการเรียนรู้หัวข้อ ในขณะที่แบบทดสอบอีกชุดหลังเรียนจะช่วยเพิ่มการจดจำ หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนทั้งหมดหรือเป็นบางส่วนได้ โครงการเริ่มจากขนาดเล็กและซับซ้อนขึ้นตามลำดับจนจบรอบ 10 สัปดาห์
นอกจากนี้ แบบทดสอบที่ไม่เคร่งครัดก่อนเข้าเรียน ตั้งเจตนารมณ์ให้นักเรียนมีความตั้งใจเรียนหัวข้อนั้น ขณะที่แบบทดสอบที่สองหลังเรียนช่วยให้จดจำเนื้อหาได้ดียิ่งขึ้น หลักสูตรนี้ถูกออกแบบให้ยืดหยุ่นและสนุกสนาน สามารถเรียนทั้งหมดหรือบางส่วนได้ โครงการเริ่มต้นด้วยขนาดเล็กและซับซ้อนขึ้นเรื่อย ๆ จนจบในรอบ 10 สัปดาห์
> ค้นหา [จรรยาบรรณของเรา](CODE_OF_CONDUCT.md), [ข้อกำหนดการมีส่วนร่วม](CONTRIBUTING.md), [แนวทางการแปล](TRANSLATIONS.md) เรายินดีรับฟังคำติชมที่สร้างสรรค์ของคุณ!
> ค้นหา [จรรยาบรรณ](CODE_OF_CONDUCT.md), [การมีส่วนร่วม](CONTRIBUTING.md), และ [แนวทางการแปล](TRANSLATIONS.md) ของเรา เรายินดีรับฟังข้อเสนอแนะในเชิงสร้างสรรค์จากคุณ!
## แต่ละบทเรียนประกอบด้วย:
- สเก็ตช์โน้ตเสริม (เลือกดูได้)
- วิดีโอเสริม (เลือกดูได้)
- แบบทดสอบวอร์มอัพก่อนบทเรียน
- บทเรียนเขียน
- สำหรับบทเรียนฐานโครงการ มีคำแนะนำทีละขั้นตอนในการสร้างโครงการ
- การตรวจสอบความรู้
- สเก็ตช์โน้ตเลือกทำ
- วิดีโอเพิ่มเติมเลือกชม
- แบบทดสอบอบอุ่นก่อนบทเรียน
- บทเรียนที่เขียนไว้
- สำหรับบทเรียนที่เป็นโครงการ มีคำแนะนำทีละขั้นตอนในการสร้างโครงการ
- ตรวจสอบความรู้
- ความท้าทาย
- การอ่านเสริม
- การบ้าน
- [แบบทดสอบหลังบทเรียน](https://ff-quizzes.netlify.app/en/)
> **หมายเหตุเกี่ยวกับแบบทดสอบ**: แบบทดสอบทั้งหมดถูกจัดเก็บในโฟลเดอร์ Quiz-App รวม 40 แบบทดสอบ แต่ละแบบมี 3 คำถาม มีการลิงก์จากบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่องหรือดีพลอยไปยัง Azure; โปรดดูคำแนะนำในโฟลเดอร์ `quiz-app` มีการแปลเป็นภาษาต่าง ๆ อย่างต่อเนื่อง
> **หมายเหตุเกี่ยวกับแบบทดสอบ**: แบบทดสอบทั้งหมดเก็บไว้ในโฟลเดอร์ Quiz-App รวมทั้งหมด 40 แบบทดสอบ มีคำถามละ 3 ข้อ ลิงก์เชื่อมโยงภายในบทเรียน แต่แอปแบบทดสอบนี้สามารถรันแบบโลคอลหรือดีพลอยใน Azure ได้; ให้ทำตามคำแนะนำในโฟลเดอร์ `quiz-app` กำลังทยอยแปลอย่างต่อเนื่อง
## 🎓 ตัวอย่างสำหรับผู้เริ่มต้น
**ใหม่กับวิทยาศาสตร์ข้อมูล?** เราได้สร้าง [ไดเรกทอรีตัวอย่าง](examples/README.md) เฉพาะที่มีโค้ดง่าย ๆ พร้อมคำอธิบายอย่างละเอียดเพื่อช่วยคุณเริ่มต้น:
**ใหม่กับวิทยาศาสตร์ข้อมูลหรือไม่?** เราได้สร้าง [ไดเรกทอรีตัวอย่าง](examples/README.md) โดยเฉพาะที่มีรหัสง่าย ๆ พร้อมคอมเมนต์ละเอียด เพื่อช่วยให้คุณเริ่มต้นได้:
- 🌟 **Hello World** - โปรแกรมวิทยาศาสตร์ข้อมูลแรกของคุณ
- 📂 **โหลดข้อมูล** - เรียนรู้การอ่านและสำรวจชุดข้อมูล
- 🌟 **สวัสดีโลก** - โปรแกรมวิทยาศาสตร์ข้อมูลแรกของคุณ
- 📂 **การโหลดข้อมูล** - เรียนรู้การอ่านและสำรวจชุดข้อมูล
- 📊 **วิเคราะห์ง่าย ๆ** - คำนวณสถิติและค้นหารูปแบบ
- 📈 **สร้างภาพพื้นฐาน** - สร้างแผนภูมิและกราฟ
- 🔬 **โครงการจริง** - กระบวนการทำงานครบถ้วนตั้งแต่ต้นจนจบ
- 📈 **การสร้างภาพพื้นฐาน** - สร้างแผนภูมิและกราฟ
- 🔬 **โครงการโลกจริง** - กระบวนการงานเต็มรูปแบบตั้งแต่เริ่มจนเสร็จ
แต่ละตัวอย่างมีคำอธิบายละเอียดทุกขั้นตอน เหมาะสำหรับมือใหม่สุด ๆ!
แต่ละตัวอย่างมีคำอธิบายรายละเอียดทุกขั้นตอน เหมาะอย่างยิ่งสำหรับผู้เริ่มต้นอย่างแท้จริง!
👉 **[เริ่มต้นด้วยตัวอย่าง](examples/README.md)** 👈
@ -135,67 +145,67 @@
|![ สเก็ตช์โน้ตโดย @sketchthedocs https://sketchthedocs.dev](../../translated_images/th/00-Roadmap.4905d6567dff4753.webp)|
|:---:|
| แผนที่เส้นทางวิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น - _สเก็ตช์โน้ตโดย [@nitya](https://twitter.com/nitya)_ |
| วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น: แผนที่เส้นทาง - _สเก็ตช์โน้ตโดย [@nitya](https://twitter.com/nitya)_ |
| หมายเลขบทเรียน | หัวข้อ | กลุ่มบทเรียน | วัตถุประสงค์การเรียนรู้ | บทเรียนที่เชื่อมโยง | ผู้เขียน |
| หมายเลขบทเรียน | หัวข้อ | กลุ่มบทเรียน | วัตถุประสงค์การเรียนรู้ | ลิงก์บทเรียน | ผู้แต่ง |
| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
| 01 | การกำหนดวิทยาศาสตร์ข้อมูล | [บทนำ](1-Introduction/README.md) | เรียนรู้แนวคิดพื้นฐานของวิทยาศาสตร์ข้อมูลและความสัมพันธ์กับปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และข้อมูลขนาดใหญ่ | [บทเรียน](1-Introduction/01-defining-data-science/README.md) [วิดีโอ](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 02 | จริยธรรมวิทยาศาสตร์ข้อมูล | [บทนำ](1-Introduction/README.md) | แนวคิดทางจริยธรรม ความท้าทาย และกรอบงาน | [บทเรียน](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
| 03 | การกำหนดข้อมูล | [บทนำ](1-Introduction/README.md) | วิธีการจัดประเภทข้อมูลและแหล่งข้อมูลทั่วไป | [บทเรียน](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | บทนำสถิติและความน่าจะเป็น | [บทนำ](1-Introduction/README.md) | เทคนิคคณิตศาสตร์ของความน่าจะเป็นและสถิติเพื่อทำความเข้าใจข้อมูล | [บทเรียน](1-Introduction/04-stats-and-probability/README.md) [วิดีโอ](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | การทำงานกับข้อมูลเชิงสัมพันธ์ | [ทำงานกับข้อมูล](2-Working-With-Data/README.md) | บทนำสู่ข้อมูลสัมพันธ์และพื้นฐานการสำรวจวิเคราะห์ข้อมูลด้วยภาษา Structured Query Language หรือ SQL (อ่านว่า “ซีเควล”) | [บทเรียน](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | การทำงานกับข้อมูล NoSQL | [ทำงานกับข้อมูล](2-Working-With-Data/README.md) | บทนำสู่ข้อมูลที่ไม่ใช่ความสัมพันธ์ ประเภทต่าง ๆ และพื้นฐานการสำรวจวิเคราะห์ฐานข้อมูลเอกสาร | [บทเรียน](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | การทำงานกับ Python | [ทำงานกับข้อมูล](2-Working-With-Data/README.md) | พื้นฐานการใช้ Python สำหรับสำรวจข้อมูลด้วยไลบรารี เช่น Pandas ควรมีพื้นฐานการโปรแกรม Python | [บทเรียน](2-Working-With-Data/07-python/README.md) [วิดีโอ](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | การเตรียมข้อมูล | [ทำงานกับข้อมูล](2-Working-With-Data/README.md) | หัวข้อเกี่ยวกับเทคนิคทำความสะอาดและแปลงข้อมูลเพื่อจัดการกับความท้าทายของข้อมูลที่ขาดหาย ไม่ถูกต้อง หรือไม่ครบถ้วน | [บทเรียน](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 09 | การแสดงปริมาณข้อมูล | [ภาพข้อมูล](3-Data-Visualization/README.md) | เรียนรู้การใช้ Matplotlib ในการแสดงข้อมูลนก 🦆 | [บทเรียน](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
| 10 | การแสดงการแจกแจงของข้อมูล | [ภาพข้อมูล](3-Data-Visualization/README.md) | การแสดงการสังเกตและแนวโน้มภายในช่วงเวลา | [บทเรียน](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 11 | การแสดงสัดส่วน | [ภาพข้อมูล](3-Data-Visualization/README.md) | การแสดงร้อยละกลุ่มและจำแนก | [บทเรียน](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 12 | การแสดงความสัมพันธ์ | [ภาพข้อมูล](3-Data-Visualization/README.md) | การแสดงการเชื่อมโยงและความสัมพันธ์ระหว่างชุดข้อมูลและตัวแปร | [บทเรียน](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | การแสดงผลที่มีความหมาย | [ภาพข้อมูล](3-Data-Visualization/README.md) | เทคนิคและแนวทางสำหรับสร้างภาพข้อมูลที่มีคุณค่าเพื่อแก้ปัญหาและให้ข้อมูลเชิงลึกอย่างมีประสิทธิภาพ | [บทเรียน](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | บทนำสู่วงจรชีวิตวิทยาศาสตร์ข้อมูล | [วงจรชีวิต](4-Data-Science-Lifecycle/README.md) | บทนำสู่วงจรชีวิตวิทยาศาสตร์ข้อมูลและขั้นตอนแรกของการรับและสกัดข้อมูล | [บทเรียน](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 15 | การวิเคราะห์ | [วงจรชีวิต](4-Data-Science-Lifecycle/README.md) | ขั้นตอนนี้ในวงจรชีวิตวิทยาศาสตร์ข้อมูลเน้นเทคนิคการวิเคราะห์ข้อมูล | [บทเรียน](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
| 16 | การสื่อสาร | [วงจรชีวิต](4-Data-Science-Lifecycle/README.md) | ขั้นตอนนี้เน้นการนำเสนอข้อมูลเชิงลึกจากข้อมูลในรูปแบบที่เข้าใจง่ายสำหรับผู้ตัดสินใจ | [บทเรียน](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | วิทยาศาสตร์ข้อมูลบนคลาวด์ | [ข้อมูลคลาวด์](5-Data-Science-In-Cloud/README.md) | ชุดบทเรียนที่แนะนำวิทยาศาสตร์ข้อมูลบนคลาวด์และประโยชน์ | [บทเรียน](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) และ [Maud](https://twitter.com/maudstweets) |
| 18 | วิทยาศาสตร์ข้อมูลบนคลาวด์ | [ข้อมูลคลาวด์](5-Data-Science-In-Cloud/README.md) | ฝึกอบรมโมเดลโดยใช้เครื่องมือ Low Code |[บทเรียน](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) และ [Maud](https://twitter.com/maudstweets) |
| 19 | วิทยาศาสตร์ข้อมูลบนคลาวด์ | [ข้อมูลคลาวด์](5-Data-Science-In-Cloud/README.md) | การดีพลอยโมเดลด้วย Azure Machine Learning Studio | [บทเรียน](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) และ [Maud](https://twitter.com/maudstweets) |
| 20 | วิทยาศาสตร์ข้อมูลในโลกจริง | [โลกจริง](6-Data-Science-In-Wild/README.md) | โครงการวิทยาศาสตร์ข้อมูลในโลกจริง | [บทเรียน](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
| 01 | การนิยามวิทยาศาสตร์ข้อมูล | [บทนำ](1-Introduction/README.md) | เรียนรู้แนวคิดพื้นฐานเบื้องหลังวิทยาศาสตร์ข้อมูลและความสัมพันธ์กับปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และบิ๊กดาต้า | [บทเรียน](1-Introduction/01-defining-data-science/README.md) [วิดีโอ](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
| 02 | จริยธรรมวิทยาศาสตร์ข้อมูล | [บทนำ](1-Introduction/README.md) | แนวคิดจริยธรรมข้อมูล ปัญหา และกรอบงาน | [บทเรียน](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
| 03 | การนิยามข้อมูล | [บทนำ](1-Introduction/README.md) | วิธีการจัดประเภทข้อมูลและแหล่งข้อมูลทั่วไป | [บทเรียน](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 04 | แนะนำสถิติและความน่าจะเป็น | [บทนำ](1-Introduction/README.md) | เทคนิคคณิตศาสตร์เกี่ยวกับความน่าจะเป็นและสถิติเพื่อทำความเข้าใจข้อมูล | [บทเรียน](1-Introduction/04-stats-and-probability/README.md) [วิดีโอ](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
| 05 | การทำงานกับข้อมูลแบบเชิงสัมพันธ์ | [การทำงานกับข้อมูล](2-Working-With-Data/README.md) | แนะนำข้อมูลแบบเชิงสัมพันธ์ และพื้นฐานการสำรวจและวิเคราะห์ข้อมูลเชิงสัมพันธ์ด้วยภาษา Structured Query Language หรือ SQL (อ่านว่า "ซี-เควล") | [บทเรียน](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
| 06 | การทำงานกับข้อมูล NoSQL | [การทำงานกับข้อมูล](2-Working-With-Data/README.md) | แนะนำข้อมูลแบบไม่เชิงสัมพันธ์ ประเภทต่าง ๆ และพื้นฐานการสำรวจและวิเคราะห์ฐานข้อมูลเอกสาร | [บทเรียน](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
| 07 | การทำงานกับ Python | [การทำงานกับข้อมูล](2-Working-With-Data/README.md) | พื้นฐานการใช้ Python เพื่อสำรวจข้อมูลด้วยไลบรารีอย่าง Pandas แนะนำให้มีความเข้าใจพื้นฐานโปรแกรมมิ่ง Python | [บทเรียน](2-Working-With-Data/07-python/README.md) [วิดีโอ](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
| 08 | การเตรียมข้อมูล | [การทำงานกับข้อมูล](2-Working-With-Data/README.md) | หัวข้อเทคนิคล้างและแปลงข้อมูลเพื่อจัดการกับความท้าทายของข้อมูลที่หายไป ไม่ถูกต้อง หรือไม่ครบถ้วน | [บทเรียน](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
| 09 | การสร้างภาพปริมาณ | [การสร้างภาพข้อมูล](3-Data-Visualization/README.md) | เรียนรู้วิธีใช้ Matplotlib เพื่อสร้างภาพข้อมูลนก 🦆 | [บทเรียน](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
| 10 | การสร้างภาพการแจกแจงของข้อมูล | [การสร้างภาพข้อมูล](3-Data-Visualization/README.md) | การสร้างภาพสังเกตการณ์และแนวโน้มภายในช่วงค่า | [บทเรียน](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 11 | การสร้างภาพสัดส่วน | [การสร้างภาพข้อมูล](3-Data-Visualization/README.md) | การสร้างภาพเปอร์เซ็นต์แบบแยกส่วนและแบ่งกลุ่ม | [บทเรียน](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
| 12 | การสร้างภาพความสัมพันธ์ | [การสร้างภาพข้อมูล](3-Data-Visualization/README.md) | การสร้างภาพการเชื่อมโยงและความสัมพันธ์ระหว่างชุดข้อมูลและตัวแปรของมัน | [บทเรียน](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
| 13 | การสร้างภาพที่มีความหมาย | [การสร้างภาพข้อมูล](3-Data-Visualization/README.md) | เทคนิคและคำแนะนำในการทำให้ภาพข้อมูลมีคุณค่าสำหรับการแก้ปัญหาและสร้างความเข้าใจ | [บทเรียน](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
| 14 | แนะนำวงจรชีวิตวิทยาศาสตร์ข้อมูล | [วงจรชีวิต](4-Data-Science-Lifecycle/README.md) | แนะนำวงจรชีวิตของวิทยาศาสตร์ข้อมูลและขั้นตอนแรกของการได้มาและแยกข้อมูล | [บทเรียน](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
| 15 | การวิเคราะห์ | [วงจรชีวิต](4-Data-Science-Lifecycle/README.md) | เฟสนี้ของวงจรชีวิตวิทยาศาสตร์ข้อมูลเน้นไปที่เทคนิคการวิเคราะห์ข้อมูล | [บทเรียน](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
| 16 | การสื่อสาร | [วงจรชีวิต](4-Data-Science-Lifecycle/README.md) | เฟสนี้ของวงจรชีวิตวิทยาศาสตร์ข้อมูลเน้นการนำเสนอข้อมูลเชิงลึกจากข้อมูลในรูปแบบที่ช่วยให้ง่ายต่อการเข้าใจของผู้ตัดสินใจ | [บทเรียน](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
| 17 | วิทยาศาสตร์ข้อมูลบนคลาวด์ | [ข้อมูลบนคลาวด์](5-Data-Science-In-Cloud/README.md) | ซีรีส์บทเรียนนี้แนะนำวิทยาศาสตร์ข้อมูลบนคลาวด์และประโยชน์ของมัน | [บทเรียน](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) และ [Maud](https://twitter.com/maudstweets) |
| 18 | วิทยาศาสตร์ข้อมูลบนคลาวด์ | [ข้อมูลบนคลาวด์](5-Data-Science-In-Cloud/README.md) | การฝึกอบรมโมเดลโดยใช้เครื่องมือ Low Code |[บทเรียน](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) และ [Maud](https://twitter.com/maudstweets) |
| 19 | วิทยาศาสตร์ข้อมูลบนคลาวด์ | [ข้อมูลบนคลาวด์](5-Data-Science-In-Cloud/README.md) | การดีพลอยโมเดลด้วย Azure Machine Learning Studio | [บทเรียน](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) และ [Maud](https://twitter.com/maudstweets) |
| 20 | วิทยาศาสตร์ข้อมูลในสภาพแวดล้อมจริง | [In the Wild](6-Data-Science-In-Wild/README.md) | โครงการที่ขับเคลื่อนด้วยวิทยาศาสตร์ข้อมูลในโลกจริง | [บทเรียน](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
## GitHub Codespaces
ทำตามขั้นตอนเหล่านี้เพื่อเปิดตัวอย่างนี้ใน Codespace:
1. คลิกเมนูแบบเลื่อนของ Code และเลือกตัวเลือก Open with Codespaces
1. คลิกเมนูแบบเลื่อนลง Code และเลือกตัวเลือก Open with Codespaces
2. เลือก + New codespace ที่ด้านล่างของแผง
สำหรับข้อมูลเพิ่มเติม ดูที่ [เอกสาร GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace)
ดูข้อมูลเพิ่มเติมได้ที่ [เอกสาร GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace)
## VSCode Remote - Containers
ทำตามขั้นตอนเหล่านี้เพื่อเปิด repo นี้ในคอนเทนเนอร์โดยใช้เครื่องของคุณและ VSCode ผ่านส่วนขยาย VS Code Remote - Containers:
ทำตามขั้นตอนเหล่านี้เพื่อเปิดรีโปนี้ในคอนเทนเนอร์โดยใช้เครื่องของคุณและ VSCode ผ่านส่วนขยาย VS Code Remote - Containers:
1. หากนี่เป็นครั้งแรกของคุณในการใช้คอนเทนเนอร์พัฒนา โปรดตรวจสอบว่าเครื่องของคุณมีข้อกำหนดพื้นฐาน เช่น การติดตั้ง Docker แล้ว ใน [เอกสารเริ่มต้น](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started)
1. หากเป็นครั้งแรกที่ใช้ container สำหรับพัฒนา กรุณาตรวจสอบว่าเครื่องคุณตรงตามข้อกำหนดล่วงหน้า (เช่น ติดตั้ง Docker แล้ว) ใน [เอกสารการเริ่มต้นใช้งาน](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started)
ในการใช้ repo นี้ คุณสามารถเปิด repo ในโวลุ่ม Docker แยกต่างหากได้:
เพื่อใช้งานรีโปนี้ คุณสามารถเปิดใน Docker volume แยกต่างหาก:
**หมายเหตุ**: ภายใต้ระบบ จะใช้คำสั่ง Remote-Containers: **Clone Repository in Container Volume...** เพื่อโคลนซอร์สโค้ดในโวลุ่ม Docker แทนระบบไฟล์ภายในเครื่อง [โวลุ่ม](https://docs.docker.com/storage/volumes/) เป็นกลไกที่แนะนำสำหรับการจัดเก็บข้อมูลคอนเทนเนอร์อย่างถาวร
**หมายเหตุ**: งานเบื้องหลังนี้จะใช้คำสั่ง Remote-Containers: **Clone Repository in Container Volume...** เพื่อโคลนซอร์สโค้ดลงใน Docker volume แทนไฟล์ระบบในเครื่อง [Volumes](https://docs.docker.com/storage/volumes/) คือวิธีที่แนะนำสำหรับเก็บข้อมูลของคอนเทนเนอร์อย่างถาวร
หรือเปิดโคลนหรือดาวน์โหลด repo นี้ไว้ในเครื่อง:
หรือเปิดรีโปที่โคลนหรือดาวน์โหลดมาในเครื่อง:
- โคลน repo นี้ลงในเครื่องของคุณ
- กด F1 แล้วเลือกคำสั่ง **Remote-Containers: Open Folder in Container...**
- เลือกโฟลเดอร์ที่โคลนไว้ รอคอนเทนเนอร์เริ่มทำงาน แล้วลองใช้งานได้เลย
- โคลนรีโปนี้ลงในเครื่องคุณ
- กด F1 และเลือกคำสั่ง **Remote-Containers: Open Folder in Container...**
- เลือกโฟลเดอร์ที่โคลนมา รอให้คอนเทนเนอร์เริ่มต้น แล้วทดลองใช้งาน
## การเข้าใช้งานแบบออฟไลน์
## การเข้าถึงแบบออฟไลน์
คุณสามารถรันเอกสารนี้แบบออฟไลน์ด้วยการใช้ [Docsify](https://docsify.js.org/#/) ได้นะ เพียงส้อม (fork) repo นี้, [ติดตั้ง Docsify](https://docsify.js.org/#/quickstart) บนเครื่องของคุณ แล้วที่โฟลเดอร์ root ของ repo นี้ ให้พิมพ์คำสั่ง `docsify serve` เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 ที่ localhost ของคุณ: `localhost:3000`
คุณสามารถเรียกดูเอกสารนี้แบบออฟไลน์ด้วย [Docsify](https://docsify.js.org/#/) สร้างสาขาใหม่ของรีโปนี้ [ติดตั้ง Docsify](https://docsify.js.org/#/quickstart) ในเครื่องของคุณ แล้วในโฟลเดอร์ root ของรีโปนี้ พิมพ์ `docsify serve` เว็บไซต์จะถูกให้บริการผ่านพอร์ต 3000 บน localhost: `localhost:3000`
> หมายเหตุ โน้ตบุ๊กจะไม่ถูกแสดงผลผ่าน Docsify ดังนั้นเมื่อต้องรันโน้ตบุ๊ก ให้ทำแยกต่างหากใน VS Code ที่รันเคอร์เนล Python
> หมายเหตุ โน้ตบุ๊กจะไม่ถูกแสดงผลผ่าน Docsify ดังนั้นเมื่อคุณต้องการรันโน้ตบุ๊ก ให้รันแยกต่างหากใน VS Code ด้วยเคอร์เนล Python
## หลักสูตรอื่น ๆ
ทีมงานของเราผลิตหลักสูตรอื่นด้วย! ลองดู:
ทีมของเราผลิตหลักสูตรอื่น ๆ ด้วย! ลองดู:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
[![LangChain4j สำหรับผู้เริ่มต้น](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[![LangChain for Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
@ -233,21 +243,21 @@
[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## การขอรับความช่วยเหลือ
## การขอความช่วยเหลือ
**พบปัญหาใช่ไหม?** ตรวจสอบ [คู่มือแก้ปัญหา](TROUBLESHOOTING.md) ของเราเพื่อหาวิธีแก้ปัญหาทั่วไป
**พบปัญหาใช่ไหม?** ตรวจสอบ [คู่มือแก้ปัญหา](TROUBLESHOOTING.md) สำหรับวิธีแก้ไขปัญหาทั่วไป
ถ้าคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการพูดคุยเกี่ยวกับ MCP ชุมชนที่สนับสนุนนี้เปิดรับคำถามและแบ่งปันความรู้กันอย่างอิสระ
หากคุณติดขัดหรือต้องการคำถามใด ๆ เกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์เพื่อหารือเกี่ยวกับ MCP ชุมชนที่ส่งเสริมการถามคำถามและแบ่งปันความรู้กันอย่างเสรี
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
ถ้าคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะสร้าง โปรดเยี่ยมชม:
หากคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดในขณะสร้าง โปรดเยี่ยมชม:
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**คำปฏิเสธความรับผิดชอบ**:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาด้วยปัญญาประดิษฐ์ [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้ความถูกต้องสูงสุด โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้องได้ เอกสารต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ควรใช้บริการแปลโดยนักแปลมืออาชีพที่เป็นมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่อาจเกิดขึ้นจากการใช้การแปลนี้
**ข้อจำกัดความรับผิดชอบ**:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้มีความถูกต้อง แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาว่าเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

2
translations/th/sketchnotes/README.md
Unescape View File

@ -4,7 +4,7 @@
Nitya Narasimhan, ศิลปิน
![สเก็ตโน้ตแผนที่](../../../translated_images/th/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.png)
![สเก็ตโน้ตแผนที่](../../../translated_images/th/00-Roadmap.4905d6567dff4753.webp)
---

Write Preview
Loading…
Cancel
Save